基于CASA模型的三峡库区固碳潜力及其驱动机制

Carbon Sequestration Potential and Its Driving Mechanisms in the Three Gorges Reservoir Area Based on the CASA Model

摘要

三峡库区蓄水后气候和土地利用因子对固碳量的影响机制尚不明确。本文基于CASA（Carnegie-Ames-Stanford Approach）模型，使用MOD13Q1和气象数据估算了2000—2020年三峡库区植被净初级生产力（Net Primary Productivity， NPP）时空动态变化，量化了气候变化与土地利用变化（包括造林、蓄水、城市化及其他类型）对NPP的贡献，并分析了3种气候因子对库区NPP变化的动态影响及未来趋势。结果表明：1）三峡库区NPP整体呈增长趋势，其碳储量表现出显著的空间异质性，多年平均NPP呈现西南低、东北高的空间分布特征，大部分地区年均NPP呈增加趋势，仅部分城市周围以及长江两岸的年均NPP呈减少趋势；2）土地利用变化的总碳储量增量为2.05 Tg，其中造林和其他类型的碳储量增量分别为1.25、0.91 Tg，蓄水和城市化分别造成0.05、0.06 Tg的碳排放；造林在东部-北部河段与西部-南部河段对NPP动态的影响大于在中部河段对NPP的影响，城市化与蓄水造成碳释放的空间异质性较明显；3）降水、气温和辐射整体呈增加趋势，且3种因子在大部分地区均与NPP呈正相关关系，其中气温的相关性最为显著，平均相关系数达0.61；4）大部分地区的NPP变化表现为正向持续性，结合NPP变化趋势，可知未来三峡库区的碳储量将维持增长趋势，进一步提升固碳潜力。研究明确了不同土地利用变化对固碳潜力的差异化贡献，有望为制定三峡库区生态系统多级管理决策提供科学支撑。

Abstract

The mechanisms through which climate and land use factors influence carbon sequestration in the Three Gorges Reservoir Area (TGRA) following impoundment remain unclear. This study employed the Carnegie-Ames-Stanford Approach (CASA) model and utilized MOD13Q1 and meteorological data to estimate the spatiotemporal dynamics of vegetation Net Primary Productivity (NPP) in the TGRA from 2000 to 2020. We quantified the contributions of climate change and land use change (including afforestation, impoundment, urbanization, and other types) to NPP, and analyzed the dynamic impacts of three climatic factors on NPP variations in the reservoir area as well as future trends. The results indicate that: 1) NPP in the TGRA showed an overall increasing trend, with carbon storage exhibiting significant spatial heterogeneity. Multi-year average NPP displayed a spatial distribution pattern of low values in the southwest and high values in the northeast. Annual average NPP increased in most areas, while decreases were observed only around certain urban centers and along both banks of the Yangtze River; 2) The total carbon storage increment from land use change was 2.05 Tg, with afforestation and other types contributing 1.25 Tg and 0.91 Tg, respectively. Impoundment and urbanization caused carbon emissions of 0.05 Tg and 0.06 Tg, respectively. The impact of afforestation on NPP dynamics was greater in the eastern-northern and western-southern river sections compared to the middle section. The spatial heterogeneity of carbon release caused by urbanization and impoundment was relatively pronounced; 3) Precipitation, temperature, and radiation all showed increasing trends, and all three factors were positively correlated with NPP in most areas, with temperature showing the strongest correlation (average correlation coefficient of 0.61); 4) NPP changes in most areas demonstrated positive persistence. Combined with the NPP trend analysis, carbon storage in the TGRA is expected to maintain its growth trajectory, further enhancing carbon sequestration potential. This study clarifies the differentiated contributions of various land use changes to carbon sequestration potential, providing scientific support for developing multi-level ecosystem management strategies in the Three Gorges Reservoir Area.

Graphical abstract

0　 引 言

在实现“双碳”战略目标背景下，准确估算生态系统碳储量及其固碳能力具有重要意义^[1-3]。三峡库区是我国建成三峡水利工程后形成的独特区域，也是国家重点生态功能区之一^[4]。随着三峡大坝的修建与运行，库区的土地利用与生态环境发生了一系列深远变化，而伴随着移民安置、城镇迁建、设施配套等工程以及成库后经济社会的巨大发展与后期扶持，多重因素叠加作用于库区土地，进一步加剧了区域土地利用变化，给库区生态环境造成巨大压力^[5-6]。周晓艳等^[7]、李伊能等^[8]对库区的碳代谢和气候模式进行了研究，但尚未有研究从土地利用变化类型的角度分析碳储量变化效应。因此，这一区域的碳储量分析具有重要的理论与现实意义^[9]。

植被的净初级生产力（Net Primary Productivity, NPP）反映植被的生产能力，是评估生态系统碳积累和调节生态过程的主要因子^[10]。NPP的变化主要受气候变化和人类活动的影响^[11-12]。气候通过改变环境条件，在植被生理生态结构方面控制植被NPP的产生^[13]，人类则通过生产生活或其他改造活动占用NPP。其中，土地利用/覆盖变化（Land-Use/Land-Cover Change，LUCC）是最具人类活动特征的方式^[14-15]，每年LUCC造成全球NPP下降约5%^[16]。温家石等^[17]研究发现，LUCC通过直接转变地表景观影响生态系统的结构、类型、组成及功能，进而改变生态系统的碳储量与碳循环，是影响植被NPP变化的主要人为因素之一。

植被NPP估算主要基于试验站点观测数据，易受到空间尺度的限制，不利于区域尺度上的植被NPP动态监测^[18-20]。21世纪以来，随着对土地利用信息遥感观测数据的不断丰富和遥感处理技术的快速发展，很多学者利用模型模拟法对区域植被NPP进行了研究，其中基于遥感-过程耦合模型的MODIS NPP得到广泛应用^[21]。基于MODIS产品数据，多位学者已在我国不同地形与尺度的区域验证了其适用性^[22-25]。CASA(Carnegie-Ames-Stanford Approach)模型是目前用于估算植被NPP最为广泛的模型之一，相对于其他模型，其所需参数少且可获得性高，在大尺度、长时间上的有效性和准确性已得到验证^[26]，避免了因数据缺失以及人为因素造成的误差。朱文泉等^[27]利用实测数据模拟中国典型植被类型的最大光能利用，并对模型参数进行简化和修正，以实现全球范围内不同生态系统中NPP的动态监测。但上述研究在估算区域NPP时，往往未能充分解耦气候变化与土地利用变化的交互作用。通过控制变量、构造不同情景，能有效量化各土地利用驱动因子对NPP的独立贡献^[28]。因此，本文设置不同的土地利用变化情景量化不同因子对碳储量的影响。

本文采用NPP表征植被固碳能力，采用碳储量（Carbon Sequestration, CS）表征区域总固碳量。以三峡库区为研究区域，定量研究不同情景下碳储量潜力的变化，使用MOD13Q1数据和改进的CASA模型模拟2000—2020年该区域植被NPP的动态分布，设计6种情景分析不同土地利用变化和气候变化对库区NPP的影响，探讨了降水与气温等气候因子对NPP的驱动作用。通过研究，评估了三峡库区的固碳潜力，希望为陆地生态系统的可持续发展与治理提供依据。

1　 材料和方法

1.1　研究区域

三峡库区（28°N~31°N，106°E~111°E）位于长江上游，水位常年处于145~175 m之间，面积约5.8万km²（图1）。三峡库区地处中国东西部的过渡地带，地形多山，山地面积占总面积的74%以上，丘陵面积约占27.1%。该区域属亚热带季风气候，是典型的生物多样性热点地区，土地利用类型以农田为主。随着大坝建设和人口迁移，三峡库区的土地利用类型逐步向森林景观转变。与此同时，在国家西部大开发战略推动下，城镇化、人口流动、经济发展和基础设施建设等因素直接或间接地促进了建设用地比例的上升^[29]。此外，三峡大坝于2003年6月首次蓄水至135 m，2006年蓄水至156 m，2010年达175 m，阶段性蓄水显著改变了库区的景观格局。

1.2　数据来源

本文使用的数据主要包括土地利用数据、气候数据(降水、温度和辐射)和遥感数据。具体数据与来源如表1所示。逐月气候数据(辐射、降水、温度)来自国家青藏高原科学数据中心，本文将其合成为逐年数据并裁剪至研究区域范围。土地利用数据选取Zenodo的30 m全国土地数据。归一化植被指数（Normalized Difference Vegetation Index，NDVI）数据来自空间分辨率为250 m的MOD13Q1产品，通过拼接、裁剪和在像素点处进行最大值合成得到NDVI结果。本文将研究区域的土地利用类型划分为农田、林地、灌木、草地、水域、裸地和建设用地7类。

1.3　NPP估算

CASA模型是由气候、遥感和土地利用数据共同驱动的光能利用率模型。该模型中的植被NPP由植被吸收光合有效辐射（Absorbed Photosynthetically Active Radiation，APAR）和光能利用率ε(x,t)共同确定^[30]：

\mathrm{N}\mathrm{P}\mathrm{P}(x,t)=\mathrm{A}\mathrm{P}\mathrm{A}\mathrm{R}(x,t)\times \epsilon (x,t)(1)

式中：NPP(x,t)表示像元x在t月的NPP值；APAR(x,t)(MJ/m²)表示像元x在t月吸收的光合有效辐射；ε(x,t)表示像元x在t月的实际光能利用率。

利用月度总辐射图像和NDVI图像，计算APAR(x,t)：

\mathrm{A}\mathrm{P}\mathrm{A}\mathrm{R}(x,t)=\mathrm{S}\mathrm{O}\mathrm{L}(x,t)\times \mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}(x,t)\times \mathrm{0.5}(2)

式中：SOL(x,t)为像元x在t月的总辐射；FPAR(x,t)为像元x在t月的光合有效辐射吸收比例；常数0.5为植被所能利用的太阳有效辐射在太阳总辐射中的占比。

在一定范围内，光合有效辐射吸收比例（Fraction of Photosynthetically Active Radiation Absorbed, FPAR）与NDVI之间存在线性关系^[31]，可根据某一植被类型NDVI的最大值和最小值以及所对应的FPAR最大值和最小值确定，即：

\mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}(x,t)=\left[\left.\mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}{(x,t)}_{NDVI}+\mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}{(x,t)}_{SR}\right]\right./\mathrm{2}(3)

\mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}{(x,t)}_{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}=\frac{\left[\left.\mathrm{N}\mathrm{D}(x,t)-\mathrm{N}{\mathrm{D}}_{i,\mathrm{m}\mathrm{i}\mathrm{n}}\right]\right.\times (\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{P}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{P}}_{\mathrm{m}\mathrm{i}\mathrm{n}})}{\mathrm{N}{\mathrm{D}}_{i,\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{N}{\mathrm{D}}_{i,\mathrm{m}\mathrm{i}\mathrm{n}}}+\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{R}}_{\mathrm{m}\mathrm{i}\mathrm{n}}(4)

\mathrm{F}\mathrm{P}\mathrm{A}\mathrm{R}{(x,t)}_{\mathrm{S}\mathrm{R}}=\frac{\left[\left.\mathrm{S}\mathrm{R}(x,t)-\mathrm{S}{\mathrm{R}}_{i,\mathrm{m}\mathrm{i}\mathrm{n}}\right]\right.\times (\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{R}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{R}}_{\mathrm{m}\mathrm{i}\mathrm{n}})}{\mathrm{S}{\mathrm{R}}_{i,\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{S}{\mathrm{R}}_{i,\mathrm{m}\mathrm{i}\mathrm{n}}}+\mathrm{F}\mathrm{P}\mathrm{A}{\mathrm{R}}_{\mathrm{m}\mathrm{i}\mathrm{n}}(5)

\mathrm{S}\mathrm{R}(x,t)=\frac{\mathrm{1}+\mathrm{N}\mathrm{D}(x,t)}{\mathrm{1}-\mathrm{N}\mathrm{D}(x,t)}(6)

式中：ND(x,t)为像元x在t月的归一化植被指数；SR(x,t)为像元x在t月的比值植被指数（Simple Ratio Vegetation Index, SR）；FPAR(x,t)_NDVI和FPAR(x,t)_SR指分别用NDVI和SR计算的像元x在t月的光合有效辐射吸收比；FPAR_max和FPAR_min为三峡库区FPAR的最大值和最小值，本文FPAR_max取0.950，FPAR_min取0.001；ND _i,min和ND _i,max为第i种土地利用类型的NDVI最小值和最大值；SR _i,max和SR _i,min为第i种土地利用类型的比值植被指数的最大值和最小值。依据文献[27]，确定不同土地利用类型的CASA模型参数，如表2所示。

实际光能利用率ε主要受温度和水分的胁迫，计算如下：

\epsilon (x,t)=T_{\mathrm{1}}(x,t)\times T_{\mathrm{2}}(x,t)\times W(x,t)\times {\epsilon }_{\mathrm{m}\mathrm{a}\mathrm{x}}(7)

其中：T₁(x,t)和T₂(x,t)分别为低温和高温胁迫影响因子；W(x,t)为水分影响因子；ε_max为不同土地利用类型理想条件下的最大光能利用率，取值因植被类型而异。

1.4　模拟精度验证

NPP的验证可采用实测和相对验证法两种。由于研究区范围较大且植被类型复杂，短时间内NPP实测值较难获取，本文采用与MOD17A3产品相比较的方法，取2005、2010和2015年的模拟结果与MOD17A3在像元水平上进行对比，每个年份随机抽取10万个样点进行比较。

1.5　情景设计

为研究土地利用类型变化（造林、城市化、蓄水以及其他）和气候变化对NPP的影响，设计了6种情景。在所有情景中，将气候数据（降水、温度和辐射）固定为2000年水平，通过改变NDVI影像和土地利用数据评估不同土地利用类型变化对NPP的影响。在土地利用驱动情景中，剔除气候变化的影响，定量评估了2000—2020年间所有土地利用变化对NPP动态的综合影响。基于土地利用驱动情景，进一步设计并量化了造林、城市化、蓄水3种类型对NPP变化的贡献，并在此基础上，计算其他土地利用类型变化对NPP的贡献。

首先，设置土地利用变化情景（LUCC），定量评估2000—2020年间所有土地利用类型变化对NPP的综合影响为：

\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}=\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{2000}}(8)

其中：NPP₂₀₀₀为使用2000年气候、土地利用和NDVI计算的基准NPP；NPP_LUCC为使用2000年气候、2020年土地利用及NDVI数据计算的NPP。

在此基础上，进一步将土地利用变化拆分为4种具体类型。

1） 造林情景(FO)：仅将2000年为非林地、2020年转为林地的像元更新为2020年土地利用，其余保持2000年不变，得到NPP_FO。造林贡献为：

\mathrm{F}\mathrm{O}=\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{F}\mathrm{O}}(9)

2） 城市化情景(UR)：仅将2000年为非建设用地、2020年转为建设用地的像元更新为2020年土地利用，得到NPP_UR。城市化贡献为：

\mathrm{U}\mathrm{R}=\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{U}\mathrm{R}}(10)

3） 蓄水情景(WA)：仅将2000年为非水域、2020年转为水域的像元更新为2020年土地利用，得到NPP_WA。蓄水贡献为：

\mathrm{W}\mathrm{A}=\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{W}\mathrm{A}}(11)

4） 其他(OT)：除造林、城市化、蓄水外的其余土地利用变化类型（如耕地、草地间的相互转换）。其贡献为：

\mathrm{O}\mathrm{T}=\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}-\mathrm{F}\mathrm{O}-\mathrm{U}\mathrm{R}-\mathrm{W}\mathrm{A}(12)

最后，气候变化(CL)对NPP的贡献由2000—2020年总变化减去土地利用变化总贡献得到：

\mathrm{C}\mathrm{L}=(\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{2020}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{2000}})-\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}(13)

其中：NPP₂₀₂₀为使用2020年实际气候、土地利用和NDVI数据计算的NPP。

通过上述情景设置，本研究将2000—2020年三峡库区NPP变化归因为5类驱动因子：气候变化(CL)、造林(FO)、城市化(UR)、蓄水(WA)及其他土地利用变化(OT)。如式（12），土地利用变化总贡献(LUCC)等于后4类之和。

1.6　数据分析

1.6.1　趋势分析

采用最小二乘线性回归模型，在整个三峡库区和像元尺度上对2000—2020年NPP和气候变量(如降水、温度和辐射)进行拟合，用模型斜率描述变化趋势。

1.6.2　Hurst指数分析

利用R/S分析法计算三峡库区NPP的Hurst指数H，研究NPP时间序列变化趋势的可持续性特征。其值在0~1之间，越接近0，反持续性越强；越接近1，持续性越强。将Hurst指数划分为4个等级^[32]：强反持续性(0<H≤0.35)、弱反持续性(0.35<H≤0.5)、弱持续性(0.5<H≤0.65)、强持续性(0.65<H≤1)。

2　 结果与讨论

2.1　模型精度评估

使用CASA模型生成2005、2010和2015年NPP数据，并随机抽取10万个像元结果与MODIS产品进行对比分析，评价模型的可靠性。如图2所示，2005、2010和2015年NPP的模拟结果（Pre）与MOD17A3产品在像元水平上的值（True）表现出较高的相关性；决定系数R²分别为0.667 83、0.620 79和0.650 64，均高于0.6。表明模型模拟结果与遥感产品之间具有较好的一致性。因此，本文模型用于估算三峡库区的NPP值具有较高的可信度，能够支持后续的固碳潜力与驱动机制分析。

2.2　2000—2020年NPP的时间分布

考察了三峡库区2000—2020年NPP的时间变化。如图3所示，三峡库区每年NPP整体呈显著上升趋势（p<0.01），增速为4.45 gC/(m²·a)；NPP由2000年的504.30 gC/m²上升至2020年的633.29 gC/m²，最小值出现在2001年（495.27 gC/m²），最大值出现在2020年。2001年NPP低值或与三峡工程初期植被尚未恢复有关，而2020年峰值则体现了长期治理下生态系统的健康状态。

2.3　2000—2020年NPP的时空分布

逐像元计算三峡库区多年平均NPP及年均NPP的线性变化，进一步考察该区域2000—2020年NPP的时空变化，见图4。三峡库区的多年平均NPP表现出明显的空间异质性：西南地区显著低于东北地区，长江两岸及城区较低，见图4(a)。从2000年到2020年，大部分地区(92.5%)的NPP呈上升趋势，中部地区增加最明显，最大增加率在云阳县，为24.8 gC/(m²·a)；三峡大坝建成区周围和长江两岸的多年平均NPP呈减少趋势，减少率最大值在渝北区，为-20.7 gC/(m²·a)，见图4(b)。

此外，三峡库区中部区域大部分像元T检验的p值小于等于0.05，表明此区域的多年平均NPP发生了显著变化，见图5(a)。根据T检验结果以及多年平均NPP的线性趋势变化，定义了4种NPP变化情况：显著减少(a<0，p≤0.05)，不显著减少(a<0，p>0.05)，不显著增加(a>0，p>0.05)，显著增加(a>0，p≤0.05)。其中，a为线性回归的斜率，p为显著性水平。图5(b)显示，在2000—2020年时间跨度内有92.5%区域的年均NPP有增加的趋势，其中有53.4%区域的NPP显著增加，这些像元集中分布在三峡库区的上半部和江津区等；有7.5%区域的NPP呈减少趋势，其中2.5%区域的NPP显著减少，主要分布在渝北区西南部与河流区域，区域类型主要是建设用地和水域；有44.1%区域的NPP无显著变化。

2.4　情景分析

基于情景设计和CASA模型，计算了2000年到2020年不同情景和气候驱动因子对碳储量的贡献度（图6）。基于模型估算的碳储量显示，2000年和2020年三峡库区的实际碳储量（以C计）分别为11.93、14.45 Tg。气候变化是植被生产力提升的重要驱动因子，贡献净增量0.47 Tg，占总固碳潜力的18.6%。2020年三峡库区的年平均温度(13.08 ℃)与2000年(12.78 ℃)相比较高，可见气候暖化趋势通过延长生长季、增强光合效率显著促进了碳吸收。土地利用变化整体贡献2.05 Tg，其中造林（1.25 Tg）与其他（0.91 Tg）共计贡献2.16 Tg，验证了退耕还林、封山育林等生态建设对库区固碳能力的修复作用。城市化与蓄水分别导致0.06 Tg和0.05 Tg的碳排放。

2.5　土地利用变化导致的县级NPP变化

4种土地利用类型变化对县级NPP变化的影响见图7。总体而言，造林和其他两种情景的土地利用变化的综合影响有助于提升区域的碳储量，而蓄水和城市化导致了碳排放的增加。造林对碳的吸收和储存贡献巨大，对NPP的影响在东部-北部河段与西部-南部河段区域大于中部河段，其中秭归县最高（76.72 gC/m²），长寿区最低（18.63 gC/m²）。城市化与蓄水均会促进碳排放，不同县级区域的空间异质性比较明显。影响较明显的区域集中在重庆城区与宜昌市区等人口较多的居民聚集区，其中夷陵区的城市化与蓄水工程碳排放均最高，分别为0.77、3.36 gC/m²，而库区中部相对释放较少。其他土地利用变化也有助于碳的封存，其中，重庆与开州、云阳两县的影响较为显著，云阳县最高（68.83 gC/m²），兴山县最低（11.13 gC/m²）。这一结果可能源于绿化面积的扩大（如灌木、草地等植被覆盖面积增加），显著提升了区域的碳封存能力。

2.6　气候变化对固碳的驱动机制

作为气候变化的敏感指标，NPP对降水、温度和太阳辐射具有显著响应。图8展示了3种气候因子的空间变化趋势及其与NPP的相关性：图8(a)(b)(c)左图采用最小二乘线性回归斜率描述各气候因子的时空变化趋势，图8(a)(b)(c)右图采用Spearman秩相关系数表征NPP与气候因子的关联强度，揭示不同气候因子对NPP驱动作用的空间分异。

1）降水。三峡库区降水量变化呈现显著的时空异质性。图8(a)左图显示，西南部地区降水量年均变化量呈显著增加趋势，其中武隆区最高达5.13 mm/a；降水出现减少趋势的区域主要分布在东北段，其中秭归县变化量为-6.68 mm/a。图8(a)右图显示，多数地区的NPP与降水量变化呈正相关，而云阳县、奉节县和巫山县等地区呈负相关，相关系数平均值为0.57。NPP和降水量变化之间的正相关关系是因为降水可以改善植物的光合作用，但降水对中部部分地区NPP动态的负效应难以解释。根据相关研究^[33]，该河段的地形复杂，属高降水地区，推测过量降水导致该地区土壤流失，减少了土壤有机质含量，从而间接降低了植物生产力。因此，降水量较少可能是中游地区NPP增加的部分原因。

2）温度。三峡库区大多数地区的温度呈上升趋势，其中武隆区温度年均变化量达0.52 ℃/a，见图8(b)左图。研究表明，NPP随温度的升高而增加，温暖的气候有助于植被进行光合作用^[34]；但也有研究表明，NPP随温度的升高而降低，因为温暖的气候增加了植物的自养呼吸^[35]。本文研究结果支持了前一种观点。图8(b)右图显示，NPP与温度在大部分地区呈显著正相关，相关系数平均值为0.61，最大值为0.92。因此，气候变暖可能对未来三峡库区的NPP产生显著的积极影响。

3）辐射。三峡库区的辐射量呈减少趋势的区域大部分在中部，奉节县辐射年均变化量最大，达-29.6 MJ/(m²·a)；其他地区基本呈增加趋势，江津区辐射增加量达8.43 MJ/(m²·a)（图8(c)左图）。NPP与年均辐射在西南部呈显著正相关，相关系数最高为0.95（图8(c)右）。说明辐射作为光合作用的能量来源，对植被生产力具有正向驱动。负相关集中出现在巫溪县、奉节县、巫山县等区域，最低为-0.65，相关系数平均值为0.54。该区域辐射呈下降趋势，最低为-29.6 MJ/(m²·a)，但NPP并未同步下降。这一现象可能与亚热带湿润气候特征有关：辐射下降往往伴随云量增加和暖湿化趋势，温度升高与水分改善的协同效应可能抵消辐射减少的负面影响^[36]。

上述研究表明，在三峡库区中部，温度可能是未来驱动植被生产力变化的主导因素。

2.7　Hurst指数

Hurst指数结果如图9所示。空间上，强持续性区域集中于库区西南段。江津区强持续性区域占比最高，且其NPP呈增长趋势，两者叠加表明该区域固碳能力具有显著的持续增强潜力；强反持续性区域仅少部分出现在渝北区等地，而渝北区西南部NPP呈减少趋势，预示未来渝北区西南地段的固碳能力将逐渐修复。弱持续性和弱反持续性区域则主要分布于东北段，这些区域的固碳能力未来不会发生太大变化。上述结果表明，库区管理需要结合NPP变化趋势，并遵循空间差异化策略：西南段NPP正向增长且强持续性的区域应以保护为主；渝北区等NPP下降但呈反持续性的区域可采取生态修复干预，引导固碳能力由降转升；东北段弱持续性和弱反持续性区域可维持现状，避免人为扰动打破系统稳态。

3　 结 论

本文利用CASA模型估算了2000—2020年三峡库区的NPP时空动态变化，并从气候和土地利用变化两个角度分析了多种驱动因子对NPP变化以及固碳能力变化的影响，得出以下结论：

1) 2000—2020年间，三峡库区固碳能力总体呈增强态势，但空间异质性明显。

2) 土地利用变化贡献碳储量净增量2.05 Tg，其中造林（1.25 Tg）与其他生态修复措施（0.91 Tg）合计贡献2.16 Tg，充分验证了退耕还林、封山育林等国家重大生态工程的正向效应； 4种土地利用因子对NPP的影响在县级尺度差异显著，呈现明显的空间分异规律。

3) 气候变化对植被固碳具有协同促进作用，其中温度敏感性最高。

4)库区固碳能力的可持续性整体良好。

本文结果有望为库区差异化生态管理提供依据。

参考文献

[1] ZHANG S， CHEN W Y. China’s energy transition pathway in a carbon neutral vision［J］. Engineering， 2022， 14： 64-76. DOI：10.1016/j.eng.2021.09.004 .

[2] 徐鹏， 刘礼燕. 一举两得： 内部碳定价机制的环境与价值双效应研究［J］. 研究与发展管理， 2024， 36（2）： 50-62. DOI：10.13581/j.cnki.rdm.20221460 .

[3] XU P， LIU L Y. Killing two birds with one stone： A study on the environmental and value effects of internal carbon pricing mechanism［J］. R&D Management， 2024， 36（2）： 50-62. DOI：10.13581/j.cnki.rdm.20221460（Ch ）.

[4] VAN PHAM T， DO T A T， TRAN H D， et al. Assessing the impact of ecological security and forest fire susceptibility on carbon stocks in Bo Trach district， Quang Binh province， Vietnam［J］. Ecological Informatics， 2023， 74： 101962. DOI：10.1016/j.ecoinf.2022.101962 .

[5] ZHANG H Z， YANG Q Y， TANG Q， et al. Changes in built-up land along slope gradients and their effects on vegetation in the Three Gorges Reservoir Area［J］. Land Degradation & Development， 2024， 35（7）： 2614-2634. DOI：10.1002/ldr.5086 .

[6] LIU L F， ZHANG C C， LUO W R， et al. New remote sensing image fusion for exploring spatiotemporal evolution of urban land use and land cover［J］. Journal of Applied Remote Sensing， 2022， 16（3）： 034527. DOI：10.1117/1.jrs.16.034527 .

[7] LI S， DONG B， GAO X， et al. Land use change and driving forces in Shengjin Lake wetland in Anhui Province， China［J］. Journal of Applied Remote Sensing， 2021， 15（4）： 042404. DOI：10.1117/1.jrs.15.042404 .

[8] 周晓艳，迪力阿热·塔依尔，侯美玲，等.基于生态网络的三峡库区湖北段土地碳代谢［J］.应用生态学报， 2025， 36（7）： 2150-2158. DOI：10.13287/j.1001-9332.202507.028 .

[9] ZHOU X Y， DI L， HOU M L， et al. Assessing land carbon metabolism in Hubei section of Three Gorges Reservoir Area based on ecological network［J］. Chinese Journal of Applied Ecology， 2025， 36（7）： 2150-2158. DOI：10.13287/j.1001-9332.202507.028（Ch ）.

[10] 李伊能， 周育琳， 魏兴， 等. 中国“双碳”目标下三峡库区极端气候的模式评估及未来预估［J］. 水电能源科学， 2025， 43（6）： 33-38. DOI：10.20040/j.cnki.1000-7709.2025.20241244 .

[11] LI Y N， ZHOU Y L， WEI X， et al. Modeling assessment and future projections of extreme climate in Three Gorges Reservoir area under China’s dual carbon goals［J］. Water Resources and Power， 2025， 43（6）： 33-38. DOI：10.20040/j.cnki.1000-7709.2025.20241244（Ch ）.

[12] LIU B， GUO H X， LI J L， et al. Application and interpretability of ensemble learning for landslide susceptibility mapping along the Three Gorges Reservoir area， China［J］. Natural Hazards， 2024， 120（5）： 4601-4632. DOI：10.1007/s11069-023-06374-3 .

[13] SUN Q L， LI B L， ZHOU C H， et al. A systematic review of research studies on the estimation of net primary productivity in the Three-River Headwater Region， China［J］. Journal of Geographical Sciences， 2017， 27（2）： 161-182. DOI：10.1007/s11442-017-1370-z .

[14] XU M H， ZHANG Z K， WANG Y， et al. Quantifying the contributions of climatic and human factors to vegetation net primary productivity dynamics in East Africa［J］. Frontiers in Forests and Global Change， 2024， 6： 1332631. DOI：10.3389/ffgc.2023.1332631 .

[15] ZHANG H Z， TANG Q， HE X B， et al. Land use function changes and trade-offs/synergies across topographic gradients in the Three Gorges Reservoir Area， China［J］. Journal of Cleaner Production， 2024， 469： 143233. DOI：10.1016/j.jclepro.2024.143233 .

[16] FENG H H， WANG S， ZOU B， et al. Contribution of land use and cover change （LUCC） to the global terrestrial carbon uptake［J］. Science of the Total Environment， 2023， 901： 165932. DOI：10.1016/j.scitotenv.2023.165932 .

[17] 陈红香， 辛存林， 陈宁， 等. 基于PLUS-InVEST模型的川渝地区碳储量变化及多情景预测［J］. 环境科学， 2026， 47（1）： 360-371. DOI：10.13227/j.hjkx.202412195 .

[18] CHEN H X， XIN C L， CHEN N， et al. Carbon stock changes and multi-scenario prediction in the Sichuan-Chongqing Region based on PLUS-InVEST modeling［J］. Environmental Science， 2026， 47（1）： 360-371. DOI：10.13227/j.hjkx.202412195（Ch ）.

[19] GANG C C， ZHANG Y Z， WANG Z Q， et al. Modeling the dynamics of distribution， extent， and NPP of global terrestrial ecosystems in response to future climate change［J］. Global and Planetary Change， 2017， 148： 153-165. DOI：10.1016/j.gloplacha.2016.12.007 .

[20] LOHRER A M， MACDONALD I T， BULMER R H， et al. Implications of increased intertidal inundation on seagrass net primary production［J］. Estuarine， Coastal and Shelf Science， 2024， 298： 108636. DOI：10.1016/j.ecss.2024.108636 .

[21] 温家石， 葛滢， 焦荔， 等. 城市土地利用是否会降低区域碳吸收能力：台州市案例研究［J］. 植物生态学报， 2010， 34（6）： 651-660. DOI：10.3773/j.issn.1005-264x.2010.06.004 .

[22] WEN J S， GE Y， JIAO L， et al. Does urban land use decrease carbon sequestration： A case study in Taizhou， China［J］. Chinese Journal of Plant Ecology， 2010， 34（6）： 651-660. DOI：10.3773/j.issn.1005-264x.2010.06.004（Ch ）.

[23] WANG Z S， LIU Z J， HUANG M. NDVI joint process-based models drive a learning ensemble model for accurately estimating cropland net primary productivity （NPP）［J］. Frontiers in Environmental Science， 2024， 11： 1304400. DOI：10.3389/fenvs.2023.1304400 .

[24] SALLABA F， LEHSTEN D， SEAQUIST J， et al. A rapid NPP meta-model for current and future climate and CO₂ scenarios in Europe［J］. Ecological Modelling， 2015， 302： 29-41. DOI：10.1016/j.ecolmodel.2015.01.026 .

[25] HE L， LI C Y， HE Z W， et al. Evaluation and validation of the net primary productivity of the zoigê wetland based on grazing coupled remote sensing process model［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 440-447. DOI：10.1109/JSTARS.2021.3125099 .

[26] ZHANG R， ZHOU Y， LUO H X， et al. Estimation and analysis of spatiotemporal dynamics of the net primary productivity integrating efficiency model with process model in karst area［J］. Remote Sensing， 2017， 9（5）： 477. DOI：10.3390/rs9050477 .

[27] 洪辛茜， 黄勇， 孙涛. 我国西南喀斯特地区2001—2018年植被净初级生产力时空演变［J］. 生态学报， 2021， 41（24）： 9836-9846. DOI：10.5846/stxb202009122381 .

[28] HONG X Q， HUANG Y， SUN T. Spatiotemporal evolution of vegetation net primary productivity in the karst region of southwest China from 2001 to 2018［J］. Acta Ecologica Sinica， 2021， 41（24）： 9836-9846. DOI：10.5846/stxb202009122381（Ch ）.

[29] LIN Z Q， LIU Y Y， WEN Z M， et al. Spatial–temporal variation characteristics and driving factors of net primary production in the Yellow River Basin over multiple time scales［J］. Remote Sensing， 2023， 15（22）： 5273. DOI：10.3390/rs15225273 .

[30] CUI L L， SHI J. Temporal and spatial response of vegetation NDVI to temperature and precipitation in Eastern China［J］. Journal of Geographical Sciences， 2010， 20（2）： 163-176. DOI：10.1007/s11442-010-0163-4 .

[31] 贾俊鹤， 刘会玉， 林振山. 中国西北地区植被NPP多时间尺度变化及其对气候变化的响应［J］. 生态学报， 2019， 39（14）： 5058-5069. DOI：10.5846/stxb201808241810 .

[32] JIA J H， LIU H Y， LIN Z S. Multi-time scale changes of vegetation NPP in six provinces of northwest China and their responses to climate change［J］. Acta Ecologica Sinica， 2019， 39（14）： 5058-5069. DOI：10.5846/stxb201808241810（Ch ）.

[33] GUO X M， TONG S Q， REN J Y， et al. Dynamics of vegetation net primary productivity and its response to drought in the Mongolian Plateau［J］. Atmosphere， 2021， 12（12）： 1587. DOI：10.3390/atmos12121587 .

[34] 朱文泉， 潘耀忠， 张锦水. 中国陆地植被净初级生产力遥感估算［J］. 植物生态学报， 2007， 31（3）： 413-424. DOI: 10.17521/cjpe.2007.0050 .

[35] ZHU W Q， PAN Y Z， ZHANG J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing［J］. Journal of Plant Ecology， 2007， 31（3）： 413-424 （Ch）. DOI: 10.17521/cjpe.2007.0050 .

[36] LIAO Q P， WANG Z， HUANG C B. Green infrastructure offset the negative ecological effects of urbanization and storing water in the Three Gorges Reservoir area， China［J］. International Journal of Environmental Research and Public Health， 2020， 17（21）： 8077. DOI：10.3390/ijerph17218077 .

[37] 刘彦随， 璩路路. 近30年三峡库区用地格局变化与人地系统演化［J］. 长江流域资源与环境， 2022， 31（8）： 1664-1676. DOI：10.11870/cjlyzyyhj202208002 .

[38] LIU Y S， QU L L. Land use pattern change and human-earth system evolution in Three Gorges Reservoir area in recent 30 years［J］. Resources and Environment in the Yangtze Basin， 2022， 31（8）： 1664-1676. DOI：10.11870/cjlyzyyhj202208002（Ch ）.

[39] CHEN S S， MA M H， WU S J， et al. Topography intensifies variations in the effect of human activities on forest NPP across altitude and slope gradients［J］. Environmental Development， 2023， 45： 100826. DOI：10.1016/j.envdev.2023.100826 .

[40] MAJASALMI T， RAUTIAINEN M， STENBERG P， et al. Validation of MODIS and GEOV1 FPAR products in a boreal forest site in Finland［J］. Remote Sensing， 2015， 7（2）： 1359-1379. DOI：10.3390/rs70201359 .

[41] RIVAS-TABARES D A， SAA-REQUEJO A， MARTÍN-SOTOCA J J， et al. Multiscaling NDVI series analysis of rainfed cereal in central Spain［J］. Remote Sensing， 2021， 13（4）： 568. DOI：10.3390/rs13040568 .

[42] 张筠，张春华，张安定，等. 水热波动和土地覆盖变化对东北地区植被NPP的相对影响 ［J］. 生态学报， 2020， 40（21）： 7733-7744. DOI：10.5846/stxb201907161504 .

[43] ZHANG J， ZHANG C H， ZHANG A D， et al. Relative effects of hydrothermal fluctuation and land cover changes on vegetation net primary productivity in Northeast China［J］. Acta Ecologica Sinica， 2020， 40（21）： 7733-7744. DOI：10.5846/stxb201907161504 .

[44] DAS R， CHATURVEDI R K， ROY A， et al. Warming inhibits increases in vegetation net primary productivity despite greening in India［J］. Scientific Reports， 2023， 13： 21309. DOI：10.1038/s41598-023-48614-3 .

[45] 席颖， 陈婧怡， 纪道斌， 等. 三峡库区消落带生态环境影响研究进展［J］. 武汉大学学报（理学版）， 2024， 70（1）： 1-6. DOI：10.14188/j.1671-8836.2023.0259 .

[46] XI Y， CHEN J Y， JI D B， et al. Research progress on eco-environmental impact of the water level fluctuation zone in the Three Gorges Reservoir area［J］. Journal of Wuhan University （Natural Science Edition）， 2024， 70（1）： 1-6. DOI：10.14188/j.1671-8836.2023.0259（Ch ）.

[47] GU L H， BALDOCCHI D D， WOFSY S C， et al. Response of a deciduous forest to the mount pinatubo eruption： Enhanced photosynthesis［J］. Science， 2003， 299（5615）： 2035-2038. DOI：10.1126/science.1078366 .