遼河三角洲河口濕地典型蘆葦群落最大光能轉化率模擬

陳吉龍, 李國勝,寥華軍,王炳亮,崔林林

1 中國科學院重慶綠色智能技術研究院, 重慶 400714 2 中國科學院地理科學與資源研究所, 北京 100101 3 中國地質調查局濱海濕地生物地質重點實驗室, 青島 266071

?

遼河三角洲河口濕地典型蘆葦群落最大光能轉化率模擬

陳吉龍1, 2, 李國勝2,3,*,寥華軍2,王炳亮2,崔林林2

1 中國科學院重慶綠色智能技術研究院, 重慶 400714 2 中國科學院地理科學與資源研究所, 北京 100101 3 中國地質調查局濱海濕地生物地質重點實驗室, 青島 266071

CASA模型是研究宏觀尺度凈初級生產力最常用的模型之一,最大光能轉化率是CASA模型的最關鍵參數,但他難以通過測量和試驗獲得,只能通過模擬求取。利用CASA模型反演了遼河三角洲河口濕地典型蘆葦群落的最大光能轉化率,并針對遙感和氣象數據的可能誤差對最大光能轉化率的影響進行了敏感性分析。模擬結果表明：蘆葦群落具有極高的碳轉化能力,最大光能轉化率達1.667 g C/MJ,實際轉化率達到0.957—1.102 g C/MJ。敏感性分析結果顯示最大光能轉化率模擬值對總輻射和NDVI表現出較強的敏感性,由總輻射誤差帶來的最大光能轉化率相對變化幅度僅為-4.14%—4.56%；模擬結果對NDVI的敏感性隨著NDVI的增加而降低,即便是以誤差30%考慮,模擬值仍然比較集中在樣點的變化范圍之內,這些結果表明模擬的蘆葦最大光能轉化率具有一定的穩定性和可靠性。

最大光能轉化率；蘆葦；CASA模型；凈初級生產力；遼河三角洲

河口濕地是一類特別的濕地生態系統,位于陸地、海洋和河流生態系統的交界處,是生產力最高的生態系統之一,可以與農田生態系統相媲美,具有很高的固碳能力[1]。單位面積鹽沼、紅樹林濕地甚至比成熟的熱帶雨林能封存高得多的碳,在全球碳循環中扮演著重要角色。傳統的樣地觀測是濕地生產力研究的基本方法,站點實測數據精度高,是模型校正和驗證不可缺少的基礎資料；但由于濕地特殊自然環境,加大了野外測量的難度；另一方面,樣地觀測在區域凈初級生產力研究中存在明顯局限性。在區域或全球尺度上,模型估算成為凈初級生產力一項重要手段[2]。其中,以基于光能轉化率的Carnegie Ames Stanford Approach (CASA)模型應用較為廣泛[3- 4]。CASA模型能夠與RS和GIS技術相結合,為區域生產力的研究提供高效、精確的研究方法。

最大光能轉化率是CASA模型最重要的參數之一,它的大小直接影響到凈初級生產力的總量。其含義為在理想情況下,植被通過光合作用吸收單位光合有效輻射所固定的最大干物質總量。Raymond等認為在沒有氣候和其它因素限制情況下,森林的最大光能轉化率可達3.5 g C/MJ[5],而在Harvard森林研究樣地,最大光能轉化率約為0.55 g C/MJ[6]。農作物的最大光能轉化率變化范圍較窄,介于1.1—1.4 g C/MJ之間,而自然生態系統變化較大[7],因此,Heimann等采用平均值1.25 g C/MJ估算了全球植被的年凈初級生產力[8]。不同植被類型之間的最大光能轉化率存在較大差異,目前還無法直接測量,只能通過模擬來求取。Potter提出CASA模型時,利用Raich等[9]和McGuire等[10]觀測的17組凈初級生產力數據模擬出最大光能利率為0.389 g C/MJ[3- 4]。雖然這個值被廣泛用來估算區域植被凈初級生產力[11],但最大光能利率取值偏低導致凈生產力被低估的現象也被大量報道[12- 13],這些結果表明對最大光能轉化率的本地校正或者模擬對準確估算凈初級生產力具有十分重要的作用。由于受實測資料的限制,相關研究僅有少量的報道。Running等根據生態生理過程模型BIOME-BGC,模擬出不同植被的最大光能轉化率為0.389—1.259 g C/MJ[13]。朱文泉利用中國林業部的林業普查的實測數據和空間分辨率為8 km探路者數據,采用CASA模型模擬出中國主要森林植被的最大光能轉化率為0.542—0.985 g C/MJ[14]。由于陸地生態系統的復雜性,對于不同植被類型,最大光能轉化率取值應該不同,森林生態系統的模擬值不能簡單應用到濕地生態系統；另外,使用的數據及方法的差異也可能對結果有一定的影響。即便不考慮這些因素,迄今為止,仍未發現有關河口濕地最大光能轉化率模擬研究的報道。

遼河三角洲河口濕地是我國重要的河口濕地之一,是亞洲最大的暖溫帶濱海濕地,位于遼寧省西南部遼河平原南端,渤海遼東灣的頂部(圖1)。受海洋和陸地交互、淡咸水交匯作用,復雜動力機制造就了復雜多樣的濕地類型和生態環境,發育了以蘆葦、翅堿蓬、獐毛、香蒲等作為建群種的濕地植物群落,以及水稻田、蝦蟹養殖池等人工濕地類型,其中蘆葦面積達到756 km2,是亞洲第一大蘆葦濕地,已建成世界第二大葦場,修建了完善的水利排灌體系,改變了自然狀態下河口濕地的水文規律。石油開發的各種地面工程造成了濕地景觀破碎化,嚴重破壞了濕地的原有生境。在這些人為干擾下,遼河三角洲河口濕地的植被及凈生產力格局發生明顯的變化[15]。但由于種種原因,我國對濕地的研究、監測開展較晚,濕地生態系統缺少長期、系統的觀測數據。盡管目前已經在遼河三角洲開展了一些凈初級生產力的研究工作[16],但絕大部分仍局限于有限樣點的野外調查工作。RS和GIS技術為濕地凈生產力的研究提供了高效手段,但目前在本區域的應用也還停留在景觀層面的研究上[17]。因此,遼河三角洲河口濕地凈初級生產力的遙感監測被列為中國地質調查項目及國土資源公益性行業科研專項的重要內容,而準確確定蘆葦群落的最大光能轉化率是凈初級生產力研究的前提工作,對全面了解河口濕地碳匯功能、研究濕地碳循環具有十分重要的作用,而且對準確評估我國蘆葦濕地的固碳功能、發揮和提高濕地生態系統的固碳潛力具有重要的意義。

圖1 遼河三角洲河口濕地的位置及樣點的分布Fig.1 Location of the sampling sites in Liaohe river estuarine wetland *背景為TM432波段合成

1 數據與方法

1.1 方法

1.1.1 CASA模型

利用光能轉化率原理,Monteith提出利用吸收光合有效輻射和光能轉化率來估算陸地凈初級生產力的概念,并考慮了水分、溫度和養分脅迫。在此基礎上,Potter和Field建立了CASA模型,實現了基于光能轉化率原理的凈初級生產力估算,其理論構架可表示為下式[3- 4]。

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

ε(x,t)=Tg1(x,t)×Tg2(x,t)×Wg(x,t)×εmax

(2)

式中,NPP為凈初級生產力,APAR為吸收光合有效輻射,FPAR為光合有效輻射分量,t表示時間,x表示空間位置,εmax為最大光能轉化率,Tg1和Tg2為溫度脅迫系數,Wg為水分脅迫系數。

1.1.2 CASA模型參數化

植被吸收的光合有效輻射取決于太陽總輻射和植被對光合有效輻射的吸收分量,用下列公式表示：

APAR(x,t)=Rs(x,t)×α×FPAR(x,t)

(3)

式中,Rs(x,t)是像元x處的太陽總輻射,α表示植被所能利用的太陽有效輻射占太陽總輻射的比例,主要是波長范圍在0.38—0.76μm的可見光,α一般約占太陽總輻射能量的50%左右。由于太陽輻射站點數量少,常常需要利用采用?ngstr?m-Prescott(A-P)模型和日照時數來計算[18]。

光合有效輻射分量是植被對光合有效輻射的吸收比例,取決于植被類型和植被覆蓋狀況。研究表明光合有效輻射吸收分量與歸一化植被指數(NDVI)存在線性關系[19]。這一關系可以根據某一植被類型NDVI的最大值和最小值以及所對應的光合有效輻射吸收分量最大值和最小值來確定：

(4)

式中,NDVIi, max和NDVIi, min分別對應第i種植被類型的NDVI的最大值和最小值。進一步的研究表明,光合有效輻射吸收分量與比值植被指數(RVI)也存在較好的線性關系[20],可由公式表示:

(5)

式中,FPARmin和FPARmax的取值與植被類型無關,分別為0. 001和0. 95。研究表明由NDVI所估算的光合有效輻射吸收分量比實測值高,而由RVI所估算的光合有效輻射吸收分量則低于實測值,但其誤差小于由NDVI所估算的結果[21],考慮到這種情況,Los將這兩種方法結合起來,取其平均值作為最終結果[22],此時,估算值與實測值之間的誤差達到最小。

光能轉化率是CASA模型中最關鍵的環節。Potter等認為在理想條件下植被具有最大光能轉化率,而在現實條件下的光能轉化率受到環境因子如氣溫、水分狀況以及大氣水汽壓差等因素的影響,因此利用溫度、大氣及水分的可利用程度來調節。其公式可以表達為[3- 4]:

ε(x,t)=Tg1(x,t)×Tg2(x,t)×Wg(x,t)×εmax

(6)

式中,Tg1(x,t)和Tg2(x,t)為溫度脅迫系數,分別用以下公式計算：

Tg1(x)=0.8+0.02Topt(x)-0.0005Topt(x)2

(7)

(8)

式中,Topt為一年內NDVI達到最高時月份的平均氣溫,認為此溫度為植被生長的最適溫度。當某一月平均溫度小于或等于-10C時,Topt取0,認為此時光合生產為零。若某月氣溫比最適宜溫度高10℃或低13℃時,該月的Tg2值等于月平均氣溫為最適宜溫度Topt時的Tg2值的一半。

Wg(x,t)為水分脅迫系數,反映了水分條件對光能轉化率的影響,其取值范圍為0.5至1,由下式計算:

Wg(x,t)=0.5+0.5EET(x,t)/PET(x,t)

(9)

式中,EET為實際蒸散,根據FAO推薦的作物潛在蒸散的Penman-Monteith方程計算[23]。PET為潛在蒸散量,根據Boucher提出的互補關系計算[24]。

根據公式(1)和(2),則最大光能轉化率表示為：

(10)

公式中可以看出,當NPP、APAR、Tg1、Tg2和Wg為已知時,便可以計算某一樣點上植被的最大光能轉化率。由于模型估算往往不可避免的要對某些過程進行簡化；另一方面,不同的數據誤差也有可能被帶入最后的結果中,不同樣點所模擬的最大光能轉化率可能不同。因此,本文將利用54個樣點數據中的27個(圖1),根據誤差最小原則,擬合出蘆葦的最大光能轉化率。

1.1.3 凈初級生產力分配

部分凈初級生產力在生長期分配到根部,經過累積形成地下生物量。而利用CASA模型所估算的凈初級生產力包括地上和地下部分。由于濕地的特殊困境,加上蘆葦發達的深根系,對地下凈初級生產力的測定比較困難。本文野外樣地調查僅僅測定了蘆葦地上部分。為了使CASA模型模擬的結果與實測生物量具有可比性,采用根、莖、葉動態配置模式(Pierre′s model),根據可利用資源光(L)、水分(W)和假營養(N)對不同器官進行碳的動態配置[25],將地上部分的凈初級生產力從CASA模型中所模擬的結果分離出來。

NPProot=3Nr(L/(L+2min(W,N)))

(11)

NPPstem=3Ns(min(W,N)/(2L+min(W,N))

(12)

NPPleaf=1-(NPProot+NPPstem)

(13)

式中,Nr和Ns代表沒有資源限制時,凈初級生產力分配到根和莖中的比率,默認取值0.3。資源可利用性因子L、W、N取值介于0.1(資源限制)與1(資源充分并容易獲取)之間。L利用葉面積指數來估算,L=e-K×LAI,K為消光系數,默認取值為0.5。水分因子W取決于土壤濕度和土壤質地。假營養因子N利用濕度和氣溫來計算,N=Fp×Ft,其中Fp=PPT/PET,Ft=2[(T-30)/10],PPT為降水量,T為平均氣溫,PET潛在蒸散。

1.2 數據收集與處理

基于CASA模型估算植被凈初級生產力涉及大量的氣象數據、遙感數據以及其它基礎資料,數據質量的好壞直接關系到結果的可靠性,因此,在數據的收集與處理過程中,要盡可能的降低數據本身所包含的誤差,并使數據具有統一的標準。

1.2.1 氣象數據

氣象數據包括2011年每日的總輻射、日照時數、平均氣溫、最高氣溫、最低氣溫、大氣壓、相對濕度。所有氣象數據都從中國氣象科學數據共享網(http:// cdc. cma. gov. cn/)獲取。根據CASA模型估算區域的凈初級生產力,需要基于網格點的氣象數據,這要求將氣象站點的氣象要素通過空間插值到區域,但研究區域內僅有營口站的氣象數據,為了減少插值的邊緣誤差,下載了整個遼寧省內的27個氣象站的數據,然后通過ANUCLIM插值方法內插出整個遼寧省網格點氣象數據,最后利用研究區域的邊界剪切出區域內的數據[26]。

1.2.2 遙感數據

遙感數據是進行區域凈初級生產力研究不可缺少的數據源。由于MODIS多波段數據可以同時提供有關陸地、植被、大氣、溫度等特征信息,其時間分辨率高,重覆周期短,是開展區域凈初級生產力研究非常重要的資源。因此,本文也使用MODIS數據產品來模擬蘆葦群落的凈初級生產力,具體包括2011年全年16d合成的MODIS09反射率產品、2011年全年16d合成MOD13植被指數產品以及2011年全年16d合成MODIS15葉面積指數產品。所有MODIS數據均從NASA(http://reverb.echo. nasa.gov)下載獲取。這些數據產品都經過了一系列嚴格的質量控制和檢驗,已經在國內外廣泛使用,實踐證明這類產品的精確度能夠滿足此類研究工作的需要。

1.2.3 凈初級生產力測量數據

凈初級生產力測量采用收割法,選取連續分布的且長勢均質的典型蘆葦群落,設置樣地54個(圖1),其中27個用于模擬最大光能轉化率,另一半用于驗證模擬結果。大樣地面積設為250 m×250 m,以匹配MODIS像元大小,在每一樣地的四角和中心設置5個2 m×2 m小樣方,將樣方蘆葦齊地收割,按器官部位分別稱總鮮重,并各取樣品一份(300—500 g左右),用于測定不同器官的干物質比率。并收集樣方中所有調落物并測定鮮重,同樣也取樣品一份,測算調落物的干物質比率。將樣品帶回實驗室在80℃下烘干48 h至恒重并稱重,然后根據不同器官的干物質比率及其總鮮重,推算其樣方內總干重,以5個小樣方的平均值計算樣地單位面積生物量,最后乘以碳轉換系數(0.45),換算成單位面積上植被地上部分碳含量。各樣點的調查具體情況見表1。

表1 模擬樣點的最大光能轉化率

2 結果與討論

2.1 模擬結果

表1列出了模擬的蘆葦最大光能轉化率,樣點模擬值為1.112—2.611 g C/MJ (1.656±0.43) (表1),模擬值平均值為1.667 g C/MJ。Potter 提出CASA模型時,植被最大光能轉化率為0.389 g C/MJ[3- 4],明顯低于本區域蘆葦群落的最大光能轉化率。在廣東鼎湖山和黑石頂的觀測也表明常綠闊葉林的實際光能轉化率分別要大于0.605 g C/MJ和0.515 g C/MJ[21],因此,彭少麟采用最大光利用率為1.25 g C/MJ估算了廣東省植被的凈初級生產力[27],但依然要低于蘆葦群落的最大光能轉化率。采用與本文相同的方法,朱文泉利用凈初級生產力的實測數據,根據誤差最小的原則模擬出中國主要森林植被類型的最大光能轉化率為0.542—0.985 g C/MJ[21]。而Running根據生態生理過程模型BIOME-BGC模擬的不同的植被類型的最大光能轉化率為0.389—1.259 g C/MJ[13],其結果也都明顯低于本區域蘆葦群落。

圖2 蘆葦群落光能轉化率的時間動態 Fig.2 Temporal vartion of light coversion efficiency of Phragmites salt marsh

利用模擬的最大光能轉化率,我們計算了蘆葦群落的實際光能轉化率,樣點模擬平均值為0.957—1.102 g C/MJ,要高于我國植被的年平均光能轉化率0.196—0.701 g C/MJ[14],甚至要高于常綠闊葉林、常綠針葉林、熱帶常綠闊葉林等森林植被[27]。圖2為蘆葦群落光能轉化率的時間動態,表現出明顯的單峰曲線季節變化模式；從年初到4月上旬,由于低溫天氣的限制,光能轉化率趨近于0；當溫度升高到適宜植被生命活動時,植被開始生長發育,光能轉化率開始上升；隨著生長季的持續,溫度和降水的增加有利于葉片的光合作用,光能轉化率不斷提高,葉面積不斷增加, 覆蓋度逐漸增大,在7月下旬本地區的溫度和降水分別達到最大值時,光能轉化率也達到最高值1.524 g C/MJ；在植被長勢達到最茂盛后,隨著溫度和降水的減少,加上大部分綠葉開始變黃或調落,葉綠素含量降低,光能轉化率也開始降低；在生長季結束后,低溫寒冷天氣限制了植被的生長,光能轉化率趨近于0。

河口濕地位于陸地、海洋和河流生態系統的交界處,是生產力最高的生態系統之一[1]。喬治亞海岸互花米草的凈初級生產力達到7620 g C/m2[28],我國長江口典型蘆葦濕地凈初級生產力也可達1100—2400 g C/m2[29]。這除了與河口濕地所處的特殊環境有關外,還可能取決于濕地植被高的光能轉化率。本文的結果表明蘆葦群落具有很高的最大和實際光能轉化率,甚至要高于Running[13], 朱文泉[14]模擬的闊葉林、針葉林以及針闊混交林等森林植被,這可能是由于植被的生長都需要充足的水分和營養條件,而蘆葦沼澤濕地恰恰處于陸地與水體的過渡地帶,它同時兼具豐富的陸生和水生動植物資源,在長期的自然選擇和進化過程中形成了其它任何生態系統都無法比擬的基因庫；別一方面,沼澤濕地的泥碳土壤經過長期累積,為沼澤植被的生長提供了豐富的營養元素；加上河口濕地海洋與河流的水文交互作用有利于植被光合作用對碳的轉化,已有的研究也表明河口濕地高的生產力與水文的季節性波動有著密切的相關性[30]。這些特殊的水文和土壤條件為河口濕地蘆葦群落對碳的轉化提供了有利的條件,形成了蘆葦群落高的光能轉化率。

3.2 模擬結果驗證

圖3 地上凈初級生產力模擬值與觀測值 Fig.3 Scatter plots of aboveground NPP estimation vs. observation * 原始結果是指采用最大光能轉化率0.389 g C/MJ所計算的NPP,模擬結果是指采用1.667g C/MJ所計算的NPP

對模擬結果進行驗證是進一步分析和應用的基礎,由于在目前還不能通過試驗和設備來測量植被的最大光能轉化率,無法通過實測值來檢驗模擬的效果。最大光能轉化率真是CASA模型的重要參數,因此,利用54個野外測量數據中的另外27個,并利用模擬的蘆葦最大光能轉化率來計算對應樣點的地上凈初級生產力,通過驗證地上凈初級生產力來間接驗證模擬的最大光能轉化率的可靠性。圖3為CASA模型模擬的蘆葦地上凈初級生產力與實測值散點圖。總體上看,CASA模型模擬結果與觀測值具體較好的一致性。模擬值與實測值之間的相關系數為0.63(P<0.001),達到極顯著性水平。最大相對均方根誤差(RRMSE)為40%,平均相對均方根誤差為24%。27個驗證點的平均模擬值和觀測值較為接近,分別為619.9 g C/m2和627.3 g C/m2, 兩者僅相差7.5 g C/m2。這間接的表明本文所模擬的蘆葦最大光能轉化率具有較高的可靠性。而當最大光能轉化率采用0.389 g C/MJ時,模擬的地上凈初級生產力為112.87—184.59 g C/MJ (146.95±13.96) (圖3),明顯低估了本區域蘆葦群落的固碳能力。中國蘆葦資源豐富,分布集中而廣泛,全國范圍內有l4個主要蘆葦產區,蘆葦濕地面積達130萬hm2[31]。按照本文的最大光能轉化率計算,則蘆葦的年固碳能力可達到10.04—15.14 Tg C(13.55±1.25)；而最大光能轉化率采用0.389 g C/MJ時,模擬的蘆葦年凈初級生產力僅為2.34—3.53 Tg C(3.16±0.29),則蘆葦濕地的固碳能力將會被低估75%。

3.3 模擬的最大光能轉化率對主要因素的敏感性

利用CASA模型來模擬植被的最大光能轉化率,需要先利用遙感數據和氣象數據計算APAR,FPAR,Wg和Tg,因此,這些數據誤差也會被帶入最后的模擬結果中。APAR的數據誤差主要來源于利用日照時數對太陽總輻射的估算,FPAR的誤差則主要來源于NDVI,Wg和Tg則主要取決于氣溫和降水。將這些主要的影響因素以2011年的實際值為基準,在±40%的變化范圍內,以5%的間距變化,采用單因素分析誤差對模擬結果的影響。由于植被的NDVI的值介于0—1之間,當變化超過30%時,出現NDVI大于1的情況,因此NDVI的變化范圍設為±30%。

圖4 模擬的最大光能轉化率對主要因素的敏感性Fig.4 Sensibility of the simulated maximum light conversion efficiency to affect factors

圖4結果為不同影響因素值域下模擬的蘆葦最大光能轉化率和最大光能轉化率對其影響因素的一階導數。從圖中可以看出,不同的因素對模擬結果的影響不同。當總輻射和NDVI在±40%的范圍內變化時,模擬的蘆葦最大光能轉化率分別為1.239—2.568 g C/MJ(1.752±0.409)和1.313—2.276 g C/MJ(1.716±0.308),模擬值隨著總輻射和NDVI的增加而呈現下降的趨勢(圖4),并表現出較強的敏感性,其一階導數分別為-1.351—-0.642(-0.917±0.23)和-1.218—-0.708(-0.924±0.17)。在低值區域,這種敏感性表現的更加明顯,并雖著總輻射和NDVI的增加而呈現下降的趨勢(圖4)。盡管如此,模擬值仍然落在樣點的變化范圍之內(1.112—2.611 g C/MJ)。本文的結果表明在高緯度及總輻射較低的地區,控制總輻射的精度顯得格外重要,因為利用CASA模型模擬的植被最大光能轉化率可能具有更大不確定性。但由于觀測設備和觀測方法的限制,我國太陽輻射觀測站稀少,常需要利用日照時數來估算。在本研究區域也沒有太陽總輻射觀測站,只能利用日照時數來計算[26]。即便是整個遼寧省也僅有朝陽、大連和沈陽具有輻射觀測數據,因此,利用這3個點的數據,采用交叉驗證的方法來檢驗所估算的太陽總輻射的精度。檢驗結果顯示估算的太陽總輻射具有很高的精度(圖5),3個樣點的相對均方根誤差均小于7%,總體精度達到95%,按±5%的誤差估計,則模擬的蘆葦最大光能轉化率介于1.598—1.743 g C/MJ之間,絕對變化幅度為-0.069—0.076 g C/MJ,相對變化幅度僅為-4.14%—4.56%。這表明本文模擬的結果具有一定的穩定性和可靠性。

圖5 太陽總輻射的觀測值與預測值Fig.5 Scatter plots of global solar radiation estimation vs. observationRRMSE: 相對均方根誤差 Relaitve root mean square error

圖6 兩種分辨率的蘆葦MODIS NDVI Fig.6 Temporal vartion of MODIS NDVI with the resolution of 250m and 1000m MODIS NDVI: 中分辨率成像光譜儀植被指數Moderate Resolution Imaging Spectroradiometer Normalized Difference Vegetation Index

模擬的蘆葦最大光能轉化率對NDVI也具有較強的敏感性,NDVI±30%的變化引起的模擬結果絕對變化幅度為-0.35—0.609 g C/MJ,相對變化幅度為-21.2%—36.5%,這也證明空間分辨率和植被覆蓋度對模擬的結果有重要影響。隨著植被覆蓋度的增加,這種敏感性有降低的趨勢,如圖4所示,一階導數隨著NDVI的增加而呈上升(負值)的趨勢。NDVI的不確定性是個十分復雜的問題,有來自不同的遙感平臺、傳感器、遙感方式的差異的影響,即便是不考慮這些因素,云、大氣成分、地面背景、觀測角度等因素也都對NDVI有著重要的影響。劉良明等指出MODIS NDVI的不確定性約為12%,隨著NDVI值的增加,這種不確定性還會減少[32]；而Trishchenko等的研究表明MODIS NDVI數據的誤差高達30%[33]。以最大誤差30%考慮,則模擬結果為1.313—2.276 g C/MJ,仍然比較集中在樣點的變化范圍之內(1.112—2.611 g C/MJ)。別一方面,由于MODIS NDVI被廣泛作為區域植被及凈初級生產力的研究的首選數據源。相同的數據源使得這些因素引起的NDVI的不確定性具有相似性,使最終結果之間差異將會大大減小,結果具有可比性。即便是使用不同尺度或者分辨率的MODIS NDVI數據(圖6),其結果也十分相近。從圖6中可以看出,250 m和1000 m分辨率的MODIS NDVI幾乎重合,差異約為1%,模擬值變化僅僅為0.016 g C/MJ。這是因為MODIS NDVI的合成都是利用分辨率為250 m的第一波段和第二波段反射率為基礎,優先選擇近星下點無云像元,盡可能減小云、暗影、大氣氣溶膠的影響、應用BRDF模式將角度訂正到一致的標準化的視角和太陽大頂角的條件下,保證合成資料的質量和一致性[34]。因此,本文基于250 m分辨率的MODIS NDVI數據的結果仍然可以應用到1000 m分辨率尺度下。

模擬的最大光 能轉化率隨著氣溫的增加呈上升的趨勢,但隨著降水量的增加呈下降的趨勢,兩者的一階導數都較小,并且保持比較恒定的值(圖4),表明模擬結果對溫度和降水量的敏感性較小而且比較穩定。模擬值分別為1.547—1.801 g C/MJ (1.669±0.08)和1.586—1.774 g C/MJ (1.672±0.06)之間,絕對變化幅度分別為-0.12—0.134 g C/MJ和-0.08—0.107 g C/MJ。而實際上,溫度和降水的觀測簡單而且精度高,其誤差遠遠要小于50%。因此,溫度和降水誤差對模結果的影響更加微弱。

4 結論

準確確定最大光能轉化率是利用光能利用率模型研究區域植被凈初級生產力的基礎。本文利用遙感技術結合地面氣象觀測和生產力野外監測,利用CASA模型反演了遼河三角洲河口濕地典型蘆葦群落的最大光能轉化率。蘆葦群落具有很高的碳轉化能力,最大光能轉化率達到1.667 g C/MJ,實際光能轉化率達到0.957—1.102 g C/MJ。模擬最大光能轉化率對總輻射和NDVI表現出較強的敏感性,在低值區域,這種敏感性表現的更加明顯；因此,在總輻射較低的地區,控制總輻射的精度顯得格外重要。本文總輻射模擬精度達到95%,按±5%的誤差估計,則模擬值相對變化幅度僅為-4.14%—4.56%,具有一定的穩定性和可靠性。模擬結果對NDVI的敏感性隨著NDVI的增加而降低,即便是以誤差30%考慮,則模擬值仍然比較集中在樣點的變化范圍之內。而在實際應用中,由于MODIS NDVI被廣泛用于區域凈初級生產力的研究,不同分辨率的MODIS NDVI差異較小,模擬結果也更加穩定。模擬蘆葦最大光能轉化率對溫度和降水量的敏感性較小而且比較穩定,因此,溫度和降水誤差對模擬結果影響較小。

[1] Odum W E, Odum E P, Odum H T. Nature′s pulsing paradigm. Estuaries, 1995, 18(4): 547- 555.

[2] Parton W J, Scurlock J M O, Ojima D S, Gilmanov T G, Scholes R J, Schimel D S, Kirchner T, Menaut J C, Seastedt M T, Moya E G, Kamnalrut A, Kinyamario J I. Observations and modeling of biomass and soil organic matter dynamics for the grassland biome worldwide. Global Biogeochemical Cycles, 1993, 7(4): 785- 890.

[3] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811- 841.

[4] Field C B, Randerson J T, Malmstr?m C M. Global net primary production: combining ecology and remote sensing. Remote Sensing of Environment, 1995, 51(1): 74- 88.

[5] Raymond E, Hunt J R. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from NDVI. International Journal of Remote Sensing, 1994, 15(8): 1725- 1729.

[6] Wofsy S C, Goulden M L, Munger J W, Fan S M, Bakwin P S, Daube B C, Bassow S L, Bazzaz F A. Net exchange of CO2in a mid-latitude forest. Science, 1993, 260(5112): 1314- 1317.

[7] Russell G, Jarvis P G, Monteith J L. Absorption of radiation by canopies and stand growth//Russell G, Marshall B, Jarvis P G, eds. Plant Canopies:Their Growth, Form and Function. Cambridge: Cambridge University Press, 1989: 21- 39.

[8] Heimann M, Keeling C. A three-dimensional model of atmospheric CO2transport based on observed winds: 2. model description and simulated tracer experiments. American Geophysical Union, 1989, 55: 237- 275.

[9] Raich J W, Rastetter E B, Melillo J M, Kicklighter D W, Steudler P A, Peterson B J, Grace A L, Moore Ⅲ B, V?r?smarty C J. Potential net primary productivity in South America: application of a global model. Ecological Applications, 1991, 1(4): 399- 429.

[10] McGuire A D, Melillo J M, Joyce L A, Kicklighter D W, Grace A L, Moore Ⅲ B, Vorosmarty C J. Interactions between carbon and nitrogen dynamics in estimating net primary productivity for potential vegetation in North America. Global Biogeochemical Cycles, 1992, 6(2): 101- 124.

[11] Lobell D B, Hicke J A, Asner G P, Field C B, Tucker C J, Los S O. Satellite estimates of productivity and light use efficiency in United States agriculture, 1982- 98. Global Change Biology, 2002, 8(8): 722- 735.

[12] Goetz S J, Prince S D. Remote sensing of net primary production in boreal forest stands. Agricultural and Forest Meteorology, 1996, 78(3/4): 149- 179.

[13] Running S W, Thornton P E, Nemani R, Glassy J M. Global terrestrial gross and net primary productivity from the earth observing system//Sala O E, Jackson R B, Mooney H A, Howarth R W, eds. Methods in Ecosystem Science. New York: Springer-Verlag, 2000: 44- 57.

[14] 朱文泉, 潘耀忠, 何浩, 于德永, 扈海波. 中國典型植被最大光利用率模擬. 科學通報, 2006, 51(6): 700- 706.

[15] 王憲禮, 胡遠滿, 布仁倉. 遼河三角洲濕地的景觀變化分析. 地理科學, 1996, 16(3): 260- 265.

[16] 汲玉河, 周廣勝. 遼河三角洲地區植被的地上凈初級生產力格局及其制約因子. 生態環境學報, 2010, 19(10): 2269- 2274.

[17] 劉紅玉, 呂憲國, 劉振乾, 楊青, 張柏. 遼河三角洲濕地資源與區域持續發展. 地理科學, 2000, 20(6): 545- 551.

[18] Chen J L, Li G S, Xiao B B, Wen Z F, Lv M Q, Chen C D, Jiang Y, Wang X X, Wu S J. Assessing the transferability of support vector machine model for estimation of global solar radiation from air temperature. Energy Conversion and Management, 2015, 89: 318- 329.

[19] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote sensing of Environment, 1995, 51(3): 375- 384.

[20] Sellers P J, Berry J A, Collatz G J, Field C B, Hall F G. Canopy reflectance, photosynthesis, and transpiration. Ⅲ. A reanalysis using improved leaf models and a new canopy integration scheme. Remote Sensing of Environment, 1992, 42(3): 187- 216.

[21] 彭少麟, 張祝平. 鼎湖山地帶性植被生物量、生產力和光能利用效率. 中國科學: B輯, 1994, 24(5): 497- 502.

[22] Los S O. Linkages between global vegetation and climate: an analysis based on NOAA advanced very high resolution radiometer data[D]. Washington: National Aeronautics and Space Administration (NASA), 1998.

[23] Allen R G, Pereira L S, Raes D. Crop evapotranspiration: guidelines for computing crop water requirements. FAO irrigation and drainage paper 56. Rome: FAO, 1998.

[24] 張新時. 植被的PE(可能蒸散)指標與植被-氣候分類(二)——幾種主要方法與PEP程序介紹. 植物生態學報, 1989, 13(3): 197- 207.

[25] Friedlingstein P, Joel G, Field C B, Fung I Y. Toward an allocation scheme for global terrestrial carbon models. Global Change Biology, 1999, 5(7): 755- 770.

[26] Chen J L, Li G S. Parameterization and mapping of solar radiation in data sparse regions. Asia-Pacific Journal of Atmospheric Sciences, 2012, 48(4): 423- 431.

[27] 彭少麟, 郭志華, 王伯蓀. 利用GIS和RS估算廣東植被光利用率. 生態學報, 2000, 20(6): 903- 909.

[28] Schubauer J P, Hopkinson C S. Above-and belowground emergent macrophyte production and turnover in a coastal marsh ecosystem, Georgia. Limnology and Oceanography, 1984, 29(5): 1052- 1065.

[29] 梅雪英, 張修峰. 長江口典型濕地植被儲碳、固碳功能研究-以崇明東灘蘆葦帶為例. 中國生態農業學報, 2008, 16(2): 269- 272.

[30] Ahearn D S, Viers J H, Mount J F, Dahlgren R A. Priming the productivity pump: flood pulse driven trends in suspended algal biomass distribution across a restored floodplain. Freshwater Biology, 2006, 51(8): 1417- 1433.

[31] 閆明, 潘根興, 李戀卿, 鄒建文. 中國蘆葦濕地生態系統固碳潛力探討. 中國農學通報, 2010, 26(18): 320- 323.

[32] 劉良明, 梁益同, 馬慧云, 黃靖. MODIS和AVHRR植被指數關系的研究. 武漢大學學報: 信息科學版, 2004, 29(4): 307- 310.

[33] Trishchenko A P, Cihlar J, Li Z Q. Effects of spectral response function on surface reflectance and NDVI measured with moderate resolution satellite sensors. Remote Sensing of Environment, 2002, 81(1): 1- 18.

[34] Huete A, Justice C, Van Leeuwen W. MODIS vegetation index (MOD 13). Version 3. Algorithm theoretical basis document. ATBD-MOD- 13, NASA, 1999.

Simulation of maximum light coversion efficiency for aPhragmitessalt marsh in the Liaohe River estuarine wetland

CHEN Jilong1, 2, LI Guosheng2,3,*, LIAO Huajun2, WANG Bingliang2, CUI Linlin2

1ChongqingInstituteofGreenandIntelligentTechnology,Chongqing400714,China2InstituteofGeographicSciencesandNaturalResourcesResearch,Beijing100101,China3KeyLaboratoryofCoastalWetlandBiogeosciences,ChinaGeologicSurvey,Qingdao266071,China

Maximum light conversion efficiency (MLE) is a critical parameter for the Carnegie Ames Stanford Approach (CASA) model, which is widely used for modeling net primary productivity (NPP) globally. However, it is difficult to parameterize MLE using experiments and field observation. MLE is fundamental in ecological studies, therefore, modeling MLE is of vital importance and significance. The present study determined the MLE of aPhragmitessalt marsh in the Liaohe River estuarine wetland in China. The main objectives of this study were to: (1) determine the MLE of aPhragmitessalt marsh; and (2) investigate the sensibility of MLE to environmental factors. Factors included in the CASA model comprised the Absorbed Photosynthetically Active Radiation (APAR) using sunshine duration, which was obtained from the National Meteorological Information Center; Fraction of Absorbed Photosynthetically Active Radiation (FAPAR), calculated using the Normalized Difference Vegetation Index (NDVI) determined from 16-day Moderate Resolution Imaging Spectroradiometer (MODIS) data; temperature and water stress coefficients, calculated using MODIS reflectance data; and meteorological variables including air temperature, precipitation, sunshine duration, air pressure, water vapor pressure, wind velocity, and relative humidity. Field observations of the NPP of thePhragmitessalt marsh were conducted at 54 sampling areas with a size of 250 m × 250 m, of which 27 sites were used for modeling, and the remaining for validation. The results showed that thePhragmitessalt marsh had a relatively high carbon conversion efficiency, with an average MLE of 1.667 gC/MJ, varying between 1.112 and 2.611 g C/MJ, which was much higher than the proposed value of 0.389 g C/MJ by Potter. It was even higher than that of broad-leaved, coniferous, and theropencedrymion forests. The simulated MLE was sensitive to global solar radiation and NDVI, decreasing with their increase, which was more pronounced at lower values. This indicated that it is important to check data quality and increase the data accuracy of global solar radiation. In the present study, global solar radiation was estimated using sunshine duration, with an accuracy of 95%. The relative range of MLE affected by the error of global solar radiation was from -4.14% to 4.56%. MLE became less sensitive as NDVI increased, whereas the simulated values still fell into the MLE range, but the NDVI error increased by 30%. In practical applications, the differences in MODIS NDVI data were much smaller, suggesting that our results are universal and could be used for other satellite images with different spatial resolutions. The air temperature and precipitation errors had little effect on the simulated results, as MLE was not sensitive to them. The results of the sensitivity analysis increased the reliability and confidence of the simulated MLE for thePhragmitessalt marsh, which is of great significance when studying the carbon sink and sequestration potential ofPhragmiteswetlands in China and other regions globally.

maximum light conversion efficiency;Phragmitessalt marsh; CASA model; net primary productivity; Liaohe River estuarine wetland

10.5846/stxb201512162511

國家自然科學基金資助項目(41401051)；中國科學院西部之光項目；中國地質調查局地質調查項目(GZH201200503)；國土資源公益性行業科研專項項目(201511057);重慶基礎與前沿資助項目(cstc2015jcyjA00007)

2015- 12- 16; 網絡出版日期:2016- 08- 30

陳吉龍, 李國勝,寥華軍,王炳亮,崔林林.遼河三角洲河口濕地典型蘆葦群落最大光能轉化率模擬.生態學報,2017,37(7):2263- 2273.

Chen J L, Li G S, Liao H J, Wang B L, Cui L L.Simulation of maximum light coversion efficiency for aPhragmitessalt marsh in the Liaohe River estuarine wetland.Acta Ecologica Sinica,2017,37(7):2263- 2273.

*通訊作者Corresponding author.E-mail: ligs@igsnrr.ac.cn