基于CASA模型的龍門山區域NPP時空格局分析

山雨均,王建華*，朱 兵

(1.綿陽師范學院資源環境工程學院，四川綿陽 621000；2.綿陽師范學院城鄉建設與規劃學院，四川綿陽 621000)

0 引言

植被凈初級生產力(Net Primary Productivity，簡稱NPP)是綠色植物在單位面積和時間內累積的有機物數量[1]，表示在扣除呼吸作用的消耗外，通過光合作用而固定下來用于植物生長的有機碳，也稱為凈第一性生產力.NPP作為地表碳循環的重要組成部分，不僅表征陸地生態系統的質量狀況，而且是判定生態系統碳匯和調節生態過程的主要因子，在全球氣候變化及碳平衡中扮演著重要的作用[2].

植被NPP結果的估算主要經歷了站點實測與模型估算兩個階段[3].模型估算主要包含：統計模型、過程模型和參數模型(光能利用率模型)3大類(Ruimy et al.，1994)[4-5].光能利用率模型(Carnegie Ames Stanford Approach，簡稱CASA模型)的估算原理是將植被的光合有效輻射值與在光合作用中對光能的利用率兩者的乘積看作是植被凈初級生產力的估算值[6].隨著3S技術的廣泛應用，CASA模型也使用遙感衛星影像數據，從植被的內在生理生態過程入手，對NPP進行估算與模型參數的修改[7].2004年李貴才用遙感數據，在CASA模型的基礎上，實現了2001年中國陸地植被NPP的研究并對NPP的時空格局進行分析[6].2005年朱文泉等利用氣象數據和MODIS遙感數據，研究2002年內蒙古的植被凈初級生產力及時空分布[8].2007年朱文泉等將植被覆蓋分類引入前面研究的計算模型中，并對模型所需參數進行了簡化，使得研究結果精度更高[9].該研究構建的NPP估算模型基本上實現了對全國范圍內各生態系統NPP的估算.

本文以CASA模型為研究的模型基礎，以龍門山區域為研究區域，在ArcGIS和ENVI等軟件的支持下，利用2017年度的MODIS數據、植被類型數據和氣象數據，估算龍門山區域2017年的植被凈初級生產力NPP，并分析NPP值在研究區域空間格局上的分布情況，以期為龍門山區域生態環境建設和可持續發展提供理論支持.

1 數據與方法

1.1 研究區概況

如圖1所示，龍門山區域位于四川盆地西北部(102°E～107°E、29°N～34°N)，是成都平原的西緣山脈，西面是阿壩州和甘孜州(岷山和邛崍山)，東面在都江堰市和邛崍市之間，呈東北-西南走向.龍門山東北接摩天嶺，西南止于岷江邊，從盆地邊緣向西，海拔逐漸由2 000 m升至到3 000 m以上，主峰為九頂山，海拔為4 989 m，是龍門山區域的最高峰[10].龍門山區域內東部為迎風坡，雨水充沛；西部為背風坡，雨水稀少，氣候較為干燥.生物資源豐富，生態環境較好.但由于近年來地質災害頻發以及人口及城鎮化的快速發展，該區域的環境問題日益突顯，因此對龍門山區域的植被NPP及其空間格局變化的研究顯得尤為重要.

圖1 研究區示意圖Fig.1 Schematic Diagram of Study Area

1.2 CASA模型

在CASA模型中，植被NPP為植物吸收的光合有效輻射(APAR)與實際光能利用率(ε)兩個因子的乘積[8]，其計算公式如下式：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

植被吸收的光合有效輻射(APAR)由植被攔截的光合有效輻射(IPAR)與光合有效輻射的吸收比例(FPAR)的乘積來確定[8]，計算公式如下：

APAR(x,t)=IPAR×FPAR

(2)

Ruimy&Saugier(1994)認為，在一定范圍內，光合有效輻射吸收比例與歸一化植被指數(NDVI)之間存在著線性關系，并且這一關系可以根據某一植被類型NDVI的最大值與最小值以及所對應的FPAR最大值與最小值的數學表達式來確定[9]，其計算公式如下：

(3)

式中，NDVI(i,max)和NDVI(i,min)分別對應第i種植被類型的NDVI最大值和最小值，各像元NDVI值是根據MODIS產品數據獲取.

1.3 數據來源

本文計算NPP所需的基礎數據主要包括：龍門山區域的NDVI時間序列數據，植被類型數據，氣溫、降水和太陽輻射的時間序列數據.文中的NDVI數據是從MODIS數據中提取出來的，MODIS數據來源于美國NASA網站(https://ladsweb.modaps.eosdis.nasa.gov/)下載的MODIS數據三級產品數據MOD13A3，時間分辨率為1月，空間分辨率為1KM，共12個時相[11].植被覆蓋數據來源于清華土地利用數據網站(http://data.ess.tisinghua.edu.cn/).氣象數據來源于中國氣象數據網(https://data.cma.cn/)，國家氣象局提供的2017年全國的氣象數據，選取其中龍門山區域及周邊的23個氣象臺站的信息.

2 結果與分析

2.1 NPP結果的計算與處理

2.1.1 植被數據的處理 植被數據是用CASA模型估算NPP的重要數據，是計算植被層入射光合有效輻射的吸收比例FPAR和光能轉化率ε等因子所需的基礎數據[12].本文研究采用的植被數據是基于TM數據提取的龍門山區域2017年的植被覆蓋數據，處理后得到研究區域2017年植被類型圖(圖2).

從圖2可以看出，龍門山區域的植被發育狀況良好，多為闊葉林和針葉林.區域西部汶川縣有較多的冰雪和裸巖分布；區域東部城鎮和人口集中，主要為耕地.龍門山區域主要的植被類型可分為常綠闊葉林、落葉闊葉林、常綠針葉林、落葉針葉林、疏林、草甸、灌叢、荒漠草地、耕地、沼澤、水體、凍土、裸巖與其它等14類，其中常綠闊葉林面積最大占33.16%，常綠針葉林次之占24.94%，沼澤面積最小僅占0.01%.另外，研究區耕地分布面積也較大，占總體的10.27%.

2.1.2 NDVI的處理 植被歸一化指數NDVI是檢測植被生長狀態、植被覆蓋度和消除部分輻射誤差等的參數，可以反映地表植被覆蓋狀況[13].NDVI的取值一般為[-1,1]，負值表示地表為云或水等；0表示地表為巖石或裸土等；正值表示地表有植被覆蓋，且NDVI數值隨地表覆蓋度增大而增大[14].將下載的MODIS數據用MTK工具提取出每個月的NDVI指數，經校正、裁剪后，得到研究區逐月的NDVI數據，再用ENVI中的band math將十二個月的NDVI圖像進行合成，就可以得到研究區域長時間序列的NDVI數據.以2017年7月為例，NDVI分布圖(見圖3).

根據研究和制圖的需要，本文NDVI的取值為(0，1)之間.由圖3可見龍門山區域的植被歸一化指數整體偏高，大部分在0.74到0.90之間，最大值為0.89.反映出該地區植被生長狀況良好，植被覆蓋度較高.但中南部東西兩側的數值則偏低，中西部數值偏低主要集中在汶川縣、寶興縣和天全縣，主要原因是這些地區冰雪和裸土分布較廣；而東部數值偏低的地方主要集中在大邑縣、崇州市、都江堰市和江油市等城鎮集中且發展水平較高的地區，這些地區的植被歸一化指數偏低可能就是城市的發展、人口的增加和植被的破壞導致的.

2.1.3 氣象數據的處理 基于CASA模型估算NPP，所需的氣象數據主要包括：太陽總輻射、溫度和降水等[15].文章收集整理了龍門山區域及周邊的23個氣象臺站2017年的氣溫和降水數據，并通過山地小氣候模型(MTCLIM)處理得到所需的太陽輻射數據.然后，通過ArcGIS地統計分析模塊中的克里金插值法，并對插值的氣象數據圖進行柵格化處理，得到與遙感數據具有相同投影信息、分辨率和行列號的氣溫、降水和太陽輻射分布數據，結果如圖4、圖5和圖6所示.

圖4 龍門山區域2017年7月氣溫分布圖Fig.4 Temperature Distribution of Longmen Mountains Area in July 2017

2.1.4 基于CASA模型估算NPP 在上述對遙感數據、植被類型數據以及氣象數據做預處理的同時，還得使它們具備相同的行列號、分辨率和投影坐標系.處理后的數據格式為行列號(250，281)、空間分辨率均1KM、投影系WGS-1984-UTM-zone-48N的32位浮點型數據.然后，在ENVI中，利用運用朱文泉的插件對NPP進行估算.運行之后將輸出龍門山區域2017年植被凈初級生產力(npp_sum)和植被年平均覆蓋率(veg_cov_mean)，以及每個月的植被NPP和植被覆蓋度[16].圖7為2017年7月NPP分布圖.

圖7 龍門山區域2017年7月NPP分布圖Fig.7 NPP Distribution of Longmen Mountains Area in July 2017

2.2 NPP時空格局分析

2.2.1時間格局特征 將估算得出的龍門山區域2017年12個月份的NPP值進行統計，提取出各月的平均值(表1)，即可對研究區域2017年NPP年內時間格局上的變化特征進行比較和分析.

從表1可以看出，各月份之間呈現出單峰型的變化特點，1月～7月呈上升的趨勢，7月～12月呈下降趨勢.7月的NPP為964 gC·m-2，占15.35%，是全年的最高值；12月的NPP為198 gC·m-2，占3.15%，是全年的最低值.另外，4月～10月的NPP較高，11月～次年3月的NPP較低，即在植物的生長期內NPP值較高，反之則較低.并且春季、夏季和秋季的NPP明顯高于冬季.

2.2.2 空間格局特征

(1)龍門山NPP空間總體特征

由于地理位置和地形地貌的不同，加之氣象因素的影響，會造就不同的區域環境特征，使得NPP值在空間分布上也存在一定差異.龍門山區域NPP的空間分布(見圖8).從圖8中可以看出，龍門山區域2017年植被凈初級生產力NPP的空間分布整體呈現出由南北兩側向中部逐漸遞減的趨勢.就龍門山區域整體而言，NPP的最大值為1 921 gC·m-2，年均為523 gC·m-2.北部區域的青川、廣元、寧強、勉縣以及南部地區的雅安雨城區、蘆山和滎經等地區，水熱條件較好，植被生長茂盛，NPP較大，大多在873 gC·m-2以上；中部和西部的汶川、寶興和天全縣等部分地區地勢較高，冰雪和裸巖分布較廣，NPP值主要在338 gC·m-2左右；山脈東部部分地區如大邑縣、崇州市、安縣和江油市等地，是城鎮和人口的集中分布區域，這部分地區植被類型主要為耕地，NPP值617～873 gC·m-2.

(2)龍門山各地區NPP空間分布特征

結合龍門山區域的行政區劃，用ArcGIS空間分析工具中的區域分析對NPP數據結果進行統計和分析，得到研究區域24個市縣級行政區2017年NPP的最大值、最小值、平均值和總量(表2).

表2 龍門山2017年各區域NPP值Tab.2 NPP Value of Each Region in Longmen Mountains Area in July 2017 單位：gC·m-2

從表2可以看出，龍門山區域2017年年均NPP最高的是雅安市1 055.91 gC·m-2，其次是名山縣1 029.83 gC·m-2，汶川縣的NPP最低，為399.71 gC·m-2.2017年NPP總量最高的是平武縣4.18×106gC·m-2，其次是廣元市3.93×106gC·m-2，最低的是什邡縣0.34×106gC·m-2.總體上來看，雅安、名山、寧強、青川和廣元的NPP值處于較高的水平，而茂縣、綿竹、什邡和汶川的NPP都呈現出偏低的特點.

2.2.3 時空格局分析 從時間格局上看，NPP與氣溫、降水和NDVI具有明顯的正相關性，各月份之間呈現出單峰型的變化特點，7月的NPP值最高，12月的NPP值最低；春季、夏季和秋季的植被NPP明顯高于冬季.并且，在溫度適宜、降水充沛的季節，植被生長狀況良好，NPP值較高；反之，在溫度較低、降水稀少，不適宜植被發育的季節，NPP值較低.

從空間格局上看，龍門山區域NPP整體呈現出由南北兩側向中部遞減的趨勢.龍門山的南部地區是年均NPP高值的集中分布區；北部地區NPP值也呈現出較高的特點；中部地區的NPP則較低.具體表現如下:

龍門山區域南部的雅安市、名山縣、滎經縣、蘆山縣和邛崍市是年均NPP高值的集中分布區.結合植被數據看，這一地區的植被類型以常綠闊葉林為主，植被歸一化指數NDVI在0.9左右，植被生長狀況良好，植被覆蓋度較高.結合氣象數據看，這一地區年均氣溫大致為20℃，年降水總量大致為1 475 mm，年太陽總輻射大致為110 996 W/m2，溫度適宜，降水充沛，水熱條件較好.在這些因素的綜合作用下，該區的NPP值偏高.

龍門山區域北部的勉縣、寧強縣、廣元市和青川縣的NPP值也呈現出較高的特點.結合植被數據看，這一地區的植被類型以針闊混交林為主，植被歸一化指數NDVI在0.8左右，植被生長較好.結合氣象數據看，這一地區年均氣溫大致為18℃，年降水總量大致為1 099 mm，年太陽總輻射大致為116 945W/m2，溫度適宜，降水充沛，水熱組合良好.適宜的氣象條件加上較好的植被發育，使得這一地區的NPP呈現出較高的特點.

龍門山區域中部的汶川縣、茂縣、什邡縣和綿竹縣的年均NPP值較低，在400 gC·m-2左右.結合植被數據看，這一地區的植被類型分布復雜，以針闊混交林為主，有凍土和裸巖分布，植被歸一化指數NDVI在0.5左右，植被生長狀況一般，受地理環境影響大.結合氣象數據看，這一地區年均氣溫大致為14℃，年降水總量大致為766 mm，年太陽總輻射大致為137 255 W/m2，溫度較為適宜，降水較為充沛，水熱組合條件較好.總的來說，這一地區氣象條件較為良好，適宜植被生長，其植被NPP受地形地勢影響大，該區地勢高、坡度陡、地形起伏較大，冰雪裸巖廣布，故而植被NPP值偏低.

3 結論與討論

本文研究依托遙感技術，利用龍門山2017年氣溫、降水、大氣輻射和NDVI等基礎數據，基于CASA模型估算了2017年龍門山區域植被凈初級生產力，并對其空間分布狀況進行了分析.初步得到以下結論：(1)龍門山區域2017年植被NPP最大值為1 920.69 gC·m-2，最小值為冰雪裸地接近于零，年均總量為523 gC·m-2.(2)在時間格局上，植被NPP與氣溫、降水和NDVI具有明顯的正相關性，7月的NPP值最高為964 gC·m-2，占15.35%；12月的NPP值最低為198 gC·m-2，占3.15%；春季、夏季和秋季的植被NPP明顯高于冬季.(3)在空間格局上，整體呈現出由南北兩側向中部逐漸遞減的趨勢；北部和南部地區水熱條件較好，植被生長茂盛，NPP較大，大多在873 gC·m-2以上；中西部地區NPP值較低，主要在338 gC·m-2左右；東部地區城鎮和人口的集中分布，NPP值617～873 gC·m-2.

利用CASA模型可以定量的分析區域NPP，并能分析空間格局分布.但本文在數據精度和氣象站點數據兩方面存在問題.數據精度不夠高，主要利用的是MODIS的數據，其分辨率較低，可能會對分析結果有一定影響.另外，研究區缺乏國家氣象站點，氣象數據可能也有一定的影響.這些不足之處有待在進一步研究中加以改進.