基于地理國情普查的佛山植被碳匯能力評估

王海云，陳 媛，于 洋

（1.廣東省國土資源測繪院，廣東 廣州 510500；2.華南師范大學 地理科學學院 廣東省智慧國土工程技術研究中心，廣東 廣州 510631）

基于地理國情普查的佛山植被碳匯能力評估

王海云1，陳 媛2，于 洋2

（1.廣東省國土資源測繪院，廣東 廣州 510500；2.華南師范大學 地理科學學院 廣東省智慧國土工程技術研究中心，廣東 廣州 510631）

應用CASA模型，以廣東省佛山市為研究區域，探索了基于地理國情普查的廣東省市縣級林業碳匯能力評估方法。結果表明，由于地理國情普查獲得的林業植被數據精度比傳統遙感手法獲得的高，因此基于地理國情普查數據成果，利用CASA模型可以對區域范圍內的林業碳匯能力進行精確估算，從而為政府在碳排放和溫室氣體管理方面的決策提供科學依據，為地理國情監測成果提供一個典型的應用示范。

CASA模型；凈初級生產力；NDVI；光能利用率

隨著各種化石燃料的消耗,農墾發展、森林面積縮減以及土地開發等土地利用方式的改變，大氣中CO2、CH4和CO等溫室氣體濃度不斷上升，引起溫室效應[1]。聯合國政府間氣候變化專門委員會（IPCC）預測表明：到2100年，全球平均溫度將增加1.4～5.8℃，比20世紀觀測到的增溫幅度（0.6℃）高2～10倍。1970～2004年，全球溫室氣體排放量增加了約70%，其中CO2的排放量增加了約80%，是溫室效應加劇的主要原因[2]。控制和減少溫室氣體排放，發展低碳經濟，已成為全球應對氣候變化所關注的焦點和國際社會制定和實施環境經濟政策的重要導向。降低大氣中溫室氣體濃度不外乎采取兩種辦法：減少溫室氣體排放（源）；增加對溫室氣體的吸收（匯），即增加碳匯。然而，減少溫室氣體排放就意味著需要減少能耗、提高能效，這將對國家的經濟、社會發展產生重大影響；而增加對大氣中溫室氣體的吸收，則可以通過植樹造林增加植被覆蓋、改變農業生產方式等措施來實現。林業碳匯更是《京都議定書》認可的一種溫室氣體減量方式。植被凈初級生產力（NPP）是表征植物活動的關鍵變量，對于光合作用將植被可吸收的太陽能轉換成植物有機碳量的能力有重要的指示意義。探明NPP的時空變化可以指示碳匯格局的變化趨勢和特征，為制定碳匯增強政策提供科學指導，為城市的低碳經濟決策提供支持[3]。

目前，很多學者進行了林業碳匯能力估測的研究，取得了較多的研究成果，但都不能直接應用于市縣級區域范圍內林業碳匯能力的評估。因為這些成果一方面只適用于局部區域，不適于廣東省亞熱帶氣候植被，如林業部門編制的《造林項目碳匯計量與監測指南》中，碳匯統計模式沒有考慮林業的空間差異性和城鎮區域的植被，也不適用于林業碳匯的地理模擬與規劃；另一方面其主要集中于全國范圍等較大空間尺度的林業碳匯量評估，對政府在微觀尺度上進行碳匯調控的指導意義并不明顯，如孫睿[4]等在1 km×1 km空間分辨率上，借助植被指數與植被吸收的光合有效輻射比例之間的線性關系，利用光能利用率模型估算了中國陸地NPP并分析了其季節變化；朱文泉[5]在8 km×8 km空間分辨率上，估算了中國陸地生態系統NPP并分析其與氣候變化的關系；劉海桂[6]等采用GLO-PEM模型，在8 km×8 km空間分辨率下，估算了廣東省NPP，并分析了1981～2000年期間的時空動態。因此，為了更加精確地評估全省的林業碳匯水平，建立以市縣級區域為單位的年度林業碳匯權威發布機制，需要引入更為全面、科學和精確的林業碳匯數據及評估方法。

目前在全國范圍內全面實施的地理國情普查和監測為林業碳匯能力精確估算提供了可能。地理國情監測通過對地理國情進行動態地測繪、統計，從地理的角度綜合分析和研究國情，為政府、企業和社會各方面提供真實可靠和準確權威的地理國情信息。地理國情普查和監測數據涵蓋了詳盡的自然植被和人工植被（園地、草地、人工林、城市綠地）等信息。利用地理國情普查數據可對研究區域林區進行更為詳盡地細分，不同樹種計算所得的林業碳匯量更為精確；也可修正林業碳匯模擬模型，為林業碳匯規劃提供科學可靠的數據，但目前還沒有涉及這方面的研究內容。因此，本文探索了基于地理國情監測的廣東省市縣級林業碳匯能力評估方法。

1 研究區域與數據

1.1 研究區域

廣東省佛山市位于廣東省中南部，珠江三角洲腹地；東倚廣州市，西接肇慶，南鄰江門和中山，鄰近港澳，大致呈“人”字形，全境總面積為3 848.48 km2[7]；研究區（除順德區）面積為2 993.05 km2。佛山地勢西高東低，北高南低，以平原為主。西部的高明區、北部的三水區有連綿山體，為丘陵-低山地貌，地勢陡峻，相對高差大，山谷縱橫，植被茂密。佛山市植被資源豐富，已查明并有較大經濟價值的樹種有50多科，約200種[7]。目前，研究區植被覆蓋面積占研究區總面積的54.89%，碳匯潛力大。

1.2 研究數據

1）地表覆蓋數據。地理國情普查所獲取的地表覆蓋成果將用于提取植被覆蓋類型和植被覆蓋度信息，并最終用于NPP的估算。

2）基礎空間地理數據，將作為整套數據集的空間標準。

3）野外調查數據，用于對遙感分類、植被覆蓋度估算和NPP估算結果進行精度評價。設置矩形樣方，矩形樣方短邊長應大于林分優勢樹木的高，樣方大小盡量與估算單元相同。調查內容主要包括：樣點的植被覆蓋類型；樣點的植被覆蓋度；喬木：每棵樹木的樹高（H）和胸徑（D）；草本層和灌木層：樣方內植被的平均高度（H）和蓋度（P）。

4）氣象數據。CASA模型中需要輸入多個氣象參數，采用的氣象數據為：監測區域2014年各氣象站點逐月降雨量（mm），監測區域2014年各氣象站點逐月平均氣溫（℃）；監測區域2014年各氣象站點逐月日照時數（h）。

5）其他專題數據。第一次、第二次全國土地利用調查成果以及土地利用現狀更新數據，覆蓋監測范圍全境，可用于地表覆蓋分類提取和補充。

2 CASA模型

植被碳匯估測模型的構建受到學者們的廣泛關注。現在比較成熟的NPP估算模型主要有氣候相關模型、過程模型和光能利用率模型[8-13]。

1）氣候相關模型。具有代表性的相關模型有：Miami模型[14]、Thornthwaite Memorial模型、Chikugo模型[4]等。

氣候相關模型估算過程簡單，但其只考慮氣候因素（如氣溫、降水、蒸散等），估算的是陸地植被潛在NPP（不受人為干擾，氣候狀態最佳條件下的NPP）。在當今社會發展迅速，城市化水平不斷提高，城市化速度加劇的大環境下，氣候相關模型對于城市植被NPP估算存在較大誤差，估算結果并不具有代表性。

2）過程模型。具有代表性的相關模型有BIOMEBGC模型[15]、BEPS模型、TEM模型等。

過程模型有著完善的理論基礎，依據植被生長機理模擬，結果較為準確。但模型模擬過程非常復雜，眾多參數不易獲取。此外，此類方法模擬結果時間尺度小，不便于分析，限制了模型的發展。

3）光能利用率模型。它是基于資源平衡原理進行陸地植被NPP估算，假定生態過程趨于調整植被特性以響應環境，植被生長是充分利用各種資源的結果，各種資源對植被的生長同樣起到限制作用。在極端條件下或環境變化迅速時，植被生長受最緊缺資源的限制，引起NPP變化。基于上述理論，可以通過限制性資源的評估來估算植被NPP。具有代表性的此類模型有CASA模型[10]、GLO-PEM模型[16]等。CASA模型是目前應用最廣泛的模型之一。

借助于遙感技術的優勢，光能利用率模型已經成為估算陸地植被NPP的主要模型。近年來，許多學者已經用CASA模型做了相關研究。孫睿[17]等利用光能利用率中植被指數與植被可吸收光合有效輻射比例之間的關系對中國陸地植被NPP進行估算；樸世龍[3]等也對1997年中國陸地植被NPP進行估算。二者估算結果與我國陸地植被NPP的分布呈現從東南到西北遞減的趨勢相符合，證明了光能利用率模型估算NPP的可行性。但遙感驅動的光能利用率模型同樣受多種因素影響，如大氣狀況、地氣系統對太陽輻射反射的非各向同性等因素會影響植被指數等參數的準確計算[18]，估算準確性有待進一步提高。

綜合考慮，本文選擇CASA模型估算研究區域的NPP，其總體思路及公式如下：

即

式中，x表示空間位置；t表示時間；APAR（x，t）表示像元x在時間段t內吸收的光合有效輻射，單位為MJ·m-2·t-1；FPAR（x，t） 表示植被冠層可吸收的光合有效輻射吸收比例，無單位；PAR（x，t） 表示入射光的光合有效輻射，單位為MJ·m-2·t-1；ε（x，t）表示像元x在時間段t內的實際光能利用率，單位為gC·MJ-1。

2.1 FPAR的計算

式中，NDVIi，max和NDVIi，min分別表示植被類型i所對應的NDVI最大值和最小值；FPARmin和FPARmax分別為0.001和0.95，與植被類型無關；SR（x，t）表示像元x在t時刻的比值植被指數；SRi，max和SRi，min分別為植被類型i所對應的SR最大值和最小值。研究表明，基于NDVI估算的FPAR模型比實測值高，而基于SR估算的FPAR模型比實測值低，且其誤差小于直接由NDVI所估算的結果，因此將二者結合起來，取其平均值，作為最終FPAR的估算值[5]，α為調整系數，統一取0.5。

2.2 光能利用率的計算

其中，

式中，Tε1（x，t）[10]和Tε2（x，t）[10,19]表示低溫和高溫對光能利用率的影響，無單位；Wε（x，t）是水分脅迫影響系數，無單位，反映水分的影響；Topt（x）表示某一區域1 a內NDVI值達到最高時當月平均氣溫，單位為℃。當某一月平均溫度≤-10℃時，Tε1（x，t）取0；當某一月的平均溫度T（x，t）比最適宜溫度 Topt（x）高10℃或低13℃時，該月的Tε2（x，t）值等于月平均溫度T（x，t）為最適宜溫度Topt（x）時Tε2（x，t）值的一半；εmax為理想狀況下最大光能利用率，單位為gC·MJ-1，本文采用較為通用的Running[15]等的研究成果。

Wε（x，t）反映植物所能利用的有效水分條件對光能利用率的影響，隨著環境中有效水分的增加，Wε（x， t）逐漸增大，其取值范圍為0.5～1，表示從極端干旱條件下到非常濕潤條件下的變化。

式中，E（x，t）表示區域實際蒸散量，單位為mm；Ep（x，t）為區域潛在蒸散量，單位為mm。區域實際蒸散量和潛在蒸散量可由如下公式計算：

式中，P（x，t）為像元x在時間段t內的降水量，單位為mm；Rn（x，t）為像元x在時間段t內的地表凈輻射量，單位為mm；Ep0（x，t）為局地潛在蒸散量，單位為mm。

2.3 入射光的光合有效輻射計算

太陽輻射中能被綠色植物用來進行光合作用的能量稱為光合有效輻射（PAR），是形成生物量的基本能源，是植物生長的驅動力，直接影響植物的生長、發育、產量以及產品質量，PAR與太陽總輻射有關，可表示為[20-21]：

式中，SOL（x，t）表示像元x在時間段t內太陽總輻射量，單位為MJ·m-2·t-1，0.5表示植被所能利用的太陽有效輻射占太陽總輻射的比例。杜堯東[22]等根據廣東省太陽輻射觀測站數據以及氣象資料，總結了國內外太陽輻射氣候學計算方法，找到了適合廣東省太陽總輻射量的計算公式：

式中，Q0表示月天文輻射總量，單位為MJ·m-2·month-1；s表示日照百分率；a、b為月經驗系數，是依據1961～2002年月總輻射數據和日照百分率，采用最小二乘法擬合得到（表1）。

表1 不同月份月經驗系數

月天文輻射總量由日天文輻射總量和精確累積得到，可用公式表示為：

式中，Q0'為日天文輻射總量，單位為MJ·m-2·d-1；T為周期（24×60×60 s）；I0為太陽常數，數值為13.67×10-4MJ·m-2·s-1；ρ為日地相對距離；ω0為日落時角，單位為rad；φ為地理緯度；δ為太陽赤緯，單位為rad，各個參數計算公式如下：

式中，J為年內天數。

2.4 NDVI和SR最值的選取

最值選取基于MOD13Q1 NDVI合成的產品數據。其中，NDVI最大值是指植被達到全覆蓋下的NDVI值，而非實際最大值。為消除植被分類誤差以及NDVI數據本身誤差，在估算NPP時，需要考慮分類精度影響。具體操作如下：

1）求各植被類型NDVI最大值的概率分布。

3）對選出的像元再計算一次NDVI概率分布，在概率分布區間[0.05，0.95]內選出該植被類型NDVI最大值和最小值。

步驟1）、2）實際上是消除分類所帶來的誤差，步驟3）在一定程度上消除了遙感圖像噪聲所帶來的誤差。不同植被類型NDVI、SR最小值統一采用荒漠或裸地5%下側分位數，NDVI最小值為0.023，SR最小值為1.05。

3 基于CASA模型的佛山市NPP估算

在ENVI 4.8和IDL環境支持下，根據 CASA模型，利用地理國情普查獲得的植被數據、濾波重建后的NDVI時間序列數據、氣溫、降水和日照時數等氣象數據，逐像元計算佛山市2014年的月NPP和年NPP（圖 1）。估算過程中，借助于ENVI插件“植被凈初級生產力（NPP）軟件模塊V1.0”[5]完成NPP估算。該模型是基于CASA模型，在IDL軟件平臺下開發的。

經測算，佛山市NPP最大值為1 343.48 gC·m-2·a-1，NPP平均值為418.60 gC·m-2·a-1，分布較散；2014 年NPP總量為124.5萬噸。其中高明區固碳最多，為68.91萬噸，其次是三水區28.97萬噸，南海區24.76 萬 噸，禪城區固碳量最少，為1.86萬噸。從NPP均值看，高明區NPP均值最高，為735.06 gC·m-2·a-1，其次是三水區349.96 gC·m-2·a-1，南海區和禪城區NPP均值都較低，分別為231.18 gC·m-2·a-1和120.58 gC·m-2·a-1。禪城區也是唯一一個NPP最大值低于佛山市NPP最大值的行政區，只有1 190.12 gC·m-2·a-1，但禪城區NPP分布比其他行政區集中（表2）。

圖1 佛山市（不含順德區）NPP空間分布圖

表2 佛山市各行政區NPP統計表

為了方便將NPP與氣候對比，將相關氣象數據，平均溫度、總降水和太陽總輻射與每月NPP歸一化處理，其曲線圖如圖2所示。

圖2 NPP與氣象數據對比曲線圖

可見NPP走勢與氣象數據大體一致，通過相關性分析，NPP與溫度、太陽輻射的相關性系數分別為0.947和0.897，通過了顯著性檢驗；而NPP與降水相關性系數為0.663（圖3），沒有通過顯著性檢驗。

圖3 NPP與降水對比曲線圖

從地類來看（圖4），闊葉林對佛山市NPP貢獻最大，約52%的碳匯為闊葉林所貢獻，其次是高覆蓋度草地、農用地和針葉林。佛山市綠地以闊葉林分布最為廣泛，占地約561.5 km2，其次是高覆蓋度草地，占地約326.47 km2，針葉林占地約165.83 km2，苗圃占地約110.29 km2，旱地約121.31 km2（圖5）。雖然高覆蓋度草地的平均NPP并不高，但分布較廣，面積總數大，因此其固碳貢獻較高。2012年，佛山市碳排放量為1 001.06萬噸，而佛山市2014年固碳為124.5萬噸，占碳排放的12.4%，則佛山市實際排放量為876.56萬噸。

圖4 不同植被NPP貢獻統計餅圖

圖5 佛山市2004年不同植被面積統計直方圖

4 結 語

本文選取廣東省佛山市作為研究區域，利用高精度地理國情普查與監測數據，應用CASA模型，在較小空間尺度（高空間分辨率）上估算了該行政區域范圍內的林業碳匯分布格局和林業碳匯總量，形成了一套基于地理國情普查成果的市縣級林業碳匯能力評估技術體系，可較為精確地以市縣區為單位計算整個廣東省時空林業碳匯能力；并在此基礎上進行了科學地林業碳匯規劃，從而為推進生態環境保護、建設環境友好型社會，為省政府在全省碳排放和溫室氣體管理方面的決策提供科學依據。

1）從空間分布來看，禪城區碳匯量最少，而高明區最多，這與城市化有一定的關系。高明區和三水區北部地區，地處山區，落葉林占比較大，故碳匯量較大。三水區大部分地區和南海區大部分地區主要是以草地、農用地為主，固碳量貢獻主要是草地和農用地，其中西樵山和其他森林公園闊葉林固碳貢獻較高。禪城區固碳貢獻主要是草地和城市綠地，城市用地的擴張，導致綠地減少。因此高明區、三水區北部山區及南海區西樵山可繼續發展自然生態，保護闊葉林等林地面積，保障研究區碳匯能力。三水區大部分地區和南海區可發展新型農業，培育苗圃、幼林，保障森林公園綠地，增加果園面積，增加研究區碳匯能力。禪城區應保障城市綠化、公園等綠地面積；城市綠化可種植高碳匯貢獻的植被，以此增加研究區碳匯能力。

2）基于國內現有碳匯估算方法， 2013年廣東省耕地平均NPP為451.35 gC·m-2，佛山市2015年全市耕地平均NPP為587.25 gC·m-2。2013年廣東省林地平均NPP為477.02 gC·m-2，佛山市2015年全市林地平均NPP為842.22 gC·m-2。2013年廣東省園地平均NPP為451.72 gC·m-2，佛山市2015年全市園地平均NPP為568.32 gC·m-2。可見地理國情監測對綠地的精細分類，有利于改善碳匯低估，提高碳匯估算的精度。

本文研究數據中氣象數據站點存在不足，只有三水區和南海區的平均溫度、平均降水和實際日照總時數數據，兩個站點數據并不足以完成插值，模擬整個研究區氣象數據變化。若有更多站點氣象數據且氣象數據全面，可更好提高研究區NPP估算精度。此外，高覆蓋度草地雖然單位固碳量不高，但在城市中高覆蓋度草地總面積大，因此固碳總量大。國內學者研究多注重在自然環境，重點研究對象在闊葉林、針葉林和喬木等。城市地區綠化用地更多為高覆蓋度草地，因此對高覆蓋度草地固碳情況需要更進一步研究。

[1] 管東生,陳玉娟,黃芬芳.廣州城市綠地系統碳的貯存、分布及其在碳氧平衡中的作用[J]. 中國環境科學,1998,18(5): 53-57[2] 耿元波,董云社,孟維奇.陸地碳循環研究進展[J].地理科學進展,2000,19(4):297-306

[3] 樸世龍,方精云,郭慶華.利用CASA模型估算我國植被凈第一性生產力[J].植物生態學報,2001,25(5):603-608

[4] 孫睿,朱啟疆.陸地植被凈第一性生產力的研究[J].應用生態學報,1999(6):757-760

[5] 朱文泉.中國陸地生態系統植被凈初級生產力遙感估算及其與氣候變化關系的研究[M]. 北京:北京師范大學,2005

[6] 劉海桂,唐旭利,周國逸,等. 1981～2000年廣東省凈初級生產力的時空格局[J].生態學報,2007,27(10):4 065-4 074

[7] 佛山年鑒編纂委員會.佛山年鑒[M].佛山:佛山年鑒社,2014

[8] Ruimy A,Saugier B,Dedieu G. Methodology for the Estimation of Terrestrial Net Primary Production from Remotely Sensed Data[J]. Journal of Geophysical Research: Atmospheres(1984-2012),1994,99(D3):5 263-5 283

[9] Christopher S. Potter,James T. Randerson,Christopher B. Field, et al. Terrestrial Ecosystem Production: a Process Model Based on Global Satellite and Surface Data[J]. Global Biogeochemical Cycles,1993,7(4):811-841

[10] Cramer W,Kicklighter D,Bondeau A. Comparing Global Models of Terrestrial Net Primary Productivity(NPP): Overview and Key Results[J]. Global Change Biology,1999,5(S1):1-15

[11] Ruimy A,Kergoat L,Bondeau A. Comparing Global Models of Terrestrial Net Primary Productivity (NPP): Analysis of Differences in Light Absorption and Light-use Efficiency[J]. Global Change Biology,1999,5(S1):56-64

[12] Lieth H. Modeling the Primary Productivity of the World[J]. Indian Forest,1972,14(1):237-263

[13] Steven W. Running,Peter E. Thornton,Ramakrishna Nemani, et al. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System[J]. Springer New York,2000:44-57

[14] Prince S D, Goward S N. Global Primary Production: a Remote Sensing Approach[J]. Journal of Biogeography,1995, 22(4/5):815-835

[15] 孫睿,朱啟疆.中國陸地植被凈第一性生產力及季節變化研究[J].地理學報,2000,55(1):216-225

[16] 林廣發.景觀尺度植被凈初級生產力遙感估算方法研究[D].廣州:中山大學,2008

[17] Field C B, Randerson J T, Malmstrom C M. Global Net Primary Production: Combining Ecology and Remote Sensing[J]. Remote Sensing of Environment,1995,51(1) :74-88

[18] 朱文泉,潘耀忠,張錦水.中國陸地植被凈初級生產力遙感估算[J].植物生態學報,2007,31(3):413-424

[19] 杜堯東,毛慧琴,劉愛君,等.廣東省太陽總輻射的氣候學計算及其分布特征[J].資源科學,2003,25(6):66-70

P208

B

1672-4623（2016）07-0030-05

10.3969/j.issn.1672-4623.2016.07.009

王海云，碩士，主要從事3S技術應用、地理國情普查及監測、數字城市地理空間框架建設等方面研究和工作。

2016-03-17。