Journal of Marine Sciences >

2023 , Vol. 41 >Issue 1: 96 - 109

DOI: https://doi.org/10.3969-j.issn.1001-909X.2023.01.008

Assessment of carbon sink potential and driving factors of island forests on national nature reserve

  • WU Liangxu , 1, 2 ,
  • ZOU Huimin 1, 2 ,
  • CHEN Wei 3 ,
  • XU Minghai 3 ,
  • CAI Houcai 4 ,
  • CHEN Shuyi 5 ,
  • LI Xianglan , 1, 2, *
Expand
  • 1. College of Global Change Earth System Science, Beijing Normal University, Beijing 100875, China
  • 2. State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China
  • 3. Natural Resources and Planning Bureau of Pingyang County, Wenzhou 330326, China
  • 4. Nanji Island Marine Nature Reserve Administration, Wenzhou 330326, China
  • 5. Meteorological Bureau of Pingyang County, Wenzhou 325400, China

Received date: 2022-08-30

  Revised date: 2023-01-23

  Online published: 2023-04-28

Fold

Abstract

The monitoring of carbon flux dynamics and assessment of carbon sink functions of island forest ecosystems are rarely reported due to their special geographical location and few data sources. In this study, the forest ecosystem of the Nanji Island was used as the research object, the carbon sink potential of island forests and their driving factors were assessed. Based on eddy correlation techniques, the temporal variation characteristics and driving factors of net ecosystem productivity (NEP), gross primary productivity (GPP), and ecosystem respiration (Reco) from 2020 to 2021 were explored. Results showed that the forest ecosystem of Nanji Island was carbon sink. Net CO2 uptake in 2020 and 2021 were 516 g C·m-2·a-1 and 598 g C·m-2·a-1, Reco were 1 037 g C·m-2·a-1 and 1 646 g C·m-2·a-1, and GPP were 1 552 g C·m-2·a-1 and 2 244 g C·m-2·a-1, respectively. Total solar radiation (Rg), photosynthetically active radiation (PAR), net radiation (Rn) and sensible heat (H) were significantly and positively correlated with NEP and GPP (p≤0.001); air temperature (Tair) and soil temperature (Tsoil) were significantly and positively correlated with Reco(p≤0.001). The photosynthesis time of Nanji Island forest was longer than the carbon sink time on the daily scale. When Tair reached 10.05-27.76 ℃ and PAR reached 110.47-429.44 μmol·m-2·s-1, the photosynthesis intensity of island forest was higher than that of ecosystem respiration, which showed CO2 absorption. The monitoring and assessment of carbon fluxes in the forest ecosystems of Nanji Island will provide an important theoretical support for the establishment of a dynamic monitoring and assessment management system for blue carbon in China.

Key words： eddy covariance; blue carbon; carbon flux; gross primary productivity; ecosystem respiration; island forest

Cite this article

WU Liangxu , ZOU Huimin , CHEN Wei , XU Minghai , CAI Houcai , CHEN Shuyi , LI Xianglan . Assessment of carbon sink potential and driving factors of island forests on national nature reserve[J]. Journal of Marine Sciences, 2023 , 41(1) : 96 -109 . DOI: 10.3969-j.issn.1001-909X.2023.01.008

0 引言

2020年,中国政府在第75届联合国大会上提出了“力争CO2排放于2030年前达到峰值”和“争取2060年前实现碳中和”的宏伟目标[1]。生态系统固碳是实现碳中和国家战略的重要技术路径之一,是属于“基于自然的解决方案”,是我国生态文明建设的重要内容和基本要求[2]。其中蓝色碳汇是生态系统固碳的重要碳汇类型之一,海岛植被同红树林、盐沼、淤泥质光滩等海岸带蓝碳生态系统和岛群水体被列
为五种典型蓝碳生态系统,是推进生态系统固碳增汇的重点,也是建立健全蓝碳动态监测评估体系的重要内容①（① 浙江省自然资源厅.浙江省自然资源厅关于征求《浙江省自然资源领域海洋碳汇工作方案》意见的函. 2022-02-21.）。前人研究发现,澳大利亚东部沙岛的森林生态系统碳捕获能力高于相近位置的湿地生态系统和沼泽生态系统,辐射和温度对海岛森林生态系统的碳通量贡献度较高[3]。加拿大西北部湿地鱼岛在生长季节是净碳汇,光照水平和温度变化是昼夜净CO2吸收的控制因素,冰雪融化和物候是主要的季节性控制因素[4]。美国西南部和墨西哥之间的岛屿森林碳汇能力明显强于美国西部其他陆地森林[5]。海岛森林对净化空气、水土保持、涵养水源、调节气候等具有重要作用[6]。由于受地域限制、难以抵达、台风等因素影响,目前对海岛森林的生态监测,特别是碳汇功能监测十分缺乏,海岛森林尚未纳入蓝碳收支和森林碳汇估算体系中,可能是“未知碳汇”的重要组成部分[7-8]。因此,综合评估海岛森林碳循环过程的主要参量,包括净生态系统碳交换量(net ecosystem exchange, NEE)、总初级生产力(gross primary productivity, GPP)和生态系统呼吸(ecosystem respiration, Reco)将对补充海岛森林碳汇清单、建立我国蓝碳收支估算体系提供重要数据参考和理论支持。
涡度相关是一种微气象技术,是监测生态系统与大气间碳通量和水热通量的重要方法。基于涡度相关技术研究发现[9],蓝碳生态系统具有较高的固碳速率[10],如我国红树林、盐沼和海草床的年均固碳速率分别为209~973 g C·m2·a-1、865 g C·m2·a-1和367~646 g C·m2·a-1 [10⇓⇓-13]。利用涡度相关技术可获得海岛森林连续的、长时间序列的、高精度的数据集,从而为评估海岛森林碳汇功能及影响提供解决方案,将为蓝碳立体监测网络的建立提供重要技术保障。综合比较海岛森林的碳汇功能及贡献度,将为完善蓝碳收支体系的建立提供重要数据支撑。
本文以浙江省温州市平阳县南麂列岛国家级海洋自然保护区主岛南麂岛森林生态系统为研究对象,使用涡度相关技术定量评估该森林生态系统的碳汇功能,并探究南麂岛森林生态系统2020—2021年NEE、GPP与Reco的动态变化特征及其驱动因素,为建立我国蓝碳动态监测评估管理体系提供重要理论支撑。

1 区域概况与研究方法

1.1 研究区概况

南麂列岛位于浙江省温州市平阳县东南海域,区域总面积201.06 km2,陆域面积11.13 km2,主要由南麂岛、大檑山、小檑山、门屿和柴屿等52个面积大于500 m2的岛屿组成[14-15]。南麂列岛国家级自然保护区是中华人民共和国国务院正式批准建立的首批5个海洋类型自然保护区之一[15],建于1990年9月30日。1998年12月,经联合国教科文组织批准,南麂列岛国家级自然保护区加入世界生物圈保护区网络[15]。南麂列岛分布着较丰富的森林植被类型,基于涡度相关技术开展长期监测,将为定量评估保护区海岛森林的碳汇功能及其受气候变化的影响提供重要保障。
南麂岛(27.476°N,121.053°E)是南麂列岛52个岛屿中最大的岛屿,面积为7.64 km2,海岸线长31.12 km[14,16],海湾众多,受海浪和潮汐侵蚀明显。南麂岛属典型的亚热带季风性湿润气候,四季分明,光照充足,雨量丰沛,空气湿润,年均降水量和气温分别为1 172 mm和16.5 ℃,极端气温为-4.5 ℃和34.3 ℃[14],降水主要集中在夏季。南麂岛属于基岩质海岛,土壤类型主要为红壤、粗骨土和海滨盐土,岩性主要为流纹质晶屑熔结凝灰岩[17]。南麂岛森林主要为常绿阔叶林,乔木优势树种主要为野梧桐、木麻黄、台湾相思等,灌丛优势树种主要有滨柃等,草本植物以菊科、莎草科、禾本科为主[17]。

1.2 数据来源

涡度相关塔(也称通量塔)站点设在南麂岛上,南麂岛森林面积约为4.85 km2[14],通量塔可监测的碳通量与水热通量有效距离为1 km。涡度相关测量系统由开放式的CO2/H2O红外气体分析仪(LI-7500A, LI-COR Lincoln, NE, USA)和三维超声风速仪(GILL-WM, Gill Instruments, UK)组成,分别测量CO2 、H2O的摩尔密度和风速、风向;采用Biomet系统(7900-101, LI-COR, Lincoln, NE, USA)监测环境变量[3,18]。通量塔高10 m,空气温度探头、湿度探头(HMP155, Vaisala, Helsinki, Finland)分别测量空气温度和相对湿度,安装高度为4 m,根据温度和相对湿度计算水气压差;雨量筒安装高度为10 m;土壤温度探头(7900-180, LI-COR, Lincoln, NE, USA)和土壤水分传感器(Stevens Hydra probe II, Stevens water monitoring systems, Oregon, USA)安装深度分别为地面以下0.05 m、0.1 m和0.2 m,本文采用的是0.05 m深处的土壤温度和水分数据;光合有效辐射由量子传感器(PPFD, LI-190r, LI-COR Bioscience, Lincoln, NE, USA)、四分量辐射计和光合辐射计监测,仪器安装高度为6 m[18]。数据采样频率为10 Hz,系统存储0.5 h碳、水通量的平均数据,由分析仪接口单元(LI-7550, LI-COR Biosciences, Lincoln, NE, USA)记录。由于雨量筒设备故障,降水数据观测结果偏差较大,为此收集了南麂岛气象台站(27.46°N,121.09°E)的湿度和累积降水数据。日均湿度、日累积降水量数据为南麂岛气象台站(http://data.cma.cn/)实时监测数据。涡度相关测量系统于2019年底开始工作,监测了2020—2021年南麂岛森林生态系统与大气间的碳通量与水热通量。
图1 南麂岛森林通量塔位置(a)及实物图(b,c)

Fig.1 Location(a) and photos(b,c) of the forest flux tower on Nanji Island

1.3 数据质量控制

涡度相关测量系统所测为10 Hz的高频数据,使用Eddypro软件进行计算和校正,处理成0.5 h的低频数据,主要包括二次坐标轴旋转[19]、趋势校正、空气密度校正[20]、超声波温度校正、统计检验、 频谱损失校正[21]等。受水汽、风速、天气变化和仪器设备故障等影响,Eddypro软件输出的0.5 h通量数据也会有一些“噪声”或是数据缺失,需要对数据进行质量控制,剔除“噪声”值,主要包括:1)剔除NEE质量标记为2的数据[22];2)剔除夜间NEE小于 0的数据、降雨量大于0的数据和CO2信号强度小于70的数据;3)排除超出合理阈值范围的异常值[23]。采用动点法确定摩擦风速u*阈值为0.61 m/s,去除夜间摩擦风速小于该阈值的通量数据[24]。为更好地处理异常值,计算7 d内有效观测数据的平均值(MEAN)和标准差(STD),若被检测值不属于(MEAN-3×STD,MEAN+3×STD)区间范围,则剔除。质量控制后最终保留了51.4%的有效NEE数据,与以往研究中有效数据量基本一致[25]。使用Reddyproc[9]软件包基于NEE有效数据的时间变化规律和总辐射(global radiation, Rg)、空气温度(air temperature, Tair)、饱和水汽压差(vapour pressure difference, VPD)3个环境因素对NEE数据进行插补。

1.4 数据分析

在白天,涡度相关法测量的NEE是光合作用和呼吸作用的共同结果;在夜间,NEE仅为呼吸作用产出的CO2[23]。基于Arrhenius模型,建立夜间NEE对Tair的响应关系,详细步骤见参考文献[26]。
Reco通过下式进行计算:
Reco=rb×exp{E0[1/(Tref-T0)-1/(Tair-T0)]}
式中:Tref表示参考空气温度;Tair表示实际空气温度;T0表示初始空气温度,设为-46.02 ℃[27];rb表示参考温度下的基础呼吸(Tref为15 ℃);E0表示温度敏感性。
GPP基于Reco和NEE计算得到[26]:
GPP=Reco-NEE
NEE为负值表示吸收CO2,正值表示释放CO2。净生态系统生产力(net ecosystem productivity, NEP)与NEE的关系为:
NEP=-NEE
计算2020—2021年每日碳通量、环境因素的平均值,降水累积值,绘制碳通量和环境因子的变化趋势图。计算2020年和2021年各月份相同时刻NEE、GPP和Reco的平均值,得到不同季节各月份碳通量日变化,并按照春(3—5月)、夏(6—8月)、秋(9—11月)、冬(12—翌年2月)划分为四季,根据0.5 h碳通量累加得到年累积碳汇值。估算海岛森林日出、日落时间(基于Python程序的算法,名称为Solar.py)[28] 用于比较日尺度上CO2吸收开始和结束时主要的控制因素。基于主成分分析评估在0.5 h尺度上影响NEP、GPP与Reco的主要控制因素,每个变量对主成分轴的贡献可从载荷矩阵中得到[29]。为进一步确定环境因素与碳通量间的关系,基于2020—2021年GPP、Reco、NEP与环境因素的0.5 h有效数据,使用Excel 2013和Origin 2021软件计算不同环境因素和碳通量间的Pearson 相关系数并进行t检验,其中降水数据来源于气象站点日降水量的0.5 h平均值。本文数据制图皆基于软件Origin 2021。

2 结果与分析

2.1 海岛森林环境因子年际变化趋势

南麂岛属典型的亚热带季风性湿润气候,气象变量[空气温度(air temperature, Tair)、土壤温度(soil temperature, Tsoil)、降雨量(precipitation, P)、光合有效辐射(photosynthetically active radiation, PAR)、饱和水汽压差(vapour pressure difference, VPD)、相对湿度(relative humidity, RH)]和热通量[潜热(latent heat, LE)、显热(sensible heat, H)]都表现出明显的季节性(图2)。PAR的日均值变化范围为0~697.86 μmol·m-2·s-1,呈先上升后下降的单峰变化趋势,2020年和2021年PAR的最大日均值分别为697.86和648.43 μmol·m-2·s-1(图2)。Tair、Tsoil、P、VPD的日平均值变化趋势与PAR的日平均变化趋势较为一致(图2a~2c)。Tair和Tsoil的日均值变化范围分别为2.34~29.21 ℃和9.36~29.08 ℃;2020和2021年降水总量分别为1 042.5 mm和1 487.6 mm,两年的春季(3—5月)和夏季(6—8月)降水总量为1 626.3 mm,占两年降水总量的64.3%;VPD的最大日均值为5.64 kPa。RH在夏季较高,其他月份波动变化较大,其日均值在2020—2021年的变化范围为40%~100%(图2)。
图2 2020—2021年海岛森林不同环境因子变化趋势

Fig.2 Trends of different environmental factors in island forests during 2020-2021

2.2 海岛森林NEE,GPP与Reco年际变化趋势

2020年和2021年海岛森林生态系统整体表现为“碳汇”,0.5 h NEE变化范围分别为-5.65~6.58 μmol·m-2·s-1和-6.99~8.66 μmol·m-2·s-1(图3a),年均NEE分别为-1.37 μmol·m-2·s-1和-1.58 μmol·m-2·s-1。2020年和2021年NEP分别为516 g C·m-2·a-1和598 g C·m-2·a-1,Reco分别为1 037 g C·m-2·a-1和1 646 g C·m-2·a-1,GPP分别为1 552 g C·m-2·a-1和2 244 g C·m-2·a-1(图3b~3c)。2021年4—9月0.5 h NEE数值相对2020年同期数值变化范围较大,且2021年累积碳通量变化速率也大于2020年;2021年GPP和Reco变化曲线出现多个峰值,但2020年仅在6月左右出现峰值(图3)。碳通量累积值变化规律明显,累积GPP和累积Reco逐日增加趋势基本一致,且GPP始终高于Reco,累积NEE始终为负值且逐日减小。2021年碳通量变化速率相对2020年更大,表明海岛森林累积碳汇功能逐渐增强。2020—2021年海岛森林累积NEP为1 114 g C·m-2,约占累积GPP(3 796 g C·m-2)的29.3%,即植被光合作用固碳量约有29.3%被存储下来。
图3 2020年和2021年海岛森林净生态系统碳交换(NEE)、植被总初级生产力(GPP)和生态系统呼吸(Reco)的变化趋势及累积状况

Fig.3 Change trends and cumulative status of NEE, GPP and Reco in island forests during 2020-2021

2.3 海岛森林NEE,GPP与Reco不同季节日变化趋势

2020—2021年南麂岛海岛森林总体发挥着“碳汇”功能,其中夏季和秋季碳汇作用较强,在日变化趋势图中NEE呈“U”型曲线,GPP和Reco呈倒“U”型曲线(图4)。2021年各季节的NEE最小值均低于2020年,各季节GPP和Reco日变化曲线整体高于2020年(图4)。NEE和GPP日变化幅度在冬季最小,秋季和夏季较大,说明秋季和夏季植被的光合作用能力较强(图4a~4d)。各季节NEE大约在8:00—17:00为负,即生态系统主要表现为吸收CO2,其他时间为正值即主要为释放CO2,且日间吸收CO2的强度明显大于夜间释放CO2的强度(图4a~4b)。日出后(约6:00),辐射和气温增加,光合作用逐渐增强,NEE由正值向负值转变,从8:00左右开始逐步实现CO2排放—净平衡—吸收的转变,在正午12:00左右NEE达到最小值,然后开始逐渐增大,并在日落前(约17:30)由负值转变为正值,开始释放CO2。夏季和秋季海岛森林生态系统日间CO2吸收通量和夜间CO2释放通量相对较大,出现了不同的吸收峰值。
图4 2020年和2021年海岛森林不同季节净生态系统碳交换(NEE)、植被总初级生产力(GPP)和生态系统呼吸(Reco)日变化趋势图

Fig.4 Daily chang trends in NEE, GPP and Reco in island forests by season in 2020 and 2021

GPP的日变化呈抛物线,中午11:00—13:00,海岛森林光合作用强度达到峰值,夏季和秋季高于春季和冬季。2020年夏季和秋季Reco较为一致,而秋季的GPP较高,因此海岛森林在秋季的碳汇功能强于其他季节。2021年海岛森林夏季Reco显著高于其他季节,而秋季较低的Reco和较高的GPP促使海岛森林在秋季发挥较强的碳汇功能(NEE最小值为-15.23 μmol·m-2·s-1),与夏季(NEE最小值为-14.35 μmol·m-2·s-1)几乎相当。
海岛森林日出至日落时间为6:00—17:30,碳吸收(NEE<0)时间为8:00—17:00,相对光合作用发生时间,海岛森林发挥碳汇功能的时间滞后。结合PAR和Tair的日变化趋势(图5)分析可知,日出前和日落后Tair相对较低,太阳辐射较弱,PAR和光合作用强度较弱,生态系统呼吸作用大于光合作用,海岛森林表现为释放CO2;当Tair达到10.05~27.76 ℃,PAR达到110.47~429.44 μmol·m-2·s-1时,海岛森林光合作用强度高于生态系统呼吸作用,表现为吸收CO2。日落时Tair相对日出时更高,植物气孔导度较小,呼吸作用较强[30],因此,日落时从CO2吸收转变为CO2释放经历的时间较短。
图5 2020年和2021年海岛森林不同季节光合有效辐射(PAR)和气温(Tair)的日变化趋势

(红色阴影为碳吸收时间段,灰色阴影为日出至日落时间段。)

Fig.5 Daily change trends in PAR and Tair in island forests by season in 2020 and 2021

(The shade of red is the carbon absorption period and the shade of gray is the sunrise to sunset period.)

2.4 2020—2021年海岛森林碳通量的影响因素

综合各环境因子与NEP、GPP和Reco的主成分分析结果,选取环境因子贡献率大于20%,特征值大于2的两个主成分,两者总累积贡献率为55.4%,其中第一主成分贡献率为32.5%,第二主成分的贡献率为22.9%(图6)。根据贡献率(>20%)和因子影响程度(>0.3),确定第一主成分的关键因子为总辐射(Rg)、光合有效辐射(PAR)、净辐射(Rn)和显热(H);第二主成分的关键因子为空气温度(Tair)、土壤温度(Tsoil)、相对湿度(RH)和土壤含水量(SWC)。结果显示,Rg、PAR、Rn、H与GPP呈较强的正相关,而Tair和Tsoil与Reco呈较强的正相关(图6)。
图6 2020—2021年海岛森林碳通量环境因子主成分分析

Fig.6 Principal component analysis of environmental factors for carbon fluxes in island forests during 2020-2021

各环境因子与NEP、GPP和Reco的相关性结果显示(图7),NEP与GPP显著正相关,相关系数为0.97(p≤0.001),表明呼吸强度相同的情况下,NEP随GPP的增强而增加,即随光合作用的增强而增强。GPP与H、Rg、PAR、Rn皆呈显著正相关,相关系数变化范围为0.72~0.79(p≤0.001),即这4个因子会影响GPP进而影响NEP的大小。Reco与Tair、Tsoil、SWC、DOY(表示一年中的第几天,day of year)显著正相关(p≤0.001),相关系数变化范围为0.58~0.81,表明水热因素(特别是温度)对南麂岛森林碳储量有重要影响,这与前人研究结果一致[25,31]。
图7 2020—2021年海岛森林碳通量与环境因子相关性

(图中参数的解释说明参见图6。)

Fig.7 Correlation coefficients between carbon fluxes and environmental factors in island forests during 2020-2021

(See Figure 6 for an explanation of the parameters in the figure.)

3 讨论

3.1 海岛森林生态系统碳汇功能分析

受降水量和气温等环境因素影响,南麂岛2021年NEP(598 g C·m-2·a-1)高于2020年(516 g C·m-2·a-1),两年平均值为557 g C·m-2·a-1,与以往海岛森林研究结果(359~651 g C·m-2·a-1)较为一致(表1)。受气候环境、水文条件和地理位置等综合因素影响,红树林、盐沼湿地和海草床的NEP表现出较大的地域性差异,其NEP变化范围分别为73.8~2 101.77 g C·m-2·a-1、237~901 g C·m-2·a-1和367~646 g C·m-2·a-1(表1)。统计分析表明,全球范围内红树林、盐沼、海草床三类海岸带蓝碳生态系统和海岛森林生态系统的碳汇通量中值分别为721 g C·m-2·a-1、522 g C·m-2·a-1、507 g C·m-2·a-1和503 g C·m-2·a-1,南麂岛海岛森林年均碳汇通量分别为红树林、盐沼、海草床和海岛森林碳汇通量的77%、107%、110%和111%,表明南麂岛海岛森林年均碳汇通量相对其他3类海岸带蓝碳生态系统处于较高水平,提高海岛森林固碳潜力评估的精确度将有利于完善我国海洋蓝碳收支估算体系。
表1 全球范围内典型地区海岸带蓝碳生态系统的净生态系统生产力 (NEP)

Tab.1 NEP in blue carbon ecosystems of coastal zone in typical regions on a global scale

研究区域 经纬度 蓝碳类型 NEP/(g C·m-2·a-1) 参考文献
广东高桥 21.56°N, 109.75°E 自然红树林 2 101.77 文献[32]
福建云霄 23.92°N, 117.41°E 自然红树林 540~1 233 文献[25]
广东雷州 20.00°N, 110.09°E 恢复红树林 1 105.15 文献[32]
香港米埔 22.49°N, 114.3°E 恢复红树林 690~890 文献[33]
广东高桥 21.56°N, 109.75°E 自然红树林 721 文献[34]
广东珠江口 22.60°N, 113.64°E 恢复红树林 175 文献[35]
中国 红树林 209~973 文献[10,13]
Florida Everglades, USA 25.364 6°N, 81.077 9°W 自然红树林 832~1 170 文献[36]
Sundarbans, India 20.82°N, 88.61°E 自然红树林 249 文献[37]
New Caledonia, France 20.937 5°N, 164.658 3°E 自然红树林 73.8 文献[38]
全球 红树林 649.89 文献[39]
上海长江口 31.213 0°N, 121.906 9°E 盐沼湿地 901 文献[40]
上海九段沙 31.213 0°N, 121.906 9°E 盐沼湿地 550~869 文献[41]
上海崇明东滩 31.516 6°—31.516 9°N, 121.960 0°—121.971 6°E 盐沼湿地 518~737 文献[42]
山东黄河三角洲 37.763 8°N, 118.973 3°E 盐沼湿地 237~261 文献[43]
中国 盐沼湿地 865 文献[12]
Massachusetts, USA 42.736°N, 70.828°W 盐沼湿地 256~337 文献[18]
全球 盐沼 522.17 文献[39]
全球 海草床 367~646 文献[11]
Tucson, USA
Arizona, USA		 32.416 6°N, 110.725 3°W 海岛森林 371~651 文献[5]
Vancouver Island, Canada 49.519 4°—49.872 2°N, 124.901 6°—125.335 0°W 海岛森林 359 ~635 文献[44]
浙江南麂岛 27.476°N, 121.053°E 海岛森林 516~598 本研究

注:表中自然红树林是指野生红树林,恢复红树林是指人为参与种植或培育的红树林。以往研究在统计全球或中国的NEP时,未指明红树林、盐沼或海草床的类型,故此表格中也未作区分。

以往研究指出,内陆湿地和沿海湿地NEP分别为93和208 g C·m-2 [39]。海岛森林的NEP约为内陆和沿海湿地的6.0倍和2.7倍,表明海岛森林蓝碳类型具有较高的固碳潜力。NEP/GPP是表征植被固碳潜力的另一重要指标,沿海湿地NEP/GPP均值为33%,随纬度增加呈递减模式,欧洲和美国森林的NEP/GPP为29%[39]。南麂岛海岛森林NEP/GPP为29.3%,即GPP对NEP的分配量略低于沿海湿地,与欧洲和美国森林相当。除植被类型不同外,沿海湿地的厌氧条件导致微生物活动低,分解率低,更有利于CO2的封存[39],这是其NEP/GPP比值略高的重要原因 。

3.2 海岛森林生态系统碳通量影响因素分析

2020年和2021年夏季和秋季GPP的增加幅度大于Reco的上升幅度(图4),即光合作用的增加程度高于呼吸作用,使得累积CO2吸收量也增加。在整体趋势上表现为累积GPP、累积Reco在夏季增加趋势明显,而春季较弱。春季末期强降雨使得海岛森林水分充足(图2),对树木生长、吸收CO2发挥重要作用。夏季气温升高,植被光合作用和呼吸作用均增强,森林植被快速生长,植被根、茎、叶所需的营养物质逐渐增加,植被呼吸作用产生的CO2增多[39]。
南麂岛海岛森林碳汇通量受总辐射(Rg)、光合有效辐射(PAR)、净辐射(Rn)、显热(H)、土壤温度(Tsoil)和空气温度(Tair)等综合因素的影响。H、Rg、PAR、Rn与NEP和GPP呈显著正相关(p≤0.001)(图6~图7)。太阳辐射是植被光合作用的必要条件,且森林的冠层结构复杂,太阳辐射增加会让更多的叶片暴露在漫反射的辐射光线下,参与光合作用的树冠也更多,进而使得GPP升高[45]。南麂岛森林主要为常绿阔叶林,植被覆盖的季节性变化较小,太阳辐射会促进植被吸收CO2。PAR表现为NEP的主要驱动因素,在不同生态系统中,NEP对PAR的响应趋势受特定因素(如VPD和Tair)的阈值限定[32,38],在本研究中NEP与VPD和Tair不相关(p≤0.001)(图7)。0.5 h尺度上H与GPP显著正相关,H是评价植被光合作用过程中水分胁迫的重要指标[46]。南麂岛森林的温度变化显著影响Reco,Tair和Tsoil与Reco呈显著正相关,与GPP的相关性较弱(图7)。水分增加可能会限制土壤中气体或物质的扩散速率[26,47],也可能促进碳吸收[39]。0.5 h尺度上南麂岛森林SWC对NEP的影响并不显著,这是因为研究区紧邻海洋,短时间内水分条件变化对NEP的影响相对辐射因素和温度因素较弱[48]。

4 结论与展望

本文基于涡度相关数据探究了2020—2021年南麂岛森林生态系统的固碳速率,揭示了CO2通量与环境因子的关系,得出如下结论。
1)南麂岛森林生态系统表现为“碳汇”,2020年和2021年NEP分别为516 g C·m-2·a-1和598 g C·m-2·a-1,Reco分别为1 037 g C·m-2·a-1和1 646 g C·m-2·a-1,GPP分别为1 552 g C·m-2·a-1和2 244 g C·m-2·a-1。
2)海岛森林日出至日落的时间为6:00—17:30,碳吸收的时间为8:00—17:00。日出、日落时较低的Tair和太阳辐射,是导致光合作用时间和碳吸收时间不一致的主要原因。
3)主成分分析结果表明,2020—2021年太阳总辐射(Rg)、光合有效辐射(PAR)、净辐射(Rn)、显热(H)与NEP和GPP呈显著正相关(p≤0.001),促进CO2吸收;空气温度(Tair)和土壤温度(Tsoil)与Reco呈显著正相关(p≤0.001),促进CO2排放。
海岛是维护国家海洋权益、保护海洋生态的桥头堡,海岛森林发挥着净化空气、水土保持、涵养水源、调节气候等重要作用,尤其对海岛保护与可持续发展意义重大。由于受地域限制、难以抵达、台风等影响,海岛森林碳汇储量尚未纳入岛群生态系统碳储量和碳汇能力估算体系中。基于涡度相关技术监测海岛森林碳通量将为海岛生态系统碳汇评估提供重要的数据基础与理论支持,可为浙江省自然资源领域海洋碳汇工作方案落实提供重要参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王灿, 张雅欣. 碳中和愿景的实现路径与政策体系[J]. 中国环境管理, 2020, 12(6):58-64.

WANG C, ZHANG Y X. Implementation pathway and policy system of carbon neutrality vision[J]. Chinese Journal of Environmental Management, 2020, 12(6): 58-64.

[2]
韩扬眉. 中国工程院发布《我国碳达峰碳中和战略及路径》成果[N]. 中国科学报,2022-04-01(1)[2022-06-26].

HAN Y M. Chinese Academy of Engineering Releases Results of “China's Carbon Neutral Strategy and Pathway to Reach Peak Carbon”[N]. China Science News, 2022-04-01(1)[2022-06-26].

[3]
LOWRY A L, MCGOWAN H A, GRAY M A. Multi-year carbon and water exchanges over contrasting ecosystems on a sub-tropical sand island[J]. Agricultural and Forest Meteorology, 2021, 304/305: 108404.

DOI

[4]
SKEETER J, CHRISTEN A, HENRY G H R. Controls on carbon dioxide and methane fluxes from a low-center polygonal peatland in the Mackenzie River Delta, Northwest Territories[J]. Arctic Science, 2022, 8(2): 471-497.

DOI

[5]
KNOWLES J F, SCOTT R L, MINOR R L, et al. Ecosystem carbon and water cycling from a sky island montane forest[J]. Agricultural and Forest Meteorology, 2020, 281: 107835.

DOI

[6]
妥彬, 田文斌, 郭超, 等. 中国东部海岛森林和灌丛土壤碳氮磷养分库的纬度变化[J]. 应用生态学报, 2019, 30(8):2631-2638.

TUO B, TIAN W B, GUO C, et al. Latitudinal variation in soil carbon, nitrogen and phosphorus pools across island forests and shrublands in Eastern China[J]. Chinese Journal of Applied Ecology, 2019, 30(8): 2631-2638.

DOI

[7]
WONG C S. Atmospheric input of carbon dioxide from burning wood[J]. Science, 1978, 200(4338): 197-200.

PMID

[8]
ZHANG Y P, TAN Z H, SONG Q H, et al. Respiration controls the unexpected seasonal pattern of carbon flux in an Asian tropical rain forest[J]. Atmospheric Environment, 2010, 44(32): 3886-3893.

DOI

[9]
WUTZLER T, LUCAS-MOFFAT A, MIGLIAVACCA M, et al. Basic and extensible post-processing of eddy covariance flux data with REddyProc[J]. Biogeosciences, 2018, 15(16): 5015-5030.

DOI

[10]
MCLEOD E, CHMURA G L, BOUILLON S, et al. A blueprint for blue carbon: Toward an improved understanding of the role of vegetated coastal habitats in sequestering CO2[J]. Frontiers in Ecology and the Environment, 2011, 9(10): 552-560.

DOI

[11]
KENNEDY H, BEGGINS J, DUARTE C M, et al. Seagrass sediments as a global carbon sink: Isotopic constraints[J]. Global Biogeochemical Cycles, 2010, 24: GB4026.

[12]
段晓男, 王效科, 逯非, 等. 中国湿地生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2):463-469.

DUAN X N, WANG X K, LU F, et al. Carbon seques-tration and its potential by wetland ecosystems in China[J]. Acta Ecologica Sinica, 2008, 28(2): 463-469.

DOI

[13]
张莉, 郭志华, 李志勇. 红树林湿地碳储量及碳汇研究进展[J]. 应用生态学报, 2013, 24(4):1153-1159.

ZHANG L, GUO Z H, LI Z Y. Carbon storage and carbon sink of mangrove wetland: Research progress[J]. Chinese Journal of Applied Ecology, 2013, 24(4): 1153-1159.

[14]
蔡厚才. 南麂列岛国家级海洋自然保护区简志[M]. 北京: 海洋出版社, 2021.

CAI H C. Brief notes on Nanji Islands national marine nature reserve[M]. Beijing: China Ocean Press, 2021.

[15]
潘怡, 叶属峰, 刘星, 等. 南麂列岛海域生态系统服务及价值评估研究[J]. 海洋环境科学, 2009, 28(2):176-180.

PAN Y, YE S F, LIU X, et al. Studies on marine ecosystem services and valuation: A case of Nanji Archipelagos Natural Marine Reserve[J]. Marine Environmental Science, 2009, 28(2): 176-180.

[16]
郭敬, 李尚鲁, 李婷, 等. 南麂岛重现期波高空间分布特征分析[J]. 海洋预报, 2020, 37(5):86-94.

GUO J, LI S L, LI T, et al. Characteristics of wave height spatial distribution with different return periods in Nanji Island[J]. Marine Forecasts, 2020, 37(5): 86-94.

[17]
戎建涛, 朱弘, 库伟鹏, 等. 浙江南麂岛主要森林植被群落学特征研究[J]. 西北林学院学报, 2017, 32(2):294-300.

RONG J T, ZHU H, KU W P, et al. Characteristics of vegetation communities of the main forest types in Nanji Island, Zhejiang Province[J]. Journal of Northwest Forestry University, 2017, 32(2): 294-300.

[18]
FORBRICH I, GIBLIN A E. Marsh-atmosphere CO2 exchange in a New England salt marsh[J]. Journal of Geophysical Research: Biogeosciences, 2015, 120(9): 1825-1838.

DOI

[19]
WILCZAK J M, ONCLEY S P, STAGE S A. Sonic anemometer tilt correction algorithms[J]. Boundary-Layer Meteorology, 2001, 99(1): 127-150.

DOI

[20]
WEBB E K, PEARMAN G I, LEUNING R. Correction of flux measurements for density effects due to heat and water vapour transfer[J]. Quarterly Journal of the Royal Meteorological Society, 1980, 106(447): 85-100.

DOI

[21]
ALVAREZ-RAMIREZ J, RODRIGUEZ E, ARLOS ECHEVERRÍA J. CDetrending fluctuation analysis based on moving average filtering[J]. Physica A: Statistical Mechanics and Its Applications, 2005, 354: 199-219.

DOI

[22]
MAMMARELLA I, PELTOLA O, NORDBO A, et al. Quantifying the uncertainty of eddy covariance fluxes due to the use of different software packages and combinations of processing steps in two contrasting ecosystems[J]. Atmospheric Measurement Techniques, 2016, 9(10): 4915-4933.

DOI

[23]
WATHAM T, SRINET R, NANDY S, et al. Environmental control on carbon exchange of natural and planted forests in Western Himalayan foothills of India[J]. Biogeochemistry, 2020, 151(2): 291-311.

DOI

[24]
PAPALE D, REICHSTEIN M, AUBINET M, et al. Towards a standardized processing of Net Ecosystem Exchange measured with eddy covariance technique: Algorithms and uncertainty estimation[J]. Biogeosciences, 2006, 3(4): 571-583.

DOI

[25]
ZHU X D, QIN Z C, SONG L L. How land-sea interaction of tidal and sea breeze activity affect mangrove net ecosystem exchange?[J]. Journal of Geophysical Research: Atmos-pheres, 2021, 126: e2020JD034047.

[26]
REICHSTEIN M, FALGE E, BALDOCCHI D, et al. On the separation of net ecosystem exchange into assimilation and ecosystem respiration: Review and improved algorithm[J]. Global Change Biology, 2005, 11(9): 1424-1439.

DOI

[27]
LLOYD J, TAYLOR J A. On the temperature dependence of soil respiration[J]. Functional Ecology, 1994, 8(3): 315.

DOI

[28]
陈吉泉. 生态系统分析中的生物物理模型及应用[M]. 北京: 高等教育出版社, 2021.

CHEN J Q. Biophysical models and applications in ecosystem analysis[M]. Beijing: Higher Education Press, 2021.

[29]
LI X L, ZIADI N, BÉLANGER G, et al. Cadmium accumulation in wheat grain as affected by mineral N fertilizer and soil characteristics[J]. Canadian Journal of Soil Science, 2011, 91(4): 521-531.

DOI

[30]
BARBOUR M M, CERNUSAK L A, WHITEHEAD D, et al. Nocturnal stomatal conductance and implications for modelling δ18O of leaf-respired CO2 in temperate tree species[J]. Functional Plant Biology, 2006, 32(12): 1107-1121.

DOI

[31]
ZOU H M, CHEN J Q, SHAO C L, et al. Model selection for ecosystem respiration needs to be site specific: Lessons from grasslands on the Mongolian Plateau[J]. Land, 2022, 11(1): 87.

DOI

[32]
CUI X W, LIANG J, LU W Z, et al. Stronger ecosystem carbon sequestration potential of mangrove wetlands with respect to terrestrial forests in subtropical China[J]. Agricultural and Forest Meteorology, 2018, 249: 71-80.

DOI

[33]
LIU J G, ZHOU Y L, VALACH A, et al. Methane emissions reduce the radiative cooling effect of a subtropical estuarine mangrove wetland by half[J]. Global Change Biology, 2020, 26(9): 4998-5016.

DOI

[34]
陈卉. 中国两种亚热带红树林生态系统的碳固定、掉落物分解及其同化过程[D]. 厦门: 厦门大学, 2013.

CHEN H. Carbon sequestration, litter decomposition and consumption in two subtropical mangrove ecosystems of China[D]. Xiamen: Xiamen University, 2013.

[35]
ZHAO X S, WANG C L, LI T T, et al. Net CO2 and CH4 emissions from restored mangrove wetland: New insights based on a case study in estuary of the Pearl River, China[J]. Science of the Total Environment, 2022, 811: 151619.

DOI

[36]
BARR J G, ENGEL V, FUENTES J D, et al. Controls on mangrove forest-atmosphere carbon dioxide exchanges in western Everglades National Park[J]. Journal of Geophysical Research, 2010, 115: G02020.

[37]
RODDA S, THUMATY K, JHA C, et al. Seasonal variations of carbon dioxide, water vapor and energy fluxes in tropical Indian mangroves[J]. Forests, 2016, 7(2): 35.

DOI

[38]
LEOPOLD A, MARCHAND C, RENCHON A, et al. Net ecosystem CO2 exchange in the “Coeur de Voh” mangrove, New Caledonia: Effects of water stress on mangrove productivity in a semi-arid climate[J]. Agricultural and Forest Meteorology, 2016, 223: 217-232.

DOI

[39]
LU W Z, XIAO J F, LIU F, et al. Contrasting ecosystem CO2 fluxes of inland and coastal wetlands: A meta-analysis of eddy covariance data[J]. Global Change Biology, 2017, 23(3): 1180-1198.

DOI

[40]
HUANG Y, CHEN Z H, TIAN B, et al. Tidal effects on ecosystem CO2 exchange in a Phragmites salt marsh of an intertidal shoal[J]. Agricultural and Forest Meteorology, 2020, 292/293: 108108.

DOI

[41]
陈梓涵. 九段沙潮汐盐沼湿地CO2通量及影响机制研究[D]. 上海: 华东师范大学, 2020.

CHEN Z H. Ecosystem carbon flux and its influencing mechanisms over a salt marsh in the Jiuduansha shoals[D]. Shanghai: East China Normal University, 2020.

[42]
YAN Y E, GUO H Q, GAO Y, et al. Variations of net ecosystem CO2 exchange in a tidal inundated wetland: Coupling MODIS and tower-based fluxes[J]. Journal of Geophysical Research, 2010, 115: D15102.

[43]
HAN G X, CHU X J, XING Q H, et al. Effects of episodic flooding on the net ecosystem CO2 exchange of a supratidal wetland in the Yellow River Delta[J]. Journal of Geophysical Research: Biogeosciences, 2015, 120(8): 1506-1520.

DOI

[44]
METSARANTA J M, TROFYMOW J A, BLACK T A, et al. Long-term time series of annual ecosystem production (1985—2010) derived from tree rings in Douglas-fir stands on Vancouver Island, Canada using a hybrid biometric-modelling approach[J]. Forest Ecology and Management, 2018, 429: 57-68.

DOI

[45]
CHENG S J, BOHRER G, STEINER A L, et al. Variations in the influence of diffuse light on gross primary productivity in temperate ecosystems[J]. Agricultural and Forest Meteorology, 2015, 201: 98-110.

DOI

[46]
YUAN W P, LIU S G, ZHOU G S, et al. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes[J]. Agricultural and Forest Meteorology, 2007, 143 (3): 189-207.

DOI

[47]
VEENENDAAL E M, KOLLE O, LLOYD J. Seasonal variation in energy fluxes and carbon dioxide exchange for a broad-leaved semi-arid savanna (Mopane woodland) in Southern Africa[J]. Global Change Biology, 2004, 10(3): 318-328.

DOI

[48]
VAN DER HAGE J C H. Intercepted flux and the horizontal component of solar radiation[J]. Theoretical and Applied Climatology, 1995, 52: 143-149.

DOI

Options
Outlines

/

〈 〉