亞熱帶常綠針葉林光能利用率模型優化與總初級生產力估算

徐珂，邢艷秋，常曉晴

(東北林業大學 森林作業與環境研究中心，哈爾濱 150040)

陸地生態系統碳循環是研究全球變化的核心內容之一，而陸地生態系統生產力的研究是碳循環研究的重要部分，是研究森林生態系統物質能量交換情況的重要依據。總初級生產力(Gross Primary Productivity, GPP)是陸地碳循環的開始，作為反映生態過程的重要指標，GPP的動態變化在森林生態系統碳循環以及全球氣候變化中起重要作用[1]。

目前，研究者通常將GPP模型分為生態過程模型、氣候生產力模型和光能利用率模型。其中生態過程模型從生態學角度出發，模擬植物的光合作用、自氧呼吸和有機分解等過程，具有較高的模擬精度，但結構復雜，參數過多難以獲取，且在大區域尺度參數化難度高，推廣困難；氣候生產力模型是以氣候因子與植被生產力統計關系為基礎，可進行時間和空間上的外推，所需參數少、結構簡單，但由于忽略了植物生理生態反應，過度簡化了本身較為復雜的生態系統，誤差較大；而光能利用率模型同時具有所需參數少和充分利用遙感信息的優點，被廣泛應用于分析陸地生態系統碳收支的變化特征及其可能原因[2]。國內外很多學者基于光利用率模型對單一林分[3]或混合林分[4]進行估算，但各模型均存在不同程度的不確定性。另外，我國關于森林生態系統固碳方面的研究多在溫帶或暖溫帶進行，對亞熱帶常綠針葉林研究相對較少。因此，在亞熱帶常綠針葉林開展光能利用模型GPP估算研究，有助于GPP模擬方法的發展，減少模型模擬的不確定性，又能加深對亞熱帶區域碳收支的認識。

綜上所述，本研究選取處于亞熱帶的江西省太和縣千煙洲常綠針葉林，利用中國通量觀測網絡千煙洲站的氣象觀測數據及衛星遙感資料，對光能利用率模型的關鍵參數：光合有效輻射吸收比率(Fraction of absorbed photosynthetically active radiation，FPAR)、水分限制因子(fθ)和溫度限制因子(ft)進行優化，使用通量觀測GPP數據作為驗證，獲得一組適合亞熱帶常綠針葉林的模型參數結構，并對最終模型模擬效果進行分析，探索模型參數優化對提高GPP模擬能力的可行性。進而通過對模型輸入參數的敏感性分析，探究各參數對模型影響，以期為改善光能利用模型在亞熱帶常綠針葉林應用奠定基礎。

1 研究區與研究方法

1.1 研究區概況

本研究區位于江西省太和縣千煙洲生態系統觀測站(26°44′29.1″N，105°03′29.2″E)，是中國陸地生態系統通量研究網絡(ChinaFLUX)重要組成部分。觀測站屬于典型的亞熱帶季風氣候，夏熱冬溫，四季分明，年平均溫度達到17.9 ℃，年平均降水1 485 mm，通量觀測范圍為半徑3 km內的常綠人工針葉林。通量塔處在典型中國南方紅壤丘陵地形條件下，周圍主要是以濕地松(PinuselliottiiEngelmann)、馬尾松(PinusmassonianaLamb.)為主的人工針葉林，人工林平均樹齡在20 a左右，近1 km2范圍內森林覆蓋率達到90%以上，植被平均冠層高度約13 m。

1.2 數據來源及處理

1.2.1 通量數據及氣象數據

本研究所用常規氣象數據及通量數據來源于中國通量觀測站千煙洲站(http//www.chinaflux.org)。本文選取2003—2005年遙感數據、通量數據和氣象數據進行模型優化研究。根據通量塔觀測得到凈生態系統交換量(Net ecosystem exchange，NEE)，利用公式(1)中夜間NEE(公式中用Nnight表示)與相應氣象數據計算得到站點GPP值(公式中用GPP表示)，如公式(2)所示，對其積分，獲取以月為時間尺度的GPP(GPP)。

Nnight=R×Q[(T-10)/10]。

(1)

GPP=Re-Nnight。

(2)

式中：Nnight為生態系統在夜間的呼吸量；R為生態系統在10 ℃時呼吸量；Q為呼吸隨溫度的變化速率；T為空氣溫度；Re為生態系統呼吸。

因儀器性能、誤差和天氣等因素而不可避免地會出現一些數據缺失等問題，本研究按照通量觀測數據處理方法，使用EdiRe軟件處理通量觀測數據，處理步驟包括：WPL空氣密度校正、二次坐標旋轉、數據質量控制、缺失數據插補、頻率響應訂正、超聲虛溫訂正和儲存項計算等，其中，數據質量控制步驟需要刪去摩擦風速0.2 m/s以下的數據、降雨時段的數據及超出儀器合理量程的數據。

1.2.2 遙感數據

本研究使用的遙感數據包括：GLASS LAI葉面積指數產品數據集、MODIS地表反射率產品數據集(MOD09A1)和MODIS GPP產品(MOD17A2)。其中，GLASS LAI是由北京師范大學全球變化數據處理與分析中心發布的全球葉面積指數(Leaf area index, LAI)產品，該數據時間分辨率為8 d，空間分辨率為1 km×1 km，該產品在精度和準確度上比LAI地面觀測數據更高，且無明顯高估或低估現象存在[5-6]，對GLASS LAI產品插值生成500 m×500 m空間分辨率的數據，利用最大值合成法生成每月LAI數據。

MOD09A1數據時間分辨率為8 d，空間分辨率為500 m×500 m，包括范圍為620～2 155 nm的7個波段，利用其中近紅外、短波紅外、紅色和藍色4個波段的反射率得到增強型植被指數(Enhanced vegetation index, EVI)、歸一化植被指數(Normalized difference vegetation index, NDVI)、比值植被指數(Simple Ratio Index, SR)和地表水分指數(Land Surface Water Index, LSWI)，并以每月最大值用于光能利用率模型用做參數輸入。

MOD17A2數據為8 d分辨率的MODIS GPP產品，按照日期分別將各月GPP值累加作為該月GPP值用于對比分析。另外，通量塔的貢獻區一般為塔高的10倍，即塔站周圍1.5 km。為達到良好的空間匹配，本研究使用以通量塔為中心的3×3個像元平均值作為輸入數據。

1.3 模型優化

1.3.1 模型結構

光能利用率模型假設在適宜的環境條件下(溫度、水分和養分等)，植物光合作用強弱取決于冠層吸收的太陽光合有效輻射，并且植物以一固定的比例(即最大光能利用率)將太陽能轉化為化學能。在現實環境條件下，最大光能利用率受水分、溫度以及其他環境因子的限制而降低，一般而言，基于遙感的光能利用模型表示如公式(3)所示，關于光能利用率模型其他介紹詳見參考文獻[1]。

G=αmax×FPAR×PAR×f。

(3)

式中：G為總初級生產力，mol/(m2·month)；αmax為最大光量子效率，是植物在理想狀態下轉化1molCO2的所需量子數，取值0.203[7]；PAR為時間段內總光和有效輻射，μmol/(m2·month)；FPAR(FPAR)為光合有效輻射的吸收比率；f為影響光能利用率的各種環境脅迫因子(溫度和水分等)。大多數光能利用率模型的形式基本相同，但計算環境影響因子f和FPAR參數的方法存在差異。

從文理兩科數學試卷的通過率與標準差的散點圖，可以看到兩者具有比較明顯的正相關的線性關系；但通過率與變異系數的散點圖可以看出兩者具有比較明顯的負相關的線性關系.因此在判斷試卷的難度對試卷的區分能力的影響時，不能單從標準差一個維度進行考慮，要結合變異系數進行綜合評價.對理科試卷，難度控制在0.5左右，標準差和變異系數達到比較好的平衡；對文科試卷，目前還沒有通過率超過0.5的試卷，需要積累更多的資料.單就現有統計數據，難度在0.4左右標準差和變異系數能達到比較好的平衡.對于試卷的難度控制要綜合考慮標準差和變異系數，使試卷的難度既有利于對學生的精確區分，又有利于鼓勵學生學習的積極性.

1.3.2 參數重組與模型構建

在公式(3)的模型結構基礎上，結合卡內基-埃姆斯-斯坦福方法模型(CASA)、三維輻射傳輸模型(LESS)、渦度相關技術的光能利用率模型(EC-LUE)、環境和災害預測與評估的NPP模型(NPP-EMSC)[8]、全球生產效率模型(GLO-PEM)、植被光合作用模型(VPM)、陸地生態系統模型(TEM)和3PG碳生產模型8個模型中13種FPAR、7種fθ和3種ft，共建立273種(13×7×3)不同模型參數組合，結合2003—2005年氣象數據及遙感數據得到多組GPP模擬值，并與通量塔GPP觀測值做最小二乘線性擬合。通過對比不同模型相關系數及均方根誤差，優選出適合千煙洲亞熱帶人工針葉林的FPAR、溫度及水分限制因子的最佳參數組合。

相關文獻表明，FPAR與植被指數NDVI、EVI、SR和LAI存在著多種線性或非線性關系，分別表示為FNDVI、FEVI、FSR,FLAI，本文共選取了13種算法，具體見表1—表3。其中FNDVI3、FSR1、FNDVI&SR為張福平等[9]在黑河流域的研究方法；FNDVI1為Myneni在1994年給出的光合有效輻射吸收比率算法，其建立在物理機制明確的三維輻射傳輸模型上，并有大量實測數據做基礎，具有普適性和不受像元異質性影響的優點[10-11]，其他見參考文獻[1]和文獻[2]。本研究中NDVImax、NDVImin為所研究植被類型NDVI最大值和最小值；SRmax、SRmin為所研究植被類型NDVI的95%和5%下側百分位數，其中，NDVImax為0.647、NDVImin為0.023、SRmax為4.67、SRmin為1.05，調整取值出自朱文泉等[12]對中國典型植被中的常綠針葉林NDVI和SR的最大最小取值，FPARmax為0.95、FPARmin為0.001取值與植被類型無關。

表1 ft-3PG溫度影響因子下的回歸結果

溫度影響因子(ft)有3種結構，ft-3PG為3PG模型中結構的溫度影響因子，ft-CASA為CASA模型中結構的溫度影響因子，ft-TEM為陸地生態系統(TEM)中的結構的溫度影響因子，算法涉及的Topt、Tmax和Tmin分別為光合最適溫度、最高溫度和最低溫度，分別設為28、40、0 ℃。

其他因子使用3PG模型中的結構：肥力影響因子fn、林齡影響因子fage、霜凍影響因子ff和水汽壓差影響因子fd表達式見參考文獻[4]。

1.4 模型驗證與參數敏感性分析

根據公式(3)模型結構，對273組不同參數的模型組合計算得到的模擬GPP值與通量塔同期獲取的觀測GPP值進行線性回歸。根據觀測值與模擬值的決定系數(R2)和均方根誤差(RMSE)為依據，選定優選模型結構。

2 結果與分析

2.1 不同模型結構下GPP估算精度對比

求出所有模型參數組共273組的判定系數R2和均方根誤差RMSE。由于數據過多，按照ft-3PG、ft-TEM、ft-CASA3個溫度影響因子，分析表1—表3中所有模型參數組回歸結果，表中每組結果對應上下2行，分別為判定系數R2與均方根誤差RMSE(μmol/(m2·s))。通過比較模型性能，最終選取用EVI表征的FPAR、TEM模型中的溫度影響因子和3PG模型水分影響因子的組合(判定系數R2=0.86，均方根誤差RMSE=0.47μmol/(m2·s)，該模型組合表現出較好的擬合效果及穩定性。

表2 ft-TEM溫度影響因子下的回歸結果

表3 ft-CASA溫度影響因子下的回歸結果

2.2 優選模型參量敏感性分析

優選模型中對模型輸出結果有影響的變量主要有：月平均溫度T，增強型植被指數EVI，光合有效輻射PAR；輸入參數主要有最大光量子效率αmax、光合最適溫度Topt、光合最高溫度Tmax和最低溫度Tmin。敏感性分析結果見表4。

由表4可知，輸入變量中的最大光量子效率αmax、增強型植被指數EVI和光合有效輻射PAR為模型的直接線性變量，GPP估算值變化幅度與三者變化幅度一致，溫度T對估算結果影響較小，GPP輸出結果低于3個直接線性變量，輸入參數中的光合最適溫度Topt、Tmax和Tmin的取值對優選模型的輸出結果也有一定影響，其中Topt和Tmin對最終結果影響較大，Tmax對最終結果影響較小，原因可能是在亞熱帶地區溫熱條件長期供應充分，植物光合作用在高溫時影響較小，而在低溫條件下光合作用受到影響較大。

表4 優選模型參量敏感性分析

3 討論

本研究以光能利用率模型為基礎，通過改變參數構建了273種不同模型組合，并對結果進行對比分析，發現使用FPAREVI、fθ-3PG、ft-TEM的模擬效果最好。

從水分影響因子所顯示的表現結果來看，3PG模型的fθ-3PG在本次研究中明顯強于其他模型，這與常曉晴等[15]對長白山地區研究結果有所不同，原因可能是長白山地區為溫帶大陸性氣候，更為干燥寒冷，fθ-3PG模擬水分植被生長的限制作用效果不如中低緯度地區。

對于溫度影響因子，ft-TEM表現較好，計算中所用到的參數敏感性由大到小為Tmin、Topt、T、Tmax，說明在千煙洲地區光合作用的最低溫度對植被的限制作用最大，植物在低溫下光合作用受到影響最為明顯。

如圖1所示，橫坐標為2003—2005年共36個月份，縱坐標表示GPP值，為便于比較，將單位統一替換成gC/(m2·month)。從圖1可以看出，MOD17A2 GPP值與優選模型GPP模擬值均能較好地反映GPP全年單峰型的變化趨勢，但在峰值上，2003年前者比觀測值低出18%，后者高出37.8%，在2004年前者低出33.5%，后者高出10.5%，在2005年前者低出31.1%，后者高出21.1%，在峰值上前者普遍低估，后者普遍高估，但除2003年6月出現一個明顯異常值外，峰值誤差遠低于前者，在平均誤差上，這一趨勢也表現明顯：2003年前者平均誤差比后者高出21.9%，2004年高出7.9%，2005年高出12.5%。在非生長季上MOD17A2 GPP與優選模型均出現一定低估現象，但前者在整個生長季中各月均有較明顯低估，后者在這一時期則無明顯高低估現象存在。

圖1 MOD17A2 GPP值、GPP觀測值與優選模型GPP模擬值對比

如圖2所示，優選模型GPP模擬值與GPP通量塔觀測值在2003—2005年擬合判定系數為R2=0.86，RMSE=0.47μmol/(m2·s)，優于在千煙洲地區相同時段內的相關模型研究結果：如基于植物生理過程的冠層尺度光合模型MAESTRA模型模擬結果R2=0.73(2005)[16]、EALCO模型模擬結果R2=0.82(2003—2004)[17-18]、生態過程模型BEPS模型模擬結果R2=0.81(2003—2005)[19]，對比后具有一定優勢，進一步表明本研究得到的優選模型能較好地模擬千煙洲地區植被GPP月季變化。

圖2 優選模型GPP模擬值與GPP觀測值擬合結果

衛星遙感數據中部分存在云層影響或缺失現象，因此模擬結果具有一定不確定性。另外，通量貢獻區位置與范圍會隨著儀器觀測高度、下墊面粗糙度、風向以及邊界層特征(如大氣穩定度等)的變化而產生瞬時變化。因此，本研究用于驗證的通量數據本身也具有一定的不確定性。

4 結論

本研究利用2003—2005年遙感數據集以及氣象數據驅動多種光能利用率模型估算GPP，并結合中國通量聯盟千煙洲站人工針葉林的通量觀測數據對各參數組合模型進行驗證對比，以及參數敏感性分析，得出以下結論。

(1)最適合千煙洲地區的模型參數組合為：FPAREVI、fθ-3PG、ft-TEM，3個參數在該地區適用性得到改善，使優選模型參數組合無論是擬合效果及穩定性均得到提升，提高了千煙洲地區GPP模擬效果。

(2)各參數對GPP模擬結果影響程度不同。其中，最大光量子效率αmax、增強型植被指數EVI和光合有效輻射PAR為模型的直接線性變量，影響最大，其他參數敏感性由大到小依次為：Tmin、Topt、T、Tmax。

(3)引入多個光能利用率模型中的參數，有益于提高光能利用率模型GPP模擬能力，可以預見，在未來將會有更多光能利用率模型參數被引入，進一步提高模擬效果。