基于遙感和通量觀測數據的生態系統凈碳交換估算

摘 ?要：大規模人類活動對生態系統造成巨大的影響，改變了其固有的碳收支平衡，引發了一系列全球環境問題，因此碳循環得到了普遍的關注，而陸地生態系統的碳循環更是其中的核心研究之一。研究選取了東亞的三個森林站點，基于MODIS遙感影像和通量觀測數據，利用回歸統計模型對生態系統凈碳通量進行估算，分析并評價模型的精度，驗證該基于遙感數據的統計模型在東亞森林生態系統的適用性。

關鍵詞：MODIS;生態系統凈碳通量;回歸統計模型

中圖分類號：S127;P951 ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）15-0021-03

Abstract：The huge impact of large-scale human activities on the ecosystem，the inherent carbon balance has been changed，and a series of global environmental problems have been triggered. Carbon cycle has been paid more and more attention，and the carbon cycle of terrestrial ecosystem is one of the core researches. Three forest sites in East Asia were selected based on MODIS remote sensing images and flux observation data，this study used regression statistical model to estimate the net carbon flux of the ecosystem，analyzed and evaluated the accuracy of the model，and verified the applicability of the statistical model based on remote sensing data in the forest ecosystem of East Asia.

Keywords：MODIS;ecosystem net carbon flux;regression statistical model

0 ?引 ?言

自工業革命以來，人類活動的影響規模已從陸地系統擴展到整個地球系統，并且大規模人類活動改變了生態系統碳循環的自然過程以及生物圈固有的碳收支平衡，導致大氣中CO2、CH4和N2O等溫室氣體濃度的持續升高，引發了全球變暖等一系列嚴重的全球環境問題，嚴重威脅著人類社會的生存和可持續發展。從20世紀70年代后期開始，全球碳循環研究受到人類的普遍關注。2003年全球碳計劃組織啟動的碳研究計劃，將全球規模的碳循環研究推向了新的歷史階段。

陸地生態系統不斷地通過植物光合和呼吸、凋落物分解和土壤呼吸參與地球化學物質循環。生態系統凈碳交換量（NEE）作為生態系統光合作用碳吸收總初級生產力（GPP）和呼吸碳排放（Re）兩大基本生理生態學過程之間平衡的結果，它提供了對生態系統與大氣之間CO2凈交換量的直接測度。準確估計區域或者全球尺度陸地生態系統凈碳交換量及其時空變化特征，不僅是評估區域碳收支狀況、有效管理溫室氣體、積極應對氣候變化的迫切需要，同時也是生態系統與全球變化科學發展的科技任務，并且具有非常重要的科學意義[1]。

模型模擬是評價區域以及全球陸地生態系統和大氣之間碳交換時空演變特征的有效手段，成為區域和全球尺度陸地生態系統碳收支估算不可缺少的重要工具。雖然這種方法存在著一定的不確定性，但仍然是目前大尺度陸地生態系統碳循環研究的唯一可行方法[2]。以陸地生態系統碳循環機理為基礎建立的生態模型，如CENTURY、CEVSA、TEM、BIOME-BGC、BEPS等被廣泛應用于陸地生態系統碳收支計算。

隨著遙感技術的發展，基于遙感數據的機理性生態模型取得了長足的進步。目前，本單位作為國家高分辨率對地觀測系統江蘇中心的建設單位，正利用各類遙感遙測信息數據，發揮衛星遙感廣域、直接、內容豐富等特點，在生態評估、環境保護、城市規劃、建設監管等方向大力開展定量定性技術研究和應用價值拓展。

在生態領域，將利用遙感信息獲取的地表植被類型和葉面積指數（LAI）等植被參數輸入模型或與模型進行同化[3]，提高了生態系統碳通量計算的可靠性。目前利用遙感數據計算NEE的模型主要有兩種。其中一種是根據NEE與遙感反演的參量或者遙感反射率數據之間的相關關系建立回歸統計模型，這種方法主要集中在Xiao等人[4]和Tang等人[5]的研究成果中。Xiao等人利用MODIS多個波段的反射率數據和計算的植被指數建立NEE回歸模型，從而計算區域尺度的NEE;Tang等人利用MODIS數據反演陸面地表水分指數（LSWI）、陸面地表溫度（LST）和增強型植被指數（EVI）等因子，建立回歸關系，計算森林生態系統的NEE。這類方法涉及的參數少，為遙感計算NEE提供了思路和方法。本項目將以長白山針闊混交林（CBS）、千煙洲亞熱帶人工針葉林（QYZ）、日本AsiaFlux中的Takayama落葉闊葉林（TKY）為研究站點，利用回歸統計模型和遙感信息計算森林生態系統NEE。

1 ?數據與處理

1.1 ?數據

1.1.1 ?通量數據

渦度相關技術是對大氣與陸地生態系統的CO2和水熱通量進行非破壞性測定的一種微氣象觀測技術。本研究所用的通量數據包括實時數據和半小時平均數據，常規氣象數據包括半小時平均數據和日平均數據，選擇三個典型生態站的2010年基準前后的數據，包括中國長白山（CBS）溫帶針闊混交林（41°24′09″N，128°05′45″E）和千煙洲（QYZ）亞熱帶人工常綠針葉林（26°44′52″N，115°03′47″E），以及日本AsiaFlux中的Takayama（TKY）落葉闊葉林（36°8′45″N，137°25′23″E），這三個森林生態系統是不同森林生態系統類型的典型代表。

1.1.2 ?遙感數據

本研究使用MOD09A1和MOD11A2這兩個產品。其中MOD09A1是空間分辨率為500 m的8天合成地表反射率數據產品，由7個反射率數據波段、數據質量描述波段和3個角度信息波段組成。MOD11A2是空間分辨率為500 m的8天合成的地表溫度/發射率產品，存儲的是晴好天氣下的地表溫度/發射率的平均值。MODIS產品從USGS的數據網站下載，反演計算LSWI、EVI、LST數據，共1 160景影像。

1.2 ?數據處理

在反射率的基礎上，接著計算LSWI和EVI。EVI表達式為：

EVI=G×（ρni-ρred）/（ρnir+C1×ρred-C2×ρblue+L） ?（1）

式（1）中，增益系數的參數G為2.5;ρnir、ρred與ρblue分別為近紅外光譜波段、紅光光譜波段和藍光光譜波段經過大氣校正的表面反射率值，L=1，為土壤調節參數，參數C1和C2分別為6.0和7.5，表示藍光光譜波段修正大氣對紅光光譜波段的影響。LSWI表達式為：

LSWI=（ρnir-ρswir）/（ρnir+ρswir） ? ? ? ? ? ? ? （2）

式（2）中，ρnir和ρswir為近紅外光譜波段和短波紅外光譜波段經過大氣校正的表面反射率值。

NEE與植物的呼吸作用、光合作用有關，它受溫度、濕度、水分和植物本身光合作用活性等因素的影響，利用對應的代表性指數變量來推測NEE的回歸，取得了不錯的效果。研究者利用NEE與遙感反演的參量或者遙感反射率數據之間的相關關系，建立回歸統計模型。

NEE=a1+a2×LST+a3×LST+a4×EVI+a5×LSWI ? （3）

式（3）中，LST表示白天地表溫度，LST表示夜間地表溫度，EVI為增強植被指數，LSWI為陸地表面水分指數，a1～a5為LST、LST、EVI、LSWI的系數項和系統殘差項。

本研究分別考慮白天和夜間的LST對NEE的影響，分三種情況分別進行分析。其中，S1表示考慮EVI、LSWI和LST-day和LST-night，S2表示考慮EVI、LSWI和LST-day，S3表示考慮EVI、LSWI和LST-night。

2 ?結果與討論

2.1 ?EVI、LSWI和LST年際和季節變化特征

CBS站點的EVI、LSWI和白天、夜晚的LST都呈現出明顯的季節變化，年際變化不明顯。總的來說這幾個參數在每個年份特定時間段的取值基本都比較穩定。CBS站的EVI在冬季處于低谷的時間較長，波動相對平緩，而在春秋季波動劇烈;LSWI在冬天處于低谷的時間相對較短，而且在冬季還出現了小的局部峰值，在春秋季變化較劇烈;白天與晚上的LST的趨勢比較一致，相對而言，夜間的LST變化更為劇烈，夏季白天的LST總體而言相對穩定。

在QYZ站，這四個指數總體上也呈現出年與年之間變化相似的規律性，而且都是在夏季達到峰值，在冬季達到最小值。在夏季和冬季，這四個指數的變化速率相對較慢，而在春季與秋季的變化速率相對較快。白天與夜間的LST的總體走勢是相對一致的，其在春秋季的變化速率很快，在冬天處于溫度最低谷的時間很短、曲線很陡;在夏季白天的溫度跨度更大。

在TKY站，EVI和白天與夜間的LST的總體趨勢依然是冬天處于最小值，夏天處于最大值;夏季與冬季的指數變化速率相對較小，而在春秋季的變化速率相對較大;LSWI呈現出反復起伏特征，在春季初，冬季初出現低谷，而在夏天處于高峰，但是這中間的變化趨勢并不一致，經常出現局部的低谷，變化速率相對較快;EVI總體從春季開始走高，到夏季達到峰值，然后再持續走低，但是在夏季，局部會出現小的起伏;白天與夜間的LST的變化趨勢相對一致，總體走勢比較清晰，從春季開始走高，到夏季達到峰值，然后再持續走低，但是相對而言夜間的LST在冬季時候的波動大一些，還出現了局部的峰值。

2.2 ?NEE模擬

對于CBS站，使用S2的擬合方程得到的回歸擬合度最好，決定其系數R2為0.64，RMSE為3.83 g C·m-2·d-1。因此選擇用S1得到的擬合結果進行驗證，如圖1（a）所示，驗證結果R2為0.77，RMSE為3.10 g C·m-2·d-1。

對于QYZ站，S1的擬合方程得到的回歸最好，決定系數R2為0.28，RMSE為2.41 g C·m-2·d-1，因此選擇用S1得到的擬合結果進行驗證，如圖1（b）所示，驗證結果R2為0.45，RMSE為2.86 g C·m-2·d-1。

對于TKY站，S2的擬合方程得到的回歸最好，決定系數R2為0.74，RMSE為3.52 g C·m-2·d-1，因此選擇用S2得到的擬合結果進行驗證，如圖1（c）所示，驗證結果R2為0.72，RMSE為3.51 g C·m-2·d-1。

圖1中NEEobs表示NEE觀測值，NEEsim表示NEE模型模擬值，DOY（day of year）表示一年中隨機一天。

3 ?實驗結果總結

本研究基于MODIS和通量觀測數據，分析了東亞三個站點的EVI、LSWI和LST的年際和季節性特征，利用統計回歸模型，模擬估計了這三個站點的NEE值，得到了如下結論。

（1）東亞三個站點的EVI、LSWI和LST總體上呈現出年際變化不大、年內季節性差異較大的特點，但在個別年份也會出現局部的起伏變化。而各個站點之間同個指數相同時間段的變化也有所差異，尤其TKY站點的差異最為明顯。

（2）統計回歸模型大體可以體現出NEE的變化趨勢，在CBS和TKY站點的模擬結果較好、準確度較高;而其在QYZ站點的模擬結果相對較差，還需要進一步改進。

（3）統計模型建模估計時，引入夜間還是白天的LST參與建模的精度更高并不絕對，但總體上相差不大，而且基本上兩者都引入和引入白天的LST參與建模的精度相對更高。

4 ?結 ?論

本研究表明，基于遙感數據的生態機理，采用回歸統計模型計算生態系統NEE，從而利用遙感數據對森林生態系統NEE進行季節性動態的定量評價，具有一定的潛力和可行性，特別是面向區域性、大尺度的陸地生態系統碳循環的評估和研究，可以充分發揮遙感技術的廣域性優勢。同時，采用遙感數據對地表參數的反演，亦需要根據生態系統的空間異質性選用不同的遙感參數，在模型的優化上尚需進一步開展研究和改進。

參考文獻：

[1] 王秋鳳，劉穎慧，何念鵬，等.中國區域陸地生態系統碳收支綜合研究的科技需求與重要科學問題 [J].地理科學進展，2012，31（1）：78-87.

[2] CRAMER W，BONDEAU A，WOODWARD I F，et al. Global response of terrestrial ecosystem structure and function to CO2 and climate change：results from six dynamic global vegetation models [J]. Global Change Biology，2001，7（4）：357-373.

[3] JU W，WANG S，YU G，et al. Modeling the impact of drought on canopy carbon and water fluxes for a subtropical evergreen coniferous plantation in southern China through parameter optimization using an ensemble Kalman filter [J]. Biogeosciences，2010，7（66）：845-857.

[4] XIAO J F，ZHUANG Q L，BALDOCCHI D D，et al. Estimation of net ecosystem carbon exchange for the conterminous United States by combining MODIS and AmeriFlux data [J]. Agricultural and Forest Meteorology，2008，148（11）：1827-1847.

[5] TANG X G，WANG Z M，LIU D W，et al. Estimating the net ecosystem exchange for the major forests in the northern United States by integrating MODIS and AmeriFlux data [J]. Agricultural and Forest Meteorology，2012，156：75-84.

作者簡介：牟蘇斌（1973.04—），男，漢族，浙江溫州人，高級工程師，本科，研究方向：地理信息。