氣候變化情景下濕地凈初級生產力風險評價—以三江平原富錦地區小葉章濕地為例

劉 夏，王毅勇，范雅秋（1.中國科學院東北地理與農業生態研究所，吉林 長春 130102；2.中國科學院大學，北京 100049；3.東北師范大學，吉林 長春 130024）

氣候變化情景下濕地凈初級生產力風險評價—以三江平原富錦地區小葉章濕地為例

劉 夏1，2，王毅勇1*，范雅秋1，3（1.中國科學院東北地理與農業生態研究所，吉林 長春 130102；2.中國科學院大學，北京 100049；3.東北師范大學，吉林 長春 130024）

采用BIOME-BGC模型，模擬了氣候變化情景下（A1B， A2， B2）三江平原富錦地區小葉章（Calamagrostis angustifolia）濕地的凈初級生產力（NPP）變化，并通過NPP變化情況評價小葉章濕地風險等級.結果表明:未來30年（2013～2042年）各氣候情景下富錦小葉章濕地NPP均值均高于基準期均值（1961～1990）， A1B和B2情景下未來30年間NPP波動范圍變大，A2情景下NPP有降低趨勢.風險評價結果表明，氣候變化情景下小葉章濕地存在一定風險，尤其是在A1B情景下，未來30年中可能有6年以上的年份存在高風險，A2情景下濕地風險最低.濕地NPP變化與降水量呈顯著正相關（R2=0.58，P＜0.05），說明降水量是影響區域濕地的重要因素.盡管氣候變化情景下假設了存在升溫、CO2濃度升高等有利于植物生長的因素，但降水量的的劇烈變化以及極端氣候事件的增加，可能會導致濕地在未來氣候變化情景下面臨較高風險，未來濕地保護與管理過程中應重點關注水的補給和調配.

BIOME-BGC模型；氣候情景；小葉章濕地；凈初級生產力

IPCC報告指出氣候變化對全球生態系統的影響正在不斷加劇，甚至有可能威脅到人類生存環境［1］.濕地生態系統是全球最重要的生態系統之一，具有涵養水源、保護生物多樣性、保持碳平衡和營養物等重要的生態功能［2］，在應對全球變化中發揮著重要作用，但濕地也是對全球變化最為敏感的生態系統之一［3-4］.評估全球變化對濕地生態系統的影響及其風險可為濕地保護提供科學依據.但目前對于未來氣候變化影響及其風險評估的研究仍有較大難度，尤其是國內相關研究基礎還很薄弱，氣候變化風險研究亟需加強［5］.針對濕地生態系統進行的氣候變化風險等級評價研究也鮮見報道.

氣候變化影響陸地生態系統的最重要表現之一是引起凈初級生產力（NPP）的變化［6］. Minnen等［7］曾利用NPP變化評價生態系統的風險，他們假設不能接受的氣候變化對生態系統生態功能的影響是某種程度的NPP損失，即氣候變化造成NPP的損失如果超過了此類生態系統NPP的自然波動范圍，就認為發生了風險.因此，研究氣候變化對植被NPP的影響可為預測氣候變化影響及其風險提供依據［8］.

目前，利用計算機模型估算陸地植被生產力已成為一種重要且被廣泛接受的研究方法，各種模型類型繁多［9-10］.針對濕地NPP變化的研究并不鮮見，基于模型的研究工作也一直受到重視，但至今仍沒有針對濕地生態系統的成熟模型，而且對未來氣候變化影響濕地NPP的研究十分不足.已有的模型中，以Miami模型、Chikugo模型為代表的氣候生產潛力模型，形式簡單，曾被廣泛應用，但誤差較大；以CASA模型為代表的光能利用率模型，可直接利用遙感手段獲得全覆蓋數據，但其生態學機理仍不清楚，且無法預測未來的NPP變化情況［11］；以BIOME-BGC、Centry模型為代表的生理生態過程模型，機理清楚，可以預測全球變化對NPP的影響.已有的針對草地、森林等其他生態系統展開的相關研究多選擇過程模型作為研究工具［12］.其中，BIOME-BGC模型的應用十分廣泛，但其模型結構復雜，所需參數較多，使用時有一定的局限［13］.不過，通過對模型參數進行合理的識別優化，可使模型模擬結果更加準確更具參考價值［14-15］.White等［16］曾對BIOME-BGC模型的參數調整和驗證進行了詳細介紹，并對各種植物類型的參數進行了整理，他們的研究為BIOME-BGC模型的廣泛應用奠定了基礎，曾慧卿等［17］曾在他們的研究基礎上對濕地松NPP進行了模擬研究，并取得了較好效果.

東北三江平原地區是我國氣候變化最劇烈，濕地類型最多，面積最大，分布最廣泛的地區之一［18］，本研究選取三江平原腹地富錦地區小葉章濕地作為研究對象，利用BIOME-BGC模型對其NPP變化進行模擬，結合未來氣候情景數據，分析氣候變化對小葉章濕地NPP的影響及風險，以期為濕地保護與管理和應對氣候變化提供理論依據.

1 材料與方法

1.1 研究區概況

三江平原位于黑龍江省東北隅，是我國最大的淡水沼澤濕地分布區，地理坐標為45°～48°N，130°～135°E，屬于北溫帶大陸性季風氣候，年均降水量550～600mm，年均氣溫1.9℃左右.最冷月（1月）平均氣溫在-18℃以下，最熱月（7月）平均氣溫在21.22℃左右.植被類型以典型沼澤濕地植被為主，植物群落以小葉章群落和毛苔草（Carexlasiocarpa）群落為主，植被的覆蓋度一般在70%～90%，主要土壤類型有泥炭沼澤土、腐殖質沼澤土、草甸沼澤土、淤泥沼澤土、草甸土、泥炭土等.

1.2 小葉章濕地NPP模擬

1.2.1 BIOME-BGC模型簡介 BIOME-BGC模型由FOREST-BGC模型發展而來，用于模擬陸地生態系統的碳、氮、水分等物質的循環過程［19-20］. BIOME-BGC模型考慮生態系統內的光合、呼吸及營養物質的循環、遷移等生理生態過程，具有機理性強、綜合程度高、外延性好的特點［21］.經過多年的發展，模型不斷地改進，目前的BIOME-BGC模型（版本4.1.1）以日為步長對生態系統進行有效模擬.模型應用空間分布資料，包括氣候、海拔高度、植被和水分條件，可對每年、每天的碳進行估算并預測氣候變化對NPP的影響.

模型的主要驅動參數包括3部分:（1）初始化文件:主要包括研究地的經緯度、海拔、土壤有效深度、土壤顆粒組成、大氣CO2濃度、植被類型以及對輸入輸出文件的設定等；（2）以日為步長的氣象數據:最高溫、最低溫、白天平均溫、降水、飽和蒸氣壓差、太陽輻射等；（3）生態生理指標參數:包括44個參數，如葉片碳氮比、細根碳氮比、最大氣孔導度、冠層消光系數、冠層比葉面積、二磷酸核酮糖羧化酶中葉氮比例等.

表1 BIOME-BGC模型參數優化結果Table 1 Optimization results of used parameters

1.2.2 BIOME-BGC模型參數優化 本研究參考White等［16］測試參數敏感性的方法，以及以往研究采用的貝葉斯分析方法、模擬退火算法等方法，根據逐步優化的思想對模型進行參數優化［22-23］.具體步驟如下:（1）首先根據相同研究區域或相同植物類型的觀測數據或直接報道數據，確定相關參數取值范圍；（2）對沒有上述數據的參數，則采用同一氣候類型區域或類似植物類群的數據確定其大致取值范圍，并通過蒙特卡洛（Monte Carlo method）算法優化參數，以確定參數的取值范圍［23］；（3）最后在每個參數取值范圍內選取10個數值，用實際觀測值進行驗證，并從中選取最優參數，由于模型參數眾多，且一些參數相互影響，因此，本步驟重復一次；經過兩次優化后，對最為敏感的參數重復上述步驟以達到最佳效果.本研究以中國科學院三江平原沼澤濕地生態試驗站（47°35'N， 133°29'E）2002～2007年的實測NPP數據為基礎，對模型進行參數校正.對參數進行逐步優化的結果見表1.部分參數在趨于最大值或最小值的時候模擬結果最佳，但最終確定值都以其合理取值范圍為限，有部分參數必須為整數，按照四舍五入的原則進行取值.

1.2.3 氣候數據 參數優化后，利用氣象數據驅動BIOME-BGC模型模擬小葉章濕地的NPP.所選用的逐日氣象資料包括日最高氣溫、日最低氣溫、日平均氣溫、日降水、日蒸發等.

氣候情景數據由中國農業科學院農業環境與可持續發展研究所氣候變化研究組提供.該小組在IPCC溫室氣體排放情景SRES框架下，根據未來社會經濟發展的不同情景，利用英國Hadley氣候中心的區域系統模式系統PRECIS分析了中國區域21世紀的氣候變化.對其在中國區域氣候的模擬能力進行驗證，結果顯示總體上PRECIS具有很強的模擬中國地面氣候變化的能力［34］.本研究選用A1B、A2和B2情景作為模型的氣候輸入數據.A1B情景中，經濟增長非?？?，高新技術發展迅速，地域間差距縮小.化石能源和非化石能源使用比例更為平衡，不過分依賴某種特定能源.A2情景下，全球人口數據量峰值出現在本世紀中葉并隨后下降，經濟結構向服務和信息經濟方向迅速調整，清潔和資源高效技術不斷發展.強調經濟、社會和環境可持續發展問題的全球解決方案.B2情景中，全球人口低速增長，經濟發展處于中等水平，環境保護和社會公平問題重點放在區域層面來解決［35］.

本研究以1961～1990年為基準期，基準期和模型校正所需的（2002～2007年）氣候數據均采用三江平原境內富錦氣象站的數據，數據來自國家氣象信息中心（中國氣象科學共享服務平臺），資料比較完整，對于個別缺測值，以缺測時刻前后相鄰時步的值進行線性插值.

1.3 NPP風險評價方法

假設不能接受的氣候變化對濕地生態系統生產功能的影響是某種程度的NPP損失，即氣候變化造成NPP的損失如果超過了此類生態系統NPP的自然波動范圍，就認為發生了風險［7］.依據世界氣象組織定義，以及我國科學家驗證結果，本研究選擇相當于平均值10%的損失作為“不可接受的影響”的參考［36］.將濕地生態系統構建風險等級為:

式中:f（xi）為濕地生態系統NPP風險等級；Meani為濕地生態系統NPP正常值范圍的均值，Mini代表生態系統NPP正常范圍的最小值；0、1、2、3分別代表無風險、低風險、中風險和高風險.采用基準期的模擬NPP值為參照對未來30年進行風險評價.

1.4 數據處理與分析

氣象數據的處理與分析采用Microsoft Office Excel 2007，包括各氣象要素的年氣候變化序列計算，多年均值，標準差分析等；參數優化與分析過程中蒙特卡洛算法通過MATLAB 7.0軟件實現；采用SPSS 17.0軟件進行NPP與各氣象要素間逐步線性回歸分析.

2 結果與分析

2.1 BIOME-BGC模型驗證

模型參數優化后，模擬值與實測值6年均值相差8%，模擬值誤差范圍在3.8%～22.5%之間.通過對模型參數優化前后的模擬效果進行對比，發現參數優化后，模擬結果更好（圖1）.模擬值與實測值相關性提升，相關系數R2從0.68提升至0.87，同時，模擬值和觀測值的誤差之和由449.8gC/（m2· a）降為164.1gC/（m2· a）.說明了參數優化過程對模型模擬的重要性.

圖1 參數優化前、后模擬值與實測值相關性分析Fig.1 Correlations between simulated and measured NPP before and after the parameters optimization

通過對參數敏感性分析發現，最為敏感的5個參數分別為生長期、葉碳氮比、細根碳氮比、細根碳與葉碳比和表層導度，其中既有氣候參數也有植物生理參數，體現了該模型考慮了不同植被在不同氣候條件下的不同生理反應過程.模擬結果［均值350.15gC/（m2· a）］比實測值［324.17gC/（m2· a）］略微偏高，這可能是因為:模型模擬的情況較為理想化，所有植物生理參數采用的均是小葉章的參數，模擬的結果實際是將濕地中所有植物都當做小葉章而模擬出的NPP值，是小葉章群落100%覆蓋的濕地植被NPP，但自然狀態下植物群落組成不可能100%是小葉章，同時還會有其他植物種群，因此，模擬的NPP較實測值偏高.

2.2 未來氣候情景下小葉章濕地NPP變化分析

模擬結果表明，基準期1961～1990年間小葉章濕地NPP平均值為362.9gC/（m2·a），NPP年總量變化在285.3～459.2gC/（m2·a）之間（表2）.30年間，NPP年總量呈略微升高的趨勢，但升高趨勢不明顯.

表2 氣候變化情景下2013～2042年小葉章濕地NPP［gC/（m2· a）］Table 2 Simulated NPP of Calamagrostis angustifolia wetlands from 2013 to 2042 under different SRES［gC/（m2· a）］

圖2 氣候變化情景下2013～2042年小葉章濕地NPPFig. 2 Simulated NPP of Calamagrostis angustifolia wetlands from 2013to 2042under different SRES

未來30年小葉章濕地NPP在不同氣候情景下的變化情況各不相同，但均未表現出十分明顯的增加或降低趨勢（圖2）.A1B情景下，NPP呈微弱的增加趨勢，每年增加速率約為0.26gC/（m2· a），在A2和B2情景下則表現出微弱的減少趨勢，其中A2情景減少趨勢較為明顯，但減少速率也僅為每年1.12gC/（m2·a）. A1B、A2和B2情景下未來30年的NPP均值分別為367.6，386.1和 373.1gC/（m2·a） （表2）.A2情景下NPP高于其他兩個情景，且更為穩定，波動范圍更小，在294.8～484.2gC/（m2·a）之間，標準差為52.38.A1B和B2情景下，NPP的變化更加劇烈，波動范圍在256.9～470.4gC/（m2·a）和218.0～541.8gC/（m2·a）之間，標準差分別為60.55和72.2，比A2情景高很多.

未來30年NPP的均值較基準期均值都有所增加，A1B、A2和B2情景分別增加了1.3%、6.4%和2.8%.相對而言，在A2情景下，NPP降低速度比其他兩個情景更快，但在A1B、B2情景下，NPP年際間波動加劇，尤其是在B2情景下，最低值和最高值均超出了基準期的波動范圍20%左右.

2.3 未來氣候情景下小葉章濕地NPP風險評價

未來氣候情景下小葉章濕地NPP均值較基準期有所增加，但年際間波動劇烈.對各氣候情景下小葉章濕地NPP的風險評價發現:未來30年小葉章濕地在不同氣候情景下均面臨著一定的風險（圖3）.

其中A2情景下，濕地風險較小，30年中僅7年濕地可能面臨風險，而A1B情景下有13年（接近一半的年份）濕地可能存在風險，B2情景下有9年可能存在風險.濕地面臨高風險概率也是A2情景最低，僅3年風險等級較高，而A1B和B2情景下，可能出現3級風險等級的年份有6年，較A2情景高了1倍.雖然氣候變化情景下未來NPP均值高于基準期，但由于其波動更加劇烈，尤其是A1B和B2情景下，小葉章濕地仍有較大概率面臨風險.而在A2情景下，盡管其面臨風險的概率較小，但其NPP呈降低的趨勢，如果這種趨勢持續下去，也將使小葉章濕地面臨風險的概率升高.

采用逐步線性回歸分析方法對各氣象要素（年均溫、＞5℃積溫、年降水量和蒸發量）和NPP間相關關系進行分析，結果表明降水量對NPP影響最為顯著，二者呈顯著正相關關系（R2=0.58，P＜0.05）（表3），降水量和＞5℃積溫共同對NPP的影響更多一些，但其影響與降水量單一因素的影響程度相差很?。≧2=0.62）.說明水分是影響濕地NPP的一個重要因素，而溫度變化對其影響并不明顯，＞5℃積溫變化對NPP有一定程度的影響.

圖3 氣候變化情景下未來30年小葉章濕地風險等級Fig.3 Risk levels of Calamagrostis angustifolia wetlandsfrom 2013 to 2042 under different SRES

表3 模擬NPP與氣象要素間逐步回歸分析結果Table 3 Stepwise regression analysis between inter-annual variation of NPP and meteorological data

氣候變化情景假設了不同程度的氣溫升高和CO2濃度升高，這些因素均對植物生長有利，不同氣候情景下未來氣溫增溫趨勢顯著（圖4），NPP在未來30年也整體有所增加.但風險評價結果表明氣候變化情景下小葉章濕地仍面臨一定風險，其主要原因在于NPP在不同氣候情景下要么波動很大（A1B和B2），要么有降低趨勢（A2），這種NPP變化情況可能是由于降水量的變化引起的.未來30年不同氣候情景下，降水量波動很大（圖4），尤其是A1B和B2情景，A2情景雖然波動較小，但其降低趨勢明顯，降低速率為2.93mm/a，比B2情景下降低速率高1倍.前述分析中也指出降水量是影響NPP的重要因素，因此，有理由認為降水量是導致NPP波動劇烈的主要影響因素，隨著降水量劇烈波動，極端氣候事件出現概率增加是其主要原因.

圖4 氣候變化情景下未來30年氣溫降水變化Fig.4 Variations of temperature and precipitation from 2013 to 2042 under different SRES

3 討論

3.1 BIOME-BGC模型模擬濕地NPP

本研究利用BIOME-BGC模型模擬濕地生態系統NPP對未來氣候變化的響應，結果表明參數調整后，BIOME-BGC模型較好的模擬了三江平原小葉章濕地的NPP變化.BIOME-BGC模型對森林生態系統NPP模擬已十分成熟，并被廣泛應用［17，37］.但針對草地生態系統，由于其NPP受人類活動及當地水文、土壤等因素的影響十分顯著，而BIOMEBGC無法對這些因素進行模擬，所以其在草地生態系統上的應用有一定的局限性［13］.不過，BIOME-BGC模型的應用成功與否也取決于模擬區域的具體情況，已經有很多研究成功應用BIOME-BGC模型模擬草地生態系統NPP的變化情況［38-39］.而BIOME-BGC模型在濕地上的研究并不多見，曾慧卿等［17］曾成功模擬了濕地松林的NPP變化，但對于濕地草地的模擬尚未見報道，有研究曾模擬了不同水文梯度下草原植被的NPP［39］，說明該模型在不同水文梯度下是適用的，而本研究利用BIOME-BGC模型在濕地上成功模擬小葉章群落NPP進一步為該模型在濕地上應用提供了證據.

BIOME-BGC模型運行需要大量的參數，而獲得這些參數是比較困難的，尤其是一些參數在國內研究十分鮮見.雖然通過模型的改進可以用BIOME-BGC模型模擬草原、農田等生態系統，但參數的獲取仍是最為困難的因素［13］，通過合理的參數優化對模型的應用至關重要［40］，本研究借鑒多種方法對模型進行參數優化，通過逐步優化的方法，一方面有效的優化了模型參數，提高了模擬精度，同時也無需過大的計算量，效果較為理想.

3.2 濕地NPP變化及其影響因素

本研究中NPP模擬結果表明未來氣候變化下，由于CO2濃度升高和溫度升高，對濕地植被的生長產生有利影響，這與以往研究的結論［12］較為一致.但本研究同時發現濕地生態系統中降水量對植被NPP的影響較氣溫更為顯著，這與以往研究中NPP受氣溫影響顯著的結論并不一致［41］，這種不一致是由生態系統類型不同而導致的［42］.濕地往往有常年積水或季節性積水的特征，如果降水量過低顯然會對其植被生長產生重要影響.三江平原的小葉章濕地主要有典型草甸小葉章（地表常年無積水）和沼澤化草甸小葉章（個別月份地表存在少量積水）兩種類型，后者地下生物量高于前者1.59～2.78倍［43］，而兩者的主要區別就在于水分條件的差別，可見水分要素在某種程度上決定著小葉章濕地NPP的變化，這也驗證了本研究中降水量對小葉章NPP影響顯著的結論.此外，也有研究曾指出未來氣候變化下的降水變化可能會對植被NPP增加不利［44］，由于未來氣候變化下降水量呈下降趨勢，將使雨養農作物減產［45］.這些研究結論均與本研究一致.

此外，本研究中1961～1990年間小葉章濕地NPP有微弱的增加趨勢，這與毛德華等［46］的研究結論不同，其主要原因是本研究中模型模擬的小葉章NPP僅僅是在氣候變化影響下的變化趨勢，而近年來三江平原濕地除了受到氣候變化影響外，還受到其他多方面因素諸如土地利用方式、區域環境等的影響［47］，尤其是人類活動對其影響十分劇烈，1954～2005年間大面積的農田開墾造成濕地面積嚴重萎縮［48-49］，而這些因素是本研究所未考慮的.

3.3 氣候變化情景下濕地風險評價

已有的對于未來氣候變化下NPP預測研究多從全球尺度上估算不同植被類型在氣候變化情景下的變化，選用的模型也相對比較簡單，僅粗略區分了不同的植被類型如森林、灌木、草原［12］等，并非針對某一生態系統開展，而且缺少模型的調整與驗證過程.本研究僅針對小葉章濕地生態系統開展研究，選用了更為復雜也更為準確的生理生態過程模型，并通過實測數據對模型進行了校正，因此，相關研究結果有更高的準確性.但是本研究僅針對一種植被，而全球或某一區域的濕地有很多種不同的類型，因此，要開展區域化的研究仍有大量工作要做.

當前濕地風險評價仍處在起步階段，相關研究仍存在著概念理論體系不完善、評價標準不一致、過于集中在靜態評價，缺少動態評價、定量評價存在不確定性等問題，尤其是國內關于氣候變化下濕地風險評價相關的研究相對薄弱，缺乏定量評價濕地對氣候變化脆弱性的方法、模型、指標體系［50］.因此，本研究嘗試利用表征植物活動的重要變量NPP定量化的進行濕地風險評價，研究結果表明盡管存在升溫、CO2濃度升高等有利于植物生長的因素，但降水量的變化對濕地有重要影響，其在未來氣候情景下變化幅度不斷變大，加之未來氣候變化下極端氣候事件的概率增加，且我國降水量呈下降趨勢［45-51］，因此，未來氣候變化下濕地可能仍面臨著十分嚴峻的挑戰，未來濕地保護與管理過程中應重點關注水的補給和調配.

由于氣候情景、模型參數以及社會經濟情景等的不確定性，如何科學定量評價未來氣候變化的影響，是氣候變化研究的重要難題，導致人類在適應氣候變化的行動中，很難有針對性地根據氣候變化的不利影響進行有效的應對和管理［52］.但定量化評價未來氣候變化對生態系統的影響是未來研究的方向.盡管本研究選取的指標和評價方法仍有需要完善的地方，但研究開始了嘗試用定量化的方法評價氣候變化對生態系統的影響，相比僅僅單純分析氣候、NPP或其他指標的變化來評價未來氣候可能產生的影響，有了更為具體的指標和概念，研究結果的可借鑒意義更強.

4 結論

通過對BIOME-BGC模型進行參數優化，模型較好的模擬了三江平原富錦地區小葉章濕地NPP變化，說明了該模型在濕地生態系統的適用性，以及合理的參數優化對模型應用的重要性.對氣候變化情景下（A1B， A2， B2）小葉章濕地NPP模擬結果表明:降水量是影響區域濕地的重要因素，未來氣候情景下降水量的劇烈變化以及極端氣候事件的增加，可能會導致濕地面臨較高風險，濕地保護與管理過程中應重點關注水的補給和調配.定量化的評價未來氣候變化對生態系統影響是未來研究的方向，但也是相關研究的難點所在，今后的研究應致力于不斷提高定量研究的準確性，并將定量化研究成果區域化，且建立相對完善的評價體系.

［1］IPCC， Climate Change 2014: Synthesis Report. Contribution of Working Groups I， II and III to the fifth assessment report of the intergovernmental panel on climate change ［Core Writing Team，Pachauri R K， Meyer L A （eds.）］［R］. IPCC， Geneva， Switzerland，2014.

［2］Mitsch W J， Gosselink J G. Wetlands ［M］. Hoboken.: NJ: Wiley；2007.

［3］Finlayson C， Davis J， Gell P， et al. The status of wetlands and the predicted effects of global climate change: the situation in Australia ［J］. Aquatic Sciences， 2013，75（1）:73-93.

［4］Robarts R D， Zhulidov A V， Pavlov D F. The State of knowledge about wetlands and their future under aspects of global climate change: the situation in Russia ［J］. Aquatic Sciences， 2013，75（1）: 27-38.

［5］吳紹洪，潘 韜，賀山峰.氣候變化風險研究的初步探討 ［J］. 氣候變化研究進展， 2011，7（5）:363-368.

［6］彭少麟，侯愛敏，周國逸.氣候變化對陸地生態系統第一性生產力的影響研究綜述 ［J］. 地球科學進展， 2000，15（6）:717-722.

［7］van Minnen J G， Onigkeit J， Alcamo J. Critical climate change as an approach to assess climate change impacts in Europe: development and application ［J］. Environmental Science and Policy， 2002，5（4）:335-347.

［8］石曉麗，吳紹洪，戴爾阜，等.氣候變化情景下中國陸地生態系統碳吸收功能風險評價 ［J］. 地理研究， 2011，30（4）:601-611.

［9］Alexandrov G， Oikawa T， Yamagata Y. The scheme for globalization of a process-based model explaining gradations in terrestrial NPP and its application ［J］. Ecological Modelling， 2002，148（3）:293-306.

［10］Cramer W， Kicklighter D， Bondeau A， et al. Comparing global models of terrestrial net primary productivity （NPP）: overview and key results ［J］. Global Change Biology， 1999，5（S1）:1-15.

［11］朱文泉，陳云浩，徐 丹，等.陸地植被凈初級生產力計算模型研究進展 ［J］. 生態學雜志， 2005，24（3）:296-300.

［12］Pan S， Tian H， Dangal S R S， et al. Complex spatiotemporal responses of global terrestrial primary production to climate change and increasing atmospheric CO2in the 21st Century ［J］. Plos One， 2014，9（11）:0112810.

［13］Hidy D， Barcza Z， Haszpra L， et al. Development of the Biome-BGC model for simulation of managed herbaceous ecosystems ［J］. Ecological Modelling， 2012，226:99-119.

［14］Beck M B. Water quality modeling: a review of the analysis of uncertainty ［J］. Water Resources Research， 1987，23（8）:1393-1442.

［15］Trusilova K， Trembath J， Churkina G. Parameter estimation and validation of the terrestrial ecosystem model BIOME-BGC using eddy-covariance flux measurements ［M］. Jena: MPI-BGC； 2009.

［16］White M A， Thornton P E， Running S W， et al. Parameterization and sensitivity analysis of the BIOME-BGC terrestrial ecosystem model: net primary production controls ［J］. Earth Interactions，2000，4（3）:1-85.

［17］曾慧卿，劉琪璟，馮宗煒，等.基于BIOME-BGC模型的紅壤丘陵區濕地松（Pinus elliottii）人工林GPP和NPP ［J］. 生態學報，2008，28（11）:5314-5321.

［18］李 輯，龔 強.東北地區夏季氣溫變化特征分析 ［J］. 氣象與環境學報， 2006，22（1）:6-10.

［19］Running S W， Coughlan J C. A general model of forest ecosystem processes for regional applications I. Hydrologic balance， canopy gas exchange and primary production processes ［J］. Ecological Modelling， 1988，42（2）:125-154.

［20］Running S W， Hunt E R. Generalization of a forest ecosystem process model for other biomes， BIOME-BGC， and an application for global-scale models ［J］. Scaling Physiological Processes: Leaf to Globe， 1993:141-158.

［21］Dixon R K， Solomon A， Brown S， et al. Carbon pools and flux of global forest ecosystems ［J］. Science， 1994，263（5144）:185-190.

［22］張廷龍，孫 睿，胡 波，等.利用模擬退火算法優化Biome-BGC模型參數 ［J］. 生態學雜志， 2011，30（2）:408-414.

［23］Hidy D， Barcza Z， Haszpra L， et al. Parameter estimation for grassland carbon cycle using nonlinear inversion of Biome-BGC［J］. Cereal Research Communications， 2007，35（2）:453-456.

［24］楊文燕，宋長春，張金波.三江平原小葉章和毛果苔草兩種地表覆被下的貼地氣層CO2濃度垂直分布特征 ［J］. 中國科學院研究生院學報， 2006，23（5）:686-691.

［25］趙德林，洪福玉.三江平原主要土壤土體構造特點與治理途徑的探討 ［J］. 中國農業科學， 1983，1:008.

［26］竇晶鑫，劉景雙，王 洋，等.土溫升高對濕草甸小葉章植株碳，氮含量的影響 ［J］. 草業學報， 2010，19（1）:59-59.

［27］張養貞，黃錫疇.三江平原沼澤土壤的發生，性質與分類 ［J］. 地理科學， 1981，1（2）:171-180.

［28］劉興土.三江平原沼澤輻射平衡與小氣候基本特征 ［J］. 地理科學， 1988，8（2）:132-133.

［29］孫志高，劉景雙，王金達.三江平原典型濕地系統大氣濕沉降中氮素動態及其生態效應 ［J］. 水科學進展， 2007，18（2）:182-192.［30］王毅勇，楊 青，王瑞山.三江平原大豆田氮循環模擬研究 ［J］.地理科學， 1999，19（6）:555-558.

［31］鐘靜靜，趙海洋，張振卿，等.泥炭地炭屑研究進展 ［J］. 濕地科學，2012，10（4）:507-512.

［32］孫崇玉，劉景雙，王 洋，等.三江平原濕地小葉章各器官主要營養元素特征 ［J］. 濕地科學， 2011，9（2）:157-162.

［33］王 洋，劉景雙，竇晶鑫，等.三江平原不同群落小葉章枯落物的季節變化及養分累積特征 ［J］. 北京林業大學學報， 2010，32（1）:74-81.

［34］許吟隆， Jones R.利用ECMWF再分析數據驗證PRECIS對中國區域氣候的模擬能力 ［J］. 中國農業氣象， 2004，25（1）:7-11.

［35］Nakicenovic N， Swart R. IPCC special report on emissions scenarios ［R］. Cambridge Univ Press， Cambridge， 2000:612.

［36］吳紹洪.綜合風險防范:中國綜合氣候變化風險 ［M］. 北京:科學出版社， 2011.

［37］范敏銳，余新曉，張振明，等.CO2倍增和氣候變化對北京山區栓皮櫟林NPP影響研究 ［J］. 生態環境學報， 2010，19（6）:005.

［38］Han Q， Luo G， Li C， et al. Modeling grassland net primary productivity and water-use efficiency along an elevational gradient of the Northern Tianshan Mountains ［J］. Journal of Arid Land， 2013，5（3）:354-365.

［39］董明偉，喻 梅.沿水分梯度草原群落NPP動態及對氣候變化響應的模擬分析 ［J］. 植物生態學報， 2008，32（3）:531-543.

［40］Wang Y P， Trudinger C M， Enting I G. A review of applications of model-data fusion to studies of terrestrial carbon fluxes at different scales ［J］. Agricultural and Forest Meteorology， 2009，149（11）:1829-1842.

［41］劉亞榮，賈文雄，黃 玫，等.近51年來祁連山植被凈初級生產力對氣候變化的響應 ［J］. 西北植物學報， 2015，35（3）:029.

［42］王莉雯，衛亞星.盤錦濕地凈初級生產力時空分布特征 ［J］. 生態學報， 2012，32（19）:6006-6015.

［43］孫志高，劉景雙，楊繼松，等.三江平原小葉章濕地種群生物量結構動態與生長速率分析 ［J］. 草業學報， 2006，15（2）:21-29.

［44］Ge Z M， Kellom?ki S， Peltola H， et al. Impacts of climate change on primary production and carbon sequestration of boreal Norway spruce forests: Finland as a model ［J］. Climatic Change， 2013，118（2）:259-273.

［45］陶福祿，熊 偉，許吟隆，等.氣候變化情景下我國花生產量變化模擬 ［J］. 中國環境科學， 2000，20（5）:392-395.

［46］毛德華，王宗明，宋開山，等.東北多年凍土區植被NDVI變化及其對氣候變化和土地覆被變化的響應 ［J］. 中國環境科學，2011，31（2）:283-292.

［47］毛德華，王宗明，羅 玲，等.1982～2009年東北多年凍土區植被凈初級生產力動態及其對全球變化的響應 ［J］. 應用生態學報，2012，23（6）:1511-1519.

［48］王宗明，宋開山，劉殿偉，等.1954～2005年三江平原沼澤濕地農田化過程研究 ［J］. 濕地科學， 2009，7（3）:208-217.

［49］王宗明，張樹清，張 柏.土地利用變化對三江平原生態系統服務價值的影響 ［J］. 中國環境科學， 2004，24（1）:125-128.

［50］尚二萍，擺萬奇.濕地脆弱性評價研究進展 ［J］. 濕地科學，2012，10（3）:378-384.

［51］李 博，周天軍.基于IPCC A1B情景的中國未來氣候變化預估:多模式集合結果及其不確定性 ［J］. 氣候變化研究進展， 2010，6（4）:270-276.

［52］Mackay A. Climate change 2007: impacts， adaptation and vulnerability. Contribution of working group II to the fourth assessment report of the intergovernmental panel on climate change ［J］. Journal of Environmental Quality， 2007，2（6）:2407.

致謝：本研究的NPP實測數據由中國科學院三江平原沼澤濕地生態試驗站提供，氣候情景數據由中國農業科學院農業環境與可持續發展研究所氣候變化研究組提供，在此表示感謝.

Risk assessment of net primary productivity for wetland under climate change scenario: a case study of the Calamagrostis angustifolia wetland at Fujin in Sanjiang Plain， Northeast China.

LIU Xia1，2， WANG Yi-yong1*， FanYa-qiu1，3 （1.Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun 130102，China；2.University of Chinese Academy of Sciences， Beijing 100049， China；3.Northeast Normal University， Changchun 130024， China）. China Environmental Science， 2015，35（12）：3762～3770

Using the BIOME-BGC model， we estimated the changes of net primary productivity （NPP） of Calamagrostis angustifolia wetland at Fujin City in the Sanjiang Plain under IPCC SRES emission scenarios （A1B， A2， B2）， and assessed the wetland risk level based on the change ratios. Our results showed the optimal method significantly improved the simulation of wetland vegetation. From 2013 to 2042， wetland NPP was higher than that in 1961～1990. The NPP fluctuated strongly under A1B and B2 scenarios， while it showed a decreasing trend under A2 scenario. Risk assessment result indicates the risk of wetland under climatic change scenarios. In the A1B scenario， the number of high risk year might more than 6 in the next 30 years， and the risk of wetland might be lowest in A2scenario. In addition， precipitation was determined to be the dominant factor that affected NPP with significantly positive relationship （R2=0.58， P＜0.05）. Although the increases in temperature and CO2concentration in the future climate are beneficial to plant growth， the wetland will face risk with the increases in extreme weather events and the intense climate change， especially for the greater fluctuation of precipitation. The protection and management of wetland should focus on water supply and deployment in the future.

BIOME-BGC；climate change scenario；Calamagrostis angustifolia wetland；net primary productivity

X171，P95

A

1000-6923（2015）12-3762-09

劉 夏（1982-），女，黑龍江齊齊哈爾人，中國科學院大學博士研究生，主要從事濕地與氣候變化研究.

2015-05-15

國家科技支撐計劃項目（2012BAC19B05-4）；吉林省自然科學基金項目（20130101085JC）

* 責任作者， 研究員， wangyiyong@iga.ac.cn