基于TRIPLEX模型的浙江省主要森林類(lèi)型生物量模擬及敏感性分析

張 駿，葛 瀅，高智慧，吳初平，黃玉潔，焦?jié)崫崳?波，常 杰*

（1. 浙江省林業(yè)科學(xué)研究院，浙江 杭州 310023；2. 浙江省林業(yè)技術(shù)推廣總站，浙江 杭州 310020；3. 浙江大學(xué) 生命科學(xué)學(xué)院，浙江 杭州 310058）

基于TRIPLEX模型的浙江省主要森林類(lèi)型生物量模擬及敏感性分析

張 駿1,2，葛 瀅3，高智慧2，吳初平1，黃玉潔1，焦?jié)崫?，江 波1，常 杰3*

（1. 浙江省林業(yè)科學(xué)研究院，浙江 杭州 310023；2. 浙江省林業(yè)技術(shù)推廣總站，浙江 杭州 310020；3. 浙江大學(xué) 生命科學(xué)學(xué)院，浙江 杭州 310058）

TRIPLEX模型是一種新興混合模型，提供了一種整合目前模型并能有效解決所面臨問(wèn)題的觀念和方法。本文以浙江省21個(gè)縣4種主要林型（常綠闊葉林、針闊混交林、馬尾松林和杉木林）、林齡5 ~ 50 a的147個(gè)樣地森林生長(zhǎng)和產(chǎn)量調(diào)查實(shí)測(cè)作為模型模擬和檢驗(yàn)的數(shù)據(jù)，用TRIPLEX模型模擬和檢驗(yàn)了樣地的林分密度、樹(shù)高、胸徑、凋落物庫(kù)、地上和總生物量，結(jié)果表明：4種主要林型的林地生長(zhǎng)和產(chǎn)量模擬值和野外實(shí)測(cè)值的相關(guān)系數(shù)極高（p < 0.001），兩者之間的偏差也較小；各個(gè)林型的地上及總生物量的模擬值和實(shí)測(cè)值相關(guān)性均極高（p < 0.001），決定系數(shù)r2均以馬尾松林的最高（分別為0.95和0.94），以杉木林的最低；除杉木林外，常綠闊葉林、針闊混交林和馬尾松林的地上及總生物量對(duì)于溫度增長(zhǎng)均是負(fù)相關(guān)，4種主要林型的地上及總生物量對(duì)于相對(duì)濕度增長(zhǎng)均是正相關(guān)，對(duì)于降水量變化不相關(guān)。TRIPLEX模型最小化了輸入?yún)?shù)，對(duì)于參數(shù)要求低，但未降低預(yù)測(cè)能力，而且能夠在浙江省復(fù)雜氣候和土壤條件下預(yù)測(cè)地上和總生物量。

TRIPLEX；生物量；生產(chǎn)力；模型檢驗(yàn)；馬尾松林；杉木林；闊葉林

森林是主要的陸地碳庫(kù)，全球陸地的大部分碳儲(chǔ)存在森林生態(tài)系統(tǒng)中，森林植被及土壤共儲(chǔ)存了 1 146 Pg C[1]，占全球陸地總碳庫(kù)（2 477 Pg C）的46%[2]。作為一個(gè)動(dòng)態(tài)的碳庫(kù)，森林儲(chǔ)存碳的能力不僅取決于其面積，還取決其質(zhì)量，即單位面積的森林碳儲(chǔ)量。由于施肥、火災(zāi)、病蟲(chóng)害及不合理的采伐方式的影響，全球森林都存在不同程度的退化[3~4]。森林生態(tài)系統(tǒng)的碳循環(huán)對(duì)現(xiàn)在及未來(lái)的氣候變化和全球碳平衡都具有重要影響，反之氣候變化也對(duì)森林固碳作用產(chǎn)生影響[5]。

模擬森林生長(zhǎng)和碳動(dòng)態(tài)變化的基本方法包括經(jīng)驗(yàn)、機(jī)理和混合三種森林模型，都有各自?xún)?yōu)缺點(diǎn)[6~12]。經(jīng)驗(yàn)?zāi)Ｐ停ㄉ稚L(zhǎng)和產(chǎn)量模型）來(lái)源于大量的野外數(shù)據(jù)，通過(guò)以樣地參數(shù)、年齡、密度和基面積等為變量的回歸模型來(lái)描述生長(zhǎng)速率。經(jīng)驗(yàn)?zāi)Ｐ偷闹饕獌?yōu)勢(shì)是利用特定的數(shù)學(xué)函數(shù)或曲線(xiàn)描繪測(cè)量數(shù)據(jù)和生長(zhǎng)變量之間的相關(guān)，僅需要簡(jiǎn)單的輸入，易于構(gòu)建。它們也易和各種管理分析和森林管理相結(jié)合，有效地為森林管理計(jì)劃提供定量信息。然而，經(jīng)驗(yàn)?zāi)Ｐ筒荒芊治鋈鐨夂蚧颦h(huán)境變化下森林生長(zhǎng)的響應(yīng)[7,13]。與經(jīng)驗(yàn)?zāi)Ｐ筒煌瑱C(jī)理模型一般描述關(guān)鍵生態(tài)過(guò)程或模擬依賴(lài)?yán)绻夂稀⒑粑⒎纸夂蜖I(yíng)養(yǎng)循環(huán)交互過(guò)程的生長(zhǎng)，提供了檢驗(yàn)和產(chǎn)生選擇假設(shè)的途徑，有助于精確描繪在給定環(huán)境變化下這些過(guò)程如何相互作用[11~12, 14]。因此，機(jī)理模型的主要優(yōu)勢(shì)在于包含了生理生態(tài)原理和預(yù)測(cè)長(zhǎng)期變化環(huán)境下的響應(yīng)。過(guò)去的十年，機(jī)理模型發(fā)展取得了許多進(jìn)步，它能夠結(jié)合能量、碳、水和營(yíng)養(yǎng)循環(huán)。但是在森林管理中，機(jī)理模型很少被應(yīng)用[10, 14~16]。

混合模型是一種能夠彌補(bǔ)經(jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)理模型各自缺點(diǎn)的模型[10~12, 17]。TRIPLEX模型作為一種新興混合模型，模擬森林生態(tài)系統(tǒng)中關(guān)鍵的動(dòng)力學(xué)過(guò)程，包括總初級(jí)生產(chǎn)力（GPP）、森林生長(zhǎng)狀況、土壤水平衡以及碳和氮的分配，它提供了一種整合目前模型并能有效解決所面臨問(wèn)題的觀念和方法。目前為止，TRIPLEX模型已經(jīng)成功運(yùn)用于加拿大安大略北方針葉林中的12個(gè)加拿大短葉松永久樣地[18]，中國(guó)浙江省常綠闊葉林、針闊混交林和馬尾松林[19]和湖南省杉木林和馬尾松林[20]樣地。

根據(jù)浙江省2013年底森林資源年度監(jiān)測(cè)，全省森林面積604.78×104hm2中共有松木林面積81.16×104hm2，杉木林面積82.09×104hm2，闊葉林面積161.86×104hm2和針闊混交林面積68.25×104hm2[21]，其中杉木林面積比例達(dá)18.44%。為此，本文在浙江省常見(jiàn)3種林型[19]基礎(chǔ)上增加了杉木林樣地，目標(biāo)是：1）通過(guò)建立4種主要林型[22]的TRIPLEX模型參數(shù)體系，評(píng)價(jià)模型應(yīng)用的有效性和實(shí)用性；2）運(yùn)用混合模型TRIPLEX檢驗(yàn)了 4種主要林型的地上和總生物量，并進(jìn)行了敏感性分析，為進(jìn)一步應(yīng)用TRIPIEX模型模擬和預(yù)測(cè)浙江省森林生物量及土壤碳庫(kù)對(duì)氣候變化的響應(yīng)奠定基礎(chǔ)。

1 研究方法

1.1 TRIPLEX模型簡(jiǎn)介

TRIPLEX模型類(lèi)似3-PG模型[23]，用于預(yù)測(cè)森林生長(zhǎng)情況以及碳氮?jiǎng)恿W(xué)[24]，簡(jiǎn)化了需要輸入的參數(shù)個(gè)數(shù)，考慮了森林生態(tài)系統(tǒng)中樹(shù)木生長(zhǎng)關(guān)鍵過(guò)程及其與碳、氮、水循環(huán)之間的重要相互作用。另外，TRIPLEX模型模擬了立地的平均特性而非單株樹(shù)木的立地條件。它的設(shè)計(jì)目標(biāo)是：建立對(duì)不同地理位置、土壤和氣候條件下的同、異齡的針、闊葉樹(shù)種的參數(shù)化模型。如圖1所示，TRIPLEX模型包括4個(gè)主要的子模型：

（1）TREEDYN3.0模型[25]中的光合輻射（PAR）子模型，估算PAR、總初生產(chǎn)力(GPP)和地上、地下生物量；

（2）CENTURY4.0模型中的土壤碳和氮分解子模型[26]，模擬土壤和凋落物中碳、氮的動(dòng)態(tài)變化；

（3）3-PG模型中的森林生長(zhǎng)和產(chǎn)量子模型[23]，計(jì)算樹(shù)木生長(zhǎng)和生產(chǎn)量的動(dòng)態(tài)變化，包括樹(shù)高、胸徑、基面積和材積；

（4）土壤水平衡子模型，模擬水動(dòng)態(tài)變化。

各模塊利用目標(biāo)導(dǎo)向程序（C++）方式以類(lèi)列出。模型以月單位為時(shí)間步長(zhǎng)，以每月氣象數(shù)據(jù)驅(qū)動(dòng)。TRIPLEX模型的關(guān)鍵部分和模擬過(guò)程見(jiàn)圖1。

圖1 TRIPLEX模型流程Figure 1 The structural model of forest growth and carbon simulation from TRIPLEX

1.2 模型初始化

TRIPLEX模型的模擬需要初始值，這些值由描述森林立地和土壤的變量組成。與森林生長(zhǎng)和產(chǎn)量的初始條件有關(guān)的變量有3個(gè)，即樹(shù)木密度、樹(shù)高及胸徑。用于描述土壤狀態(tài)的初始條件包括有機(jī)碳密度和水分含量，這些數(shù)據(jù)均可從野外測(cè)定結(jié)果得到[27]。

TRIPLEX模型要求輸入的參數(shù)最小化，并且參數(shù)化后代表本研究中浙江省4種主要林型。用于TRIPLEX模型校準(zhǔn)的參數(shù)大致分為3種類(lèi)型：（1）必須經(jīng)過(guò)已有模型設(shè)置的未知參數(shù)；（2）從立地?cái)?shù)據(jù)庫(kù)中估計(jì)出來(lái)的已知參數(shù)；（3）從已發(fā)表的文獻(xiàn)或研究中獲得的已知參數(shù)。模型校準(zhǔn)的主要目的在于獲得（1）中這些未知參數(shù)。

為了有效檢驗(yàn)TRIPLEX模型，繼續(xù)保留大多數(shù)來(lái)自先前論文[24, 28~30]的非樣地參數(shù)（表 1），包括PAR、氣孔導(dǎo)度、初始氮水平、葉中木質(zhì)素含量、木質(zhì)素氮比例和土壤含水率等參數(shù)。

表1 TRIPLEX模型在浙江省模擬中應(yīng)用的參數(shù)Table 1 Parameters used in TRIPLEX for simulating forest ecosystems in Zhejiang

1.3 模型運(yùn)行

與模擬初始條件相關(guān)的3個(gè)關(guān)鍵變量是樹(shù)木密度、樹(shù)高和胸徑。一些新的初始參數(shù)列在表2，例如碳密度、比葉面積（SLA）、死亡率、葉比例、干比例、粗細(xì)根的比例根據(jù)模型缺省值進(jìn)行調(diào)整，從而更好的代表浙江省森林生態(tài)系統(tǒng)的研究。

表2 TRIPLEX模型在浙江省不同林型的參數(shù)Table 2 Parameters used in TRIPLEX to simulate different forest types in Zhejiang

TRIPLEX模型模擬了樹(shù)木的整個(gè)生長(zhǎng)期，每個(gè)立地從起始林齡一直模擬到野外調(diào)查那年的林齡。所有的模擬在不同的氣候條件下以月時(shí)間步長(zhǎng)計(jì)算。模型計(jì)算的樹(shù)木生物量各組分（包括樹(shù)葉、干和根）月增長(zhǎng)，通過(guò)立地產(chǎn)量變量（密度、胸徑、樹(shù)高）推算，最終結(jié)果按每年總計(jì)。

TRIPLEX模型在運(yùn)行模擬之前，每個(gè)林型各自隨機(jī)選擇樣地進(jìn)行校正和驗(yàn)證。然后分別對(duì)樹(shù)高、胸徑、凋落物庫(kù)、地上和總生物量進(jìn)行模擬。其他過(guò)程參考Zhou等[28]中模型的執(zhí)行。

所有初始立地生物量測(cè)量均是起始年的1月值。樹(shù)木密度初始化根據(jù)樹(shù)種和分布，常綠闊葉林、針闊混交林、馬尾松林和杉木林分別假定為4 950，4 500、4 183和4 267株/hm2。隨后，立地密度根據(jù)起始密度結(jié)合因競(jìng)爭(zhēng)引起的自疏死亡率變化。

1.4 模型檢驗(yàn)

為了檢驗(yàn)TRIPLEX模型更大范圍的有效性和實(shí)用性，本研究繼續(xù)沿用了上面提到過(guò)的研究工作[24]所采用的標(biāo)準(zhǔn)。除去初始化的樣地，將分布于浙江省21縣中四種主要林型的147個(gè)標(biāo)準(zhǔn)樣地進(jìn)行模型檢驗(yàn)，評(píng)價(jià)模型的有效性，樣地的詳細(xì)介紹和森林生長(zhǎng)和產(chǎn)量調(diào)查實(shí)測(cè)過(guò)程見(jiàn)張駿等[22]的相關(guān)報(bào)道。

1.5 模型敏感性分析

敏感性分析是新建立模型的重要一步，它系統(tǒng)檢驗(yàn)?zāi)Ｐ托袨椋M系統(tǒng)運(yùn)行機(jī)制[24]。本研究中，敏感性分析通過(guò)對(duì)森林生長(zhǎng)和碳動(dòng)力學(xué)最重要輸出變量——生物量的增長(zhǎng)百分比決定，包括對(duì)月均溫、月降水量和月均濕度與先前相比10%內(nèi)的增長(zhǎng)或降低，然后運(yùn)行模型模擬結(jié)果對(duì)比分析。

2 結(jié)果

2.1 模型有效性

通過(guò)比較浙江省森林樹(shù)高和胸徑的模擬值與野外實(shí)測(cè)值，檢驗(yàn)?zāi)Ｐ偷挠行浴RIPLEX模型的驗(yàn)證結(jié)果見(jiàn)表3。浙江省森林生態(tài)系統(tǒng)的模擬值和實(shí)測(cè)值的決定系數(shù)（r2）均很高，密度的為0.92，胸徑的為0.77，樹(shù)高的為0.80，地上生物量的為0.92，總生物量的為0.91，只有凋落物庫(kù)的較低為0.53，但也極顯著相關(guān)（p < 0.001）。模擬值和實(shí)測(cè)值之間的平均預(yù)測(cè)誤差（e）除了密度的為53.56外，其他變量均很小，胸徑的為0.32，樹(shù)高的為-0.59，凋落物庫(kù)的為1.15，地上生物量的為0.47，總生物量的為-0.90。模擬值和實(shí)測(cè)值之間的偏差（預(yù)測(cè)誤差除以實(shí)測(cè)值）也較小：密度的為2.7%，胸徑的為3.3%，樹(shù)高的為-8.6%，地上生物量的為1.0%，總生物量的為-1.5%，只有凋落物庫(kù)的偏差較大，達(dá)16.8%。

表3 TRIPLEX模型對(duì)浙江省森林生態(tài)系統(tǒng)密度、胸徑、樹(shù)高、凋落物庫(kù)、地上生物量和總生物量模擬值和實(shí)測(cè)值比較的誤差Table 3 Simulation errors of TRIPLEX applied to forest ecosystems in Zhejiang, comparing stand density, DBH, height, litter pool, aboveground and total biomass between simulated values and inventory ones

運(yùn)用111組浙江省森林生態(tài)系統(tǒng)的生長(zhǎng)和產(chǎn)量的實(shí)測(cè)數(shù)據(jù)，分別比較了地上和總生物量，模擬值和實(shí)測(cè)值有很高的相關(guān)性（圖2）。

圖2 浙江省森林地上和總生物量的模擬值和實(shí)測(cè)值比較Figure 2 Comparison on simulated and surveyed data of aboveground and total biomass in Zhejiang

2.2 4種主要林型的生物量模擬

表4比較了4種主要林型的地上和總生物量的模擬值和實(shí)測(cè)值的統(tǒng)計(jì)分析結(jié)果。各林型的模擬和實(shí)測(cè)值相關(guān)性極顯著（p < 0.001）：地上生物量模擬和實(shí)測(cè)值之間的相關(guān)系數(shù)是馬尾松林的最高為0.95，杉木林的最低為0.63；總生物量模擬和實(shí)測(cè)值之間的相關(guān)系數(shù)也是馬尾松林的最高為0.94，杉木林的最低為0.59。總生物量的預(yù)測(cè)誤差大約-0.57 到-10.67 t/hm2，轉(zhuǎn)換成偏差為-19.1%到0.8%。

2.3 模型生物量敏感性分析

除杉木林外，常綠闊葉林、針闊混交林和馬尾松林的地上和總生物量對(duì)于溫度的增長(zhǎng)均是負(fù)相關(guān)；4種主要林型的地上和總生物量對(duì)于相對(duì)濕度的增長(zhǎng)均是正相關(guān)；4種主要林型的地上和總生物量對(duì)于降水量的變化不相關(guān)（0.00%）。

表4 TRIPLEX模型對(duì)浙江省森林生態(tài)系統(tǒng)地上生物量和總生物量模擬值分別和33個(gè)常綠闊葉林（EF）、29個(gè)針闊混交林（MF）、32個(gè)馬尾松林（PF）和32杉木林（CF）測(cè)量值比較的誤差Table 4 Simulation err ors of TRIPLEX applied to four forest types in Zhejiang, comparing aboveground and total biomass between simulated values and inventory data from 33sample plots of evergreen broad-leaved forest, 29 of coniferous and broad-leaved mix ed forest, 32 of Pinus massoniana forest and 32 of Cunninghamia lanceolata forest

表 省4種 型代表 候變化 總生物 敏感性Table 5 Prediction sensitivitypes in Zhejiang 5 浙江 主要林 性樣地氣 對(duì)地上和 量的預(yù)測(cè)of aboveground and total biomass to changes in climatic of four main forest ty

3 結(jié)論與討論

目前，大多數(shù)中國(guó)森林的生物量和NPP主要通過(guò)森林清查或一些模型獲得[35~36]，其中對(duì)浙江省森林生長(zhǎng)的模擬包括CASA[37]和CEVSA[38~39]等模型的應(yīng)用，我們將這些模型的預(yù)測(cè)值和清查結(jié)果進(jìn)行了比較（表6）。

表6 4種林型的生物量和NPP實(shí)測(cè)和不同模型模擬結(jié)果比較Table 6 Surveyed data of biomass and NPP in four types of forest and simulations with different methods

與類(lèi)似區(qū)域不 同方法比 較發(fā)現(xiàn)， T RIPLEX模型對(duì)所 有林 型的生物量 預(yù)測(cè)均 最接近野 外實(shí)測(cè)值。T RIPLEX模型模擬生物量結(jié)果：常綠闊葉林（92.86 t/hm2）和馬尾松林（46.10 t/hm2）生物量在野外實(shí)測(cè)值之間，針闊混交林（53.68 t/hm2）和杉木林（32.20 t/hm2）生物量比其他實(shí)測(cè)值低。除去常綠闊葉林的NPP低于其他清查和模擬結(jié)果外，TRIPLEX模型模擬的其他 3種林型的NPP比CASA和CEVSA模擬的更接近于清查實(shí)測(cè)值：針闊混交林在Zhang 等[27]和方精云等[35]結(jié)果之間，但高于Cao[38]的預(yù)測(cè)；馬尾松林和杉木林均在Cao[38]，F(xiàn)ang等[37]和Zhang[27]結(jié)果之間，但低于方精云等[28]的結(jié)果。

TRIPLEX模型最小化了輸入?yún)?shù)，對(duì)于參數(shù)要求低，但未降低預(yù)測(cè)能力（表6），而且能夠在浙江省復(fù)雜氣候和土壤條件下預(yù)測(cè)地上和總生物量。

浙江省森林生態(tài)系統(tǒng)的模擬和實(shí)測(cè)值的決定系數(shù)均很高，只有凋落物庫(kù)的較低為 0.53，凋落物庫(kù)的偏差也最大（表3），可能因?yàn)榈蚵湮锏纫巴鈹?shù)據(jù)獲得困難和TRIPLEX模型時(shí)間尺度上的誤差容易積累，所以和土壤碳庫(kù)直接相關(guān)的凋落物預(yù)測(cè)有效性差些。雖然TRIPLEX沒(méi)有考慮人類(lèi)干擾、火災(zāi)以及土地利用變化，但以上結(jié)果說(shuō)明TRIPLEX模型能夠在浙江省森林主要林型適用。

敏感性分析對(duì)模型關(guān)鍵參數(shù)的有效估算和最佳模擬精度十分重要。通過(guò)敏感性分析發(fā)現(xiàn)，除杉木林外，其他3種林型的地上和總生物量與溫度負(fù)相關(guān)，與濕度正相關(guān)，與降雨量不相關(guān)。杉木林的模擬和實(shí)測(cè)值的相關(guān)系數(shù)也是最低，主要是因?yàn)樯寄玖衷缙谧鳛槿斯ち峙嘤芨蓴_強(qiáng)度遠(yuǎn)遠(yuǎn)大于另外3種林型，故有效性和敏感性與其他3種林型不一致。隨著農(nóng)業(yè)、森林資源砍伐和城市化等人類(lèi)干擾的加強(qiáng)，陸地生態(tài)系統(tǒng)變化加大而導(dǎo)致未來(lái)復(fù)雜性增加[39]，將來(lái)應(yīng)考慮在TREPLEX中加入生態(tài)系統(tǒng)干擾對(duì)于森林生長(zhǎng)和碳動(dòng)態(tài)變化影響的額外模塊。

另外由于時(shí)間、精力原因，本次研究中采用的一些樣地參數(shù)例如GPP到NPP轉(zhuǎn)換系數(shù)、比葉面積、死亡率等僅僅參考模型缺省值進(jìn)行微調(diào)，在TREPLEX模型以后的本土化中，這些樣地參數(shù)需要進(jìn)一步考慮根據(jù)本地區(qū)林型對(duì)各種人為干擾響應(yīng)的實(shí)測(cè)數(shù)據(jù)和文獻(xiàn)進(jìn)行參數(shù)化。

[1] Dixon R K, Brown S,Houghton R A, et al. Carbon pools and fluxes of global forest ecosystems [J]. Science, 1994（263）：185-190.

[2] IPCC. The Science of Climate Change [M]. Cambridge: Cambridge University Press, 2000.

[3] Smith R. Global Forest Resources Assessment 2000. Main report [M]. Rome: Food and Agriculture Organization (FAO), 2002

[4] Houghton R A. Terrestrial source and sinks of carbon inferred from terrestrial data [J]. Tellus B, 1996（48）：420-432.

[5] Friedlingstein P, Dufresne J L, Cox P M, et al. How positive is the feedback between climate change and the carbon cycle [J]. Tellus, 2003 （55B）：692-700.

[6 ] Landsberg J J. Physiological Ecology of Forest Production [M]. Sydney: Academic Press, 1986.

[7] Kimmins J P. Modeling the sustainability of forest production and yield for a changing and uncertain future[J]. Forestry Chronicle, 1990, 66（3）：271-280.

[8] Mohren G M L, Burkhart H E, Jansen J J. Contrasts between biologically-based process models and management-oriented growth and yield models [J]. For Ecol Manage, 1994（69）：1-5.

[9] Landsberg J J, Coops N C. Modeling forest productivity across large areas and long periods [J]. Nat Resoure Model, 1999（12）：383-411.

[10] M?kel? A, Landsberg J, E k A, et al. Process-based models for forest ecosystem management: current state of the art and challenges for practical implementation [J]. Tree Physiol, 2000（20）：289-298.

[11] Peng C H. Understanding the role of forest simulation models in sustainable forest management [J]. Environ Impact Assess Rev, 2000（20）：481 -501.

[12] Peng C H. Growth and yield models for uneven-aged stands: past, present and future [J]. For Ecol Manage, 2000（132）：259-279.

[13] Shugart H H, Smith T M, Post W M. The application of individual-based simulation models for assessing the effects of global change [J]. Annu Rev Ecol Syst, 1992（23）：15-38.

[14] Landsberg J J, Gower S T. Applications of Physiological Ecology to Forest Management[M]. San Diego: Academic Press, 1997.

[15] Korzukhin M D, Ter-Mikaelian M T, Wagner R G. Process versus empirical models: which approach for forest ecosystem management [J]. Can J For Res, 1996（26）：879-887.

[16]Sands P J, Battaglia M, Mummery D. Application ofprocess-based models to forest management: experience with PROMOD, a simple plantation productivity model [J]. Tree Physiol, 2000（20）：383-392.

[17] Johnsen K, Samuelson L, Teskey R, et al. Process models as tools in forestry research and management [J]. For Sci, 2001（47）：2-8.

[18] Peng C H, Jiang H, Apps M J, et al. Effects on harvesting regimes on carbon and nitrogen dynamics of boreal forests in central Canada: a process model simulation [J]. Ecol Model, 2002（155）：177-189.

[19] Zhang J, Chu Z Y, Ge Y, et al. TRIPLEX Model Testing and Application for Predicting Forest Growth and Biomass Production in the Subtropical Forest Zone of China’s Zhejiang Province [J]. Ecol Model, 2008（219）：264-275.

[20] Zhao M F, Xiang W H, Deng X W, et al. Application of TRIPLEX model for predicting Cunninghamia lanceolata and Pinus massoniana forest stand production in Hunan Province, southern China[J]. Ecol Model, 2013（250）：58-71.

[21] 浙江省森林資源狀況及其生態(tài)功能價(jià)值（2013）[EB/OL]. http://zjrb.zjol.com.cn/html/2015-01/21/content_2845042.htm

[22] 張駿，袁位高，葛瀅，等. 浙江省生態(tài)公益林碳儲(chǔ)量和固碳現(xiàn)狀及潛力[J]. 生態(tài)學(xué)報(bào)，2010，30（14）：3 839-3 848.

[23] Landsberg J J, Waring R H. A generalized model of forest productivity using simplified concepts of radiation-use efficiency, carbon balance and partitioning [J]. Ecol Model, 1997（95）：209-228.

[24] Peng C H, Liu J, Dang Q, et al. TRIPLEX: A generic hybrid model for predicting forest growth and carbon and nitrogen dynamics [J]. Ecol Model, 2002（153）：109-130.

[25] Bossel, H. TREEDYN3 Forest Simulation Model [J]. Ecol Model, 1996，90（3）：187-227.

[26] Parton W J, Scurlock J M, Ojima D S, et al. Observations and modelling of biomass and soil organic matter dynamics for the grassland biome worldwide [J]. Glob Biogeochem Cycle, 1993，7（4）：785-809.

[27] Zhang J, Ge Y, Chang J, et al. Carbon storage by ecological service forests in Zhejiang Province, subtropical China [J]. For Ecol Manage, 2007 （245）：64-75.

[2 8] Zhou X L, Peng CH, Dang Q L. Assessing the generality and accuracy of the TRIPLEX model using in situ data of boreal forests in central Canada [J]. Environ Model Software, 2004（19）：35-46.

[29] Zhou X L, Peng C H, Dang Q L, et al. Predicting forest growth and yield in northeastern Ontario using the process-based carbon dynamic model of TRIPLEX 1.0 [J]. Can J For Res, 2005（35）：2 268-2 280.

[30] Zhou X L, Peng C H, Dang Q L, et al. A simulation of temporal and spatial variations in carbon at landscape level: A case study for Lake Abitibi Model Forest in Ontario, Canada [J]. Mitigat Adapt Strateg Glob Change, 2007, 12（4）：525-543.

[31] Kimball J S, Thornton P E, White M A, et al. Simulating forest productivity and surface–atmosphere carbon exchange in the BOREAS study region [J]. Tree Physiol, 1997（17）：589-599.

[32] Ryan M G, Lavigne M B, Gower S T. Annual carbon cost of autotrophic respiration in boreal forest ecosystems in relation to species and climate [J]. J Geophys Res, 1997, 102: 28871-28883.

[33] Metherell A K, Harding L A, Cole C V, et al. CENTURY Soil Organic Matter Model Environment Technical Documentation Agroecosystem Version 4.0[J]. GPSR Technical Report No. 4, United States Department of Agriculture, Agricultural Research Service, Great Plains Systems Research Unit. http://www.nrel.colostate.edu/ projects/century/ [cited 10 May 2004], 1993.

[34] 方精云，劉國(guó)華，徐嵩齡. 我國(guó)森林植被的生物量和凈生產(chǎn)量[J]. 生態(tài)學(xué)報(bào)，1996，16（5）：497-508.

[35] Zhao M, Zhou G S. Estimation of biomass and net primary productivity of major planted forests in China based onforest inventory data[J]. For Ecol Manage, 2005（207）：295-313.

[36 ] Fang J Y, Piao S L, Field C B, et al. Increasing net primary production in China from 1982 to 1999 [J]. Front Ecol Environ, 2003（1）：293-297. [37] Cao M K, Woodward F I. Net primary and ecosystem production and carbon stocks of terrestrial ecosystem and their response to climatic change [J]. Glob Change Biol, 1998（4）：185-198.

[38] Cao M K, Tao B, Li K R. Interannual variation in terrestrial ecosystem carbon Fluxes in China from 1981 to 1998 [J]. 植物學(xué)報(bào)（英文版）, 2003，45（5）：552-560.

[39] Chapin F S, Callaghan T V, Bergeron Y. Global change and the boreal forest: thresholds, shifting states or gradual change[J]. Ambio, 2004, 33 （6）：361-365.

Simulation and Sensitivity for Biomass of Four Main Forest Types in Zhejiang Using TRIPLEX Model

ZHANG Jun1,2，GE Ying3，GAO Zhi-hui2，WU Chu-ping1，HUANG Yu-jie1，JIAO Jie-jie1，JIANG Bo1，CHANG Jie3
（1. Zhejiang Forestry Academy, Hangzhou 310023, China; 2 Zhejiang Forestry Extension Station, Hangzhou 310020, China; 3. College of Life Sciences, Zhejiang University, Hangzhou 310058, China）

Inventory data of growth and yield from 147 sample plots aged from 5 to 50 years of four common forest types in 21 counties of Zhejiang province was used to test the process-based model of TRIPLEX. The four main forest types are evergreen broad-leaved forest (EF), coniferous and broad-leaved mixed forest (MF), Pinus massoniana forest (PF) and Cunninghamia lanceolatae forest (CF). Simulation values by TRIPLEX model with stand density, diameter at breast height(DBH), height(H), litterfall pool, aboveground and total biomass were compared with measured ones. The results showed that significant correlation (p<0.001) between the simulated and measured values of forest stands for four main forest types in Zhejiang province was found and the coefficients of determination (r2) was 0.92 for density, 0.77 for DBH, 0.80 for H, 0.53 for litterfall pool, 0.92 foraboveground biomass and 0.91 for total biomass, with small errors of -0.32 for DBH, -0.59 for H, 1.15 for litterfall pool, -0.51 for the aboveground biomass and -2.64 for the total biomass, except for stand density (53.56), and low biases (2.7% for density, -3.3% for DBH, -8.6% for H, -1.0% for the aboveground biomass and -1.5% for the total biomass) except for litterfall pool (16.8%). The simulated and measured values had significant correlation (p<0.001) for the aboveground and total biomass for each forest type, PF had highest coefficient of determination within 0.95 and 0.94 respectively, and CF had lowest coefficient of determination. For the four main forest types, Aboveground and total biomass of tested forest types had negative correlation with temperature except CF, and positive relation with relative humidity, and no correlation with precipitation. Simulated values of biomass and NPP of four forest types in Zhejiang by TRIPLEX model were much closer to the surveyed ones than those by the CEVSA and CASA models. These results suggest that TRIPLEX model did not decrease the predictive accuracy at the low demand for parameters, which can simulate and predict biomass with complex conditions in climate and soil.

TRIPLEX; biomass; NPP; model test, Pinus massoniana forest, Cunninghamia lanceolatae, broad-leaved forest

S718.5

：A

1001-3776（2015）06-0001-08

2015-06-08；

2015-10-11

浙江省自然科學(xué)基金項(xiàng)目（LQ13C030001）；浙江省森林生態(tài)科技創(chuàng)新團(tuán)隊(duì)（2011R50027）；浙江省省級(jí)定位站管理維護(hù)及技術(shù)支撐項(xiàng)目

張駿（1981-），男，浙江龍游人，副研究員，博士，研究森林生態(tài)及林技推廣；*通訊作者。