基于CASA模型的干旱區農作物NPP估算

張 強，徐京華，梁 磊，李 平，馬炅妤

（1.西南交通大學地球科學和環境工程學院，四川 成都611756；2.四川省第二測繪地理信息工程院，四川成都610100）

凈初級生產力（Net Primary Productivity， NPP） 是綠色植物在單位時間和單位面積上所能生產的有機干物質總量[1]，它反映了植物對自然環境資源的利用能力，是生物地球化學碳循環的關鍵環節。隨著科學技術及遙感技術的發展，利用遙感手段估算NPP的技術也得到同步發展。CASA模型就是眾多估算NPP模型中應用比較廣泛的一種。

CASA（Carnegie-Ames-Stanford Approach）模型是一種光能利用率模型，可以估算全球尺度的NPP[2]。Field（1995）對CASA模型進行了擴展[3]。隨后，CASA模型在國內得到了廣泛應用和發展，在區域適應性和參數簡化上做了很多重要改進，促進了CASA模型的應用。

CASA模型既適用于全國尺度，也適應于區域尺度，模型可被應用于青藏高原、長江流域、黑河流域等[4-6]。模型輸入數據的精度會影響到估算結果，數據精度越高則模型估算結果的誤差越小[7]。由于模型自身存在的參數問題和精度問題，我國學者對改進的CASA模型做了進一步改進[8]，將區域蒸發計算模型引入CASA模型，使用不同的最大光能利用率參數等，改進后的模型減少了輸入參數。此外，改進后的CASA模型也適用于我國干旱區域。根據不同類型研究區域的特殊自然環境對CASA模型進行適當改進，可以使模型的估算結果更加準確[9]。

黑河流域位于我國西北干旱區域，灌溉是農作物生長所需水分的主要來源，而不是天然降水。根據區域蒸發計算模型的推導過程可以知道[10]，在干旱地區的黑河流域中游，可以用天然降水量與灌溉量的總和作為降雨量。因此，本文選取黑河中游地區為研究區，進一步改進CASA模型并估算農作物NPP，嘗試分析加入灌溉因素對結果造成的影響，期望可以使改進的模型獲得精度更高的數據，為以NPP為基礎的其他科學研究提供理論基礎。

1 研究地區概況與CASA模型

黑河流域是我國西北地區第二大內陸流域，位于河西走廊中部。中游地區位于我國甘肅省境內，主要包括張掖市、酒泉市、嘉峪關市、玉門市以及民樂縣、山丹縣、臨澤縣、高臺縣、肅南縣、金塔縣。中游地區相較上游地勢較為平坦，平均海拔在1 000～2 000 m之間，日照時間長，光熱資源充足，干旱嚴重。中游區域年降雨量在50～250 mm之間，且分布不均勻，表現為東多西少；蒸發量在1 900～2 310 mm之間，且分布不均，表現為東少西多[11,12]。

圖1 黑河流域中游示意圖

1.1 研究方法

CASA模型整體上可用下式表示，詳細過程見參考文獻[2,3]：

式中，NPP表示植被凈初級生產力；SQL表示地面太陽總輻射；FPAR表示光合有效輻射吸收比例；T1和T2表示溫度脅迫因子；W表示水分脅迫因子；εmax表示最大光能利用率，本文研究區為耕地，采用的值為0.542 gC/MJ[13]。其中，水分脅迫因子W的計算是模型研究熱點和難點，計算起來比較復雜。

此外，考慮到黑河中游的實際情況，在模型中添加灌溉因素，并研究其對結果的影響程度。總體流程如圖2所示。

圖2 研究路線圖

NPP0表示不考慮灌溉因素估算的結果；NPP1表示考慮灌溉因素后的估算結果，MODIS-NPP數據來自美國NASA官網，作為驗證參考數據。

1.2 灌溉量的估算方法

內陸河流域農業基本為灌溉農業，天然降水量稀少，灌溉是作物生長所需水分主要來源。由于技術水平、數據等多方面原因，本文僅對灌溉數據進行較為粗略的估算。

根據“甘肅省灌區水利普查成果及農業用水分析研究”文中表1[14]，經過單位換算后，甘肅省2011年耕地平均每年灌溉凈用水量724.5mm，排除11、12、1、2四個月份，平均每月灌溉量90.6 mm，張掖市平均每月93 mm，酒泉市平均每月凈灌溉量131 mm。由于農民的灌溉習慣相對穩定，灌溉量會受到降水量等因素的影響而在一定區間浮動，故本文估算的每月平均灌溉量為90 mm。

1.3 數據來源與處理

模型所需要的數據包括遙感影像數據、氣象統計數據、模型中需要的其他參數以及估算的灌溉數據等。

NDVI數據從美國國家航空航天局（NASA）官網下載。時間范圍是2012-01-01～2012-12-31，共24期，空間分辨率是250 m。然后利用最大值合成法（MVC）合成為12期月產品數據，經過投影、裁剪等操作得到黑河流域中游區域數據。氣象數據來自中國氣象數據共享網的地面氣象月產品數據，主要包括月平均氣溫、月總降雨、月總太陽輻射、日照百分比數據。適用于模型的氣溫、降雨數據采用氣象數據專用插值方法薄盤光滑樣條插值法得到，此方法中的協變量是高程數據，而輻射數據采用克里金插值方法得到；2012年的土地利用/土地覆蓋數據來源于TM影像解譯結果，由TM影像通過監督分類方法得到，本文只提取了黑河中游的耕地信息；DEM數據是從空間地理信息數據云網站下載，空間分辨率為30 m，重采樣為250 m空間分辨率；其他數據從文獻獲得。

2 NPP估算結果與分析

2.1 模型估算結果

利用改進的CASA模型估算2012年黑河流域中游農作物種植區的NPP，計算結果如圖3所示。

圖3 NPP0與考慮灌溉因素后的增長百分比

圖3a為不考慮灌溉因素的NPP，以下記作NPP0，單位是gC/m2a-1；圖3b是考慮灌溉因素的NPP，以下記作NPP1。由圖3可知，西北方向的值比較低，東南方向的值比較大，流域中游地區的植被初級生產力從西北向東南方向遞增，可能是因為東南方向地處流域的中上游，水量比較充足，所以農作物的長勢較好。而西北方向地處中下游，水量比較少，尤其是近年來由于環境退化、土壤鹽漬化等，使得農作物的生長受到更大壓力，長勢不太好。綜合比較兩幅圖可以看出，圖3b的值整體上較圖3a大。

另一方面可以看出，考慮灌溉因素之后，所估算值的變化幅度減小，NPP的值更加穩定，如圖4所示。

圖4 NPP0與考慮灌溉因素后的增長百分比

圖中 的柱狀圖表示不考慮灌溉因素的NPP，散點圖表示考慮灌溉因素后的增長百分比，它是由NPP1與NPP0之差再除以NPP0得到。從中可以看出，考慮灌溉因素后，玉門市、金塔縣、嘉峪關市、酒泉市等地的結果得到顯著提高，提高38%以上，而從地理位置上看，這4個市縣位于中游的西部，靠近黑河流域下游，降雨、灌溉等水量都比較少。再向中上游，臺南、肅南、臨澤、張掖等四市(縣)的結果提高了28～38%。靠近上游的山丹與民樂，降雨量大、灌溉充足，NPP僅增加了10～15%。因此，考慮灌溉因素后，對靠近下游區域的結果影響更大。根據各地市的降雨量分布特征可以得出，降雨量越少的區域，越有必要考慮灌溉因素。

2.2 結果驗證

分別求取各個縣區內CASA模型數據和MODISNPP數據的平均值，再用NPP0與NPP1分別與驗證數據MODIS-NPP數據求相關系數，得到表1。

表1 CASA模型與MODIS-NPP數據對比/gC/m2a-1

由此分別計算出三組相關系數：NPP0與MODISNPP數據的相關系數為0.66； NPP1與MODIS-NPP數據的相關系數是0.81，因此NPP1的結果要好于NPP0的結果。此外， NPP0與NPP1的相關系數是0.96。由此得出，在干旱區域的灌溉農業區域使用CASA模型，如果考慮灌溉因素，能夠改善CASA模型，提高模型估算結果的精確度。

3 結 語

本研究從實際需求出發，對模型進行修改，并把灌溉因子納入模型之中，綜合利用RS和GIS等技術進行空間數據處理技術，以黑河流域中游耕地區域為基礎進行實驗，得到了如下結論：

1）加入灌溉因素后的CASA模型可以更好地模擬我國西北地區干旱區農作物植被的NPP；

2）在干旱區域的農作物種植區域，考慮灌溉因素以后，CASA模型的估算值更穩定，但是不同地區的變化依然存在差異，這可能與當地的氣候條件有關；

3）在空間尺度上，降雨量越小、越干旱的地區，灌溉因素對估算結果的影響越大，說明在灌溉農作物區域，在改進的模型中加入灌溉因素具有重要意義。