Page 18 - 《高原气象》2026年第4期
P. 18

高     原      气     象                                 45 卷
              948
                                                                间存在结构性差异, 例如 FLUXNET 基于通量观测
                                                                升尺度的 GPP 数据(FluxCom)、 地面生态系统模型
                                                                模拟数据(MsTMIP)等全球产品在青藏高原地区的

                                                                通 量 估 算 值 差 异 较 大(Jung et al., 2020; Zeng et
                                                                al., 2020)。因此, 提升估算精度需从三方面着手:
                                                                一是加强高原中西部典型生态类型的站点建设与
                                                                长期观测, 二是整合卫星遥感数据(如 OCO-2、
                                                                GOSAT等)与“自上而下”大气反演模型构建多源约
                                                                束系统, 三是补充多尺度生态过程变量(如放牧压
                                                                力、 冻土动态、 湖泊碳外输)用于机制分析与模型
                                                                改进(Fu et al., 2022; Wang et al., 2023)。
                                                                    综上所述, 基于遥感和通量观测结合的区域通
                                                                量估算研究揭示了青藏高原草地生态系统在过去
                                                                数十年中持续增强的碳汇特征。碳通量的空间格
                                                                局高度异质, 东部为主要碳汇区, 西部则较为弱

                                                                化。温度和降水是决定区域碳汇能力的主要气候
                                                                因子, 其主导机制因生态系统类型而异。尽管当前
                                                                研究在空间覆盖与建模机制方面仍存在不足, 但随
               图3 1980 -2018年青藏高原净生态系统碳交换年总量
                                                                着通量观测网络的完善和遥感技术的发展, 区域尺
               NEE(a, 单位: g·C·m⁻²·a⁻¹)空间分布及其年际变化(b)
                                                                度碳循环的估算将不断趋于精细与准确, 为气候变
                           (改自Wang et al., 2023)
                                                                化背景下碳中和政策制定和生态工程实施提供科
               Fig. 3 Distribution of the annual net ecosystem carbon ex‐
                change (a, unit: g·C·m⁻²·a⁻¹) on the Qinghai-Xizang   学支持。
                 Plateau; and interannual variability of NEE from 1980
                    to 2018 (b) (adapted from Wang et al., 2023)  5  结论与展望

             际 NEE 变化可由降水解释, 而在 55% 的高寒草甸                           青藏高原 CO 通量观测研究取得了显著进展。
                                                                                2
             区域, 温度是主要影响因子(Wang et al., 2023)。                  历经多年, 通过多部门同力协作, 已建立起覆盖高
             总体来看, 温度与降水分别对NEE年际变异贡献约                           寒草甸、 草原、 灌丛、 森林、 湿地、 湖泊等典型生态
             为 62% 和 80%, 说明气候变化是青藏高原草地碳交                       系统的综合观测网络(TP-FluxNet)。观测资料表
             换变化的主要外在驱动因子(Wang et al., 2023)。                   明, 高寒草甸整体为强碳汇(年 NEE 多在−430~−10
             这种气候因子的主导作用与高寒草地生态系统典                              g·C·m⁻²·a⁻¹), 高寒草原次之(年 NEE 一般在−207~
             型的“温度限制-水分胁迫”环境相契合(Fu et al.,                      −17 g·C·m⁻²·a⁻¹), 灌丛类生态系统碳汇能力较弱
             2022; Piao et al., 2009)。此外, 区域内个别地点可
                                                               (年 NEE 多在-90~-40 g·C·m⁻²·a⁻¹); 而高寒湿地
             能存在放牧、 围栏、 冻土变化等影响因素, 但由于
                                                                和沼泽的 CO 交换非常活跃, 分布范围宽(−314~
             缺乏长期空间数据, 尚未纳入当前建模中统一考虑                                        2
                                                                478 g·C·m⁻²·a⁻¹), 部分地区甚至由碳汇转为碳源。
             (Wang et al., 2023)。
                                                                高原湖泊大多数表现为碳汇(-315~-47 g·C·m⁻²·a⁻¹),
                  在不确定性方面, 当前区域尺度 CO₂通量估算
                                                                但不同湖泊因面积大小、 水文条件及季节变化等因
             仍面临三个主要挑战: 其一, 通量站点分布不均,
                                                                素导致 CO₂通量差异显著。区域尺度上, 高原碳汇
             尤其是在青藏高原西部干旱草原区域缺乏代表性
             站点, 致使模型训练数据在空间上存在偏倚(Fu et                         主要分布在降水相对较多的东部和东北部地区, 而
             al., 2022; Wang et al., 2023); 其二, 机器学习模型          干旱少雨的西南和西北部则易成为碳源, 这与降水
             的输入变量有限, 尚未覆盖土壤水分、 冻土活跃层                           分布格局高度一致。综合上下游估算结果表明, 目
             厚度、 植被结构变化等关键生态因子, 这限制了模                           前青藏高原生态系统每年固碳26. 5~33. 7 Tg·C, 约
             型解释能力; 其三, 不同建模策略和遥感数据源之                           占 全 国 陆 地 生 态 碳 汇 的 10%~20%(Wang  et  al.,
   13   14   15   16   17   18   19   20   21   22   23