基于CLM5.0的內蒙古呼倫貝爾草地生產力模擬參數優化

楊 倩，朱小華，歐陽光洲，馬靈玲，劉 偉，王 昆

基于CLM5.0的內蒙古呼倫貝爾草地生產力模擬參數優化

楊 倩1,2,5，朱小華1,5※，歐陽光洲1,5，馬靈玲1,5，劉 偉4，王 昆1,3

（1. 中國科學院空天信息創新研究院，北京 100094；2. 中國科學院大學電子電氣與通信工程學院，北京 100049；3. 中國科學院數字地球重點實驗室，北京 100049；4. 中國科學院植物研究所，北京 100094；5. 中國科學院定量遙感信息技術重點實驗室，北京 100094）

草地凈初級生產力（net primary productivity，NPP）作為評估生態系統結構和功能以及植被質量的重要指標，其精準估算對于草地生態系統保護有著重要作用。陸面過程模型可對大范圍NPP進行時序模擬，但受限于對植被生理生化特性的認知，應用于目標區域時，模型參數的默認設定會引起模擬偏差。為了使模型適用于呼倫貝爾草地生產力模擬，該研究基于CESM（community earth system model）框架下的最新陸面過程模型CLM5.0（the community land model 5.0）開展模型參數敏感性分析，并采用DREAM（differential evolution adaptive metropolis）算法對最敏感的10個參數進行優化調整，最后將參數優化后的模型應用于呼倫貝爾草地NPP模擬。結果表明：1）對草地NPP模擬最敏感的是呼吸作用類參數，如冠層葉頂維持呼吸基率的截距參數、凋落池到土壤有機質池轉移的呼吸分數，其次是碳循環類參數，如葉片碳氮比、細根碳氮比。2）葉片碳氮比與氣孔導度參數優化后的后驗概率分布為高斯分布，表明該優化為良性約束，反映了碳氮關聯參數與呼吸作用參數對于優化模型模擬的有效性。3）參數針對性優化有效提升了CLM5.0對呼倫貝爾草地生產力的模擬性能，NPP年總量相對誤差由33.82%降低至10.97%，且應用于在不同類型草地NPP模擬時，其相對誤差分別降低了5.62%、8.06%、9.03%。該研究結果可為CLM5.0應用于呼倫貝爾地區的草地生產力模擬提供參考，對合理評估草地生態系統碳循環研究具有積極作用。

模型；參數優化；草地NPP；敏感性分析；呼倫貝爾草地

0 引 言

草原作為陸地生態系統重要組成部分，對生態碳循環具有不可忽視的作用[1-3]。呼倫貝爾草原是世界著名天然牧場，但近年來受氣候干旱、草地資源不合理利用等影響，出現了草地退化荒漠化等生態問題[4]。對草原植被生長狀況進行準確評估與預測是指導草地管理的重要依據，也是科學確定放牧強度、避免超載過牧、改善草原生態問題的重要基礎[5]。

凈初級生產力（net primary productivity，NPP）為植被光合作用的有機物總量與植物自身維持呼吸和生長消耗后的差值[6-7]。草地NPP是評估草地植被質量和生態系統結構的重要指標[8]，精準估算草地時序NPP對于理解和維護草原生態系統具有重要意義。過程模型通過對植被光合作用、呼吸作用等動態過程進行模擬獲取植被生產力估算結果，具有較強的機理性，可實現點-面、區域-全球不同尺度的長周期NPP動態模擬，已成為草地NPP估算的有效手段。

過程模型本質上是對現實世界過程的簡化描述，模型默認參數不適用于局部區域，會導致模擬結果存在一定的不確定性。眾多研究表明陸面模型中某些參數默認設定并不適用于所有區域[9-10]，如物候模塊大多基于溫熱帶地區特點進行設計，觸發植被生長和凋落的閾值應用于高緯度地區時會帶來一定的偏差。因此，在不同的環境條件、下墊面下使用默認參數設置將引入較大的誤差。

通用陸面過程模型（community land model，CLM）是目前應用最為廣泛的陸面模型[11]。由于模型參數較難通過直接測量獲取，將其應用于呼倫貝爾地區時大多學者采用默認參數進行運算，或僅對少部分參數進行經驗設置，較少全面分析模型參數的敏感性并針對呼倫貝爾地區草地特性開展針對性優化。WANG等[12]在利用CLM4.5對中國區植被NPP模擬時，通過篩選最佳參數組合實現對光合參數V的修正，但該研究僅考慮了單個參數V，缺少對于模型其他相關參數的進一步分析。BILIONIS等[13]基于序列的蒙特卡洛算法（sequential Monte Carlo，SMC）優化估計CLM4.5模型中大豆的葉莖取向指數、葉片C等10個參數，結果顯示預測的碳通量有了明顯改善，但該研究針對的是農作物，同草地植被存在較大差異，如天然植被不需要考慮人工灌溉施肥等因素。MAO等[14]針對松樹林優化的CLM4參數使土壤呼吸的模擬誤差降低了77%，但研究優化目標是模型中Ball-Berry氣孔導度模塊，該模塊在CLM5.0中已不再被使用，缺乏對于CLM5.0的進一步應用指導。

綜上所述，CESM（community earth system model）框架下的最新陸面過程模型CLM5.0相較于以往版本存在較大變化，應用于呼倫貝爾草地NPP模擬時不能簡單地采用前人的研究結果。因此本文針對呼倫貝爾草原特點，對影響植被生長的74個關鍵參數進行敏感性分析，選出10個相對敏感參數，然后以全球逐日NPP數據產品為參考，結合DREAM（differential evolution adaptive metropolis）優化算法對參數進行優化調整，并利用全球逐日NPP數據和GLASS（global land surface satellite）年凈初級生產力產品等數據對優化結果進行精度分析，最終確立CLM5.0模型用于呼倫貝爾地區草地生產力模擬的參數設置方案，以期提高CLM5.0在呼倫貝爾地區的NPP模擬精度。

1 研究區與數據

1.1 研究區概況

呼倫貝爾草原位于內蒙古自治區東北部，呼倫貝爾市西南部（46°10'～50°12'N，115°31'～121°09'E），東接大興安嶺，西部和南部同蒙古相鄰，北部同俄羅斯接壤，地勢東高西低，平均海拔650～700 m，屬于半干旱區。氣候屬于典型的溫帶大陸性季風氣候，雨熱同期，夏季高溫多雨，冬季寒冷干燥，年平均氣溫在0 ℃左右，年平均降水量達275.5 mm，草原生長期主要集中在5—10月。本文選取呼倫貝爾草原核心區域作為研究區，對應于4個旗縣：陳巴爾虎旗、鄂溫克族自治旗、新巴爾虎左旗、新巴爾虎右旗，其主要植被覆蓋類型如圖1所示。

圖1 研究區地表覆蓋類型

1.2 研究數據來源及處理

1.2.1 氣象驅動數據

本文采用國家青藏高原科學數據中心（http://data. tpdc.ac.cn）提供的中國區域地面氣象要素驅動數據集作為模型的氣象驅動數據，該數據集是在國際再分析資料、輻射資料、降水資料等基礎上，融合中國氣象局氣象觀測數據統計插值得到的[15]，精度優于國際上已有的再分析數據集，空間分辨率為0.1°，時間分辨率為3 h，為模型模擬提供了更好的數據支撐。數據集主要包括近地表氣溫、近地表氣壓、近地表空氣比濕、近地表風速、地面向下短波輻射、地面向下長波輻射、地面降水7個要素。根據模型輸入數據要求，將其分為3個數據流，用于模型模擬。

1.2.2 驗證數據

為了確保模型在精細化的時間尺度上也具備更好的模擬效果，本文采用由國家生態科學數據中心提供的全球逐日NPP模擬數據產品作為模型驗證優化的參考數據。該數據由BEPS模型生成[16]，可覆蓋全球植被生長區，空間分辨率為0.0727°×0.0727°。為保證驗證數據的可靠性，本文將MODIS NPP產品（MOD17A3）與驗證數據進行了比較（圖2），從圖中可以看出，該數據與MODIS產品空間分布和時間變化趨勢基本一致，兩者的相對偏差小于5%，具有較好的一致性，可用于本文模型參數優化后的驗證分析。

注：研究區NPP差值為MODIS產品減去BEPS產品結果。

2 模型與方法

2.1 陸面過程模型

CLM模型目前已經發展到了CLM5.0版本，本文重點針對CLM5.0的動態碳-氮模塊（BGC）進行參數優化。該模塊是在陸地生物化學模塊Biome-BGC[17]模塊的基礎上發展而來，可以模擬預測陸地碳、氮循環中自然植被狀態變量，因此可用于模擬表征植被的生長狀況。

相對于CLM4.5，CLM5.0引入了Medlyn氣孔導度模型代替了之前的Ball-Berry氣孔導度模型，適用于在低濕度條件下的氣孔導度模擬。同時CLM5.0引入了FUN（fixation and update of nitrogen）模型，將N吸收以C的形式進行能量消耗，利用可變的植物碳氮比值調整葉片的含氮量，使模型不再依賴于通過對土壤氮有效性的潛在光合速率進行瞬時下調來實現植物養分的限制。CLM5.0利用LUNA（leaf utilization of nitrogen for assimilation）模型實現葉片氮利用的優化，進而用于計算植物的光合能力。這些改進使得模型模擬同現實更加接近，但同時也增加了模型的復雜性，對模型應用于目標區域的參數優化帶來了一定的挑戰性[18]。

2.2 參數敏感性分析方法

由于CLM5.0模型結構復雜，涉及參數較多，無法對所有參數進行全局優化，局部敏感性分析可用于分析模型單一變量對于輸出結果的影響，計算方便，可快速計算出參數的敏感性指標。因此，為了從眾多參數中快速篩選出與NPP模擬最為相關的參數，本文采用局部敏感性分析方法OAT（one-at-a-time）[19]對模型中最典型的74個參數進行分析，確定后續優化參數。

OAT參數敏感性分析方法在固定模型其余參數時，分析某一參數微小變化引起的模型模擬結果變化程度，進而確定該參數的敏感性。本文采用對模型參數值進行上下浮動10%、20%的方式來進行模型模擬結果變化分析，進而計算74個參數的敏感性判別指數，其計算公式如下：

式中D為參數的敏感性判別指標；P為參數第（=1,2,…,n）次變化后模型模擬結果；P為參數默認值時的模型模擬結果。參數的敏感性判別指數反映了參數變化對模型模擬結果的影響，參數敏感性判別指數越大，說明其對模型模擬結果的影響越大，即該參數越敏感。

2.3 參數優化方法

本文采用DREAM算法[20]來進行模型參數校準。DREAM算法是多鏈馬爾科夫鏈蒙特卡洛（Markov chain Monte Carlo，MCMC）[10]模擬算法，可以自動調整分布的方向到目標分布，適用于復雜高維多模態目標分布，具有較好采樣效率且可以防止過早收斂，有效避免局部最優解，算法中心思想是貝葉斯理論，如式（2）利用參數的先驗概率分布得到參數的后驗分布信息。

在無先驗信息的情況下，可假定參數的先驗分布是均勻分布。假設隨機誤差服從均值為0的高斯分布，似然函數可表示為

2.4 評價指標

本研究將參數優化后的模擬結果與模型默認輸出結果進行比較來評價參數優化效果。為了全面評估模型模擬結果與參考數據之間的差異，采用以下評價指標對參數優化效果進行評價：

1）月平均NPP的絕對差值

式中M為月平均NPP的絕對差值，g/m2；m是天尺度NPP模擬值，g/m2；y是天尺度NPP參考值；g/m2；n是對應月份的天數，d。

2）年平均NPP的絕對差值

式中M為年平均NPP的絕對差值，g/m2；m是月尺度NPP模擬值，g/m2；y是月尺度NPP參考值，g/m2。

3）相對誤差R（%）

式中是時間步長總和。

4）均方根誤差R（g/m2）

3 結果與分析

3.1 基于OAT算法的參數敏感性分析

本文主要針對的植被類型是C3草，因此為節約計算資源，本文利用式（1）在單個像元（49.35°N，119.95°E）處進行參數敏感性分析，通過對月尺度敏感性值求取平均值得到參數的年敏感性值，篩選出對于模型模擬NPP結果最敏感的參數。

本文主要針對模型中與BGC模塊相關的74個參數進行敏感性分析，根據參數的年敏感性值對參數進行敏感性排序，并篩選出10個最敏感的參數（如表1所示）用于優化調整。

表1 參數敏感性分析指標結果

是用于表征植被冠層葉片維持呼吸速率的參數。由于植被NPP的計算是基于植被總光合作用減去植物呼吸作用得到的，呼吸作用參數的合理設定對于模型模擬NPP起著重要作用，從圖3中可以看出，該參數越大（代表植物呼吸作用越強），對應的NPP越小，因此該參數對NPP模擬存在負向影響。

21、11和32是模型中關于植被凋落分解過程的參數，用于表示凋落物池到土壤有機質池轉移的呼吸分數。由于NPP本身屬于一個表征植被碳含量的參數，因此這些參數也對于NPP的模擬存在一定的影響，從圖3中也可以看出，NPP隨著這3個參數值的增大而增大。

表示的是植被葉片碳氮比，表示的是植被細根碳氮比，這兩個參數主要作用于CN循環過程。模型利用碳氮比來約束CN循環中的C、N變化，通過在每個時間步長分配氮，使植物最佳地匹配目標化學計量。從圖3中可以看出這兩個參數對于NPP的模擬存在正向影響，參數值越大，NPP值越大。

屬于模型物候參數，表征葉片完全凋落的時長，當模型中物候模塊的凋落機制開始觸發，該值開始逐步遞減，直至該值減為0時植物進入休眠，等待生長機制觸發開始再次生長。因此該參數越小，會使得植物的凋落期減小，植物較快進入休眠從而使得NPP的模擬結果變小。

2是用于控制模型中植被開始生長時由存儲池轉移至傳輸池的碳的比例，屬于碳循環參數。在觸發植被生長后該參數會產生作用，因此該參數對于NPP的模擬結果也存在一定的影響。圖3中顯示該值越大（即轉移的碳比例越大），對應的NPP模擬值也越大。

10是維持呼吸的溫度系數，對草原植被維持呼吸作用存在較大的影響。與不同的是，該參數對于NPP的模擬有著正向影響，參數越大對應的NPP值也越大。

圖3 參數敏感性分析

是CLM5.0版本新納入的Medlyn氣孔導度參數，該參數對于氣孔對二氧化碳的反應有著重要影響，決定了在沒有植物水力學限制的情況下，不同環境條件組合中氣孔的開放程度，與模型模擬光合作用密切相關，因此對NPP模擬存在較大的影響。從圖3中峰值變化看，NPP的模擬值峰值會隨著該參數的增大而增大，同時該參數變化會對峰值出現的時間產生影響。

3.2 基于DREAM算法的模型參數優化

基于參數敏感性分析結果，篩選出10個最敏感的參數用于DREAM參數優化，并基于TRY（plant trait database）數據庫資料（https://www.try-db.org）和部分參考文獻信息確定待優化的參數的變化范圍。

參數通過篩選統計TRY數據庫中內蒙古地區主要植物物種的葉片碳氮比的頻率分布，確定其變化范圍為15～30。針對參數，相關研究[22]統計分析得到對于C3草，其滿足均值為5.25、標準差為0.32的高斯分布，因此本文按照3原則確定的變化范圍為4.29～6.21。WANG等[23]對中國165個站點的細根碳、氮、磷的濃度數據分析表明關于C3草的滿足均值為40.52、標準差為1.56的高斯分布，根據3原則確定參數變換范圍為35.84～45.20。對于參數10參考POST等[10]參數優化研究中的范圍設置為1.1～3.0。針對參數，由于缺少相關的定量數據資料，本文基于默認值15設定其變化范圍10～20。對于無法通過文獻調研等方式獲取的參數按照模型默認值上下浮動20%作為其變化范圍。

本文基于DREAM算法，利用2010年天尺度的參考數據對參數進行優化，所有參數完全收斂所需的次數為12 000～16 000次，除了參數10，其余參數在迭代了12 000左右均達到收斂。

圖4為模型參數估計的后驗概率分布直方圖，根據直方圖的形狀可以將其分為良性約束、擊邊約束和不良約束類型。良性約束是指參數后驗概率分布近似于高斯分布，圖中所示和屬于良性約束。擊邊約束是指參數的估計值接近于預設的參數值的最大值或者最小值，其后驗概率分布近似于半高斯分布，產生擊邊約束的原因較多，除了參數的變化范圍設置不合理外，還可能是模型結構缺陷所帶來的影響[24]。不良約束是指參數的后驗概率分布近似于均勻分布，出現不良約束情形表明觀測數據對于該參數的影響較小，本文中不存在這一類型的參數，也進一步證明了前文選取的待優化參數合理。

待優化參數的最終估計值和各自的95%置信區間如表2所示，可以看出，參數的置信區間都很小，說明受限制程度高。其中是取整參數，取整后置信區間均為18。10和的不確定性區間相對跨度較大，10相較于其余參數對于NPP的模擬敏感性較低，因此NPP的模擬對其限制程度相對較低，相較于其他參數數值較大，因此過小的變化無法對NPP的模擬產生較大的影響。、10與默認值相比，估計值均低于默認值，葉片碳氮比降低意味著降低了葉片對氮的需求，從前面的敏感性分析看該參數的降低會對NPP的模擬結果帶來減弱的影響；參數10的降低則是表示植物維持呼吸對溫度的敏感性降低。的增加代表著模型的氣孔導度增強，進而影響到植物的光合作用能力，會對NPP模擬產生一定的作用。其余關于C流向比例的參數也會對NPP的模擬帶來一定的影響。

圖4 參數后驗概率分布直方圖

3.3 草地生產力模擬結果分析

本文首先利用2010年參考數據對單個像元進行了年度的參數估計，圖5a是優化前后的NPP模擬比對，可以看出參數優化后的NPP模擬精度有了較大的提升和改進。優化后，夏季NPP時序模擬值與參考值重合度較高，秋季次之，春季不明顯，冬季由于草地植物不存光合作用，無法通過NPP來進行評估。

為了量化優化效果，本研究進一步基于3.4.1提到的指標進行優化前后對比計算，如表3所示，各項評估指標均有所提升。相對誤差R由33.82%降至10.97%，相對改進達67%；均方根誤差R降低了0.12 g/m2；月平均NPP絕對差值M由0.45 g/m2降至0.39 g/m2，相對改進12%；年平均NPP的絕對差值M由12.04 g/m2降至9.48 g/m2。

表2 參數估計值及置信區間

表3 2010和2011年參數優化前后評價指標比對

注:R為相對誤差，R為均方根誤差，M為月平均NPP的絕對差值，M為年平均NPP的絕對差值。下同。

Note: Ris the relative error,Ris the root mean square error,Mis the absolute difference of the monthly mean NPP,Mis the absolute difference of the annual mean NPP. Same below.

為了驗證參數優化設置在時間和空間模擬上的普適性，本文進一步模擬了2011年的區域草地生產力，如圖 5b所示。可以看到參數優化后夏季草地NPP模擬結果增大，使得模擬值高于參考數據，整體模擬趨勢沒有得到明顯改進。計算評價指標，如表3所示，相對誤差R和年平均NPP的絕對差值M有所提升，因為模擬在年尺度上存在一定的誤差補償效應，參數優化后模擬的NPP年總量更接近于參考值，而從均方根誤差R和月平均NPP的絕對差值M來看，模型模擬效果并未得到改善，優化參數拉大了模型在夏季同參考數據的差異，說明參數優化設置在時間上的普適性仍有待提升。由于模型模擬NPP受氣象因素關系較大，尤其是降水數據，參數優化是針對某一年的氣象變化來進行的，因此其在時間的轉移性上表現較差。該現象與已有研究結論[10]類似，即模型部分生態參數會隨時間發生變化，可能與氣溫降水等環境條件有關。因此后續研究可以進一步從更細的時間尺度上進行參數優化，如針對不同季節或者月份進行參數優化，建立一套隨時間變化的參數優化方案。

本文進一步針對草甸草原、典型草原和低地草甸進行化模擬分析，以驗證參數優化后模型在空間上的拓展性，結果如表4和圖6所示。從指標上可以看出，3種草地類型各項指標均有一定的提升，其中相對誤差R草甸草原由43.43%降低至37.81%，低地草甸由39.23%降低至31.17%，典型草原由42.03%降低至33.00%，分別降低了5.62、8.06和9.03個百分點，證明了參數優化在空間上的可轉移性。從圖6上也可以看出，模型優化后3種不同類型草地NPP模擬在夏季模擬趨勢同參考數據更加接近，秋季變化較小，與前面的結果一致，無論是在時間還是空間上參數優化的結果對于模擬的年累計量均有所提升，證明了參數優化的有效性。但由于NPP模擬受到多重因素的影響，參數優化結果在時間和空間上普適性仍有待進一步提升。

圖5 2010和2011年參數優化前后研究區NPP模擬結果比對

表4 不同草地類型參數優化前后評價指標比對

圖6 參數優化前后不同草地類型NPP模擬對比

為了更客觀地評價本文中優化結果的有效性，研究采用同類型產品交叉驗證、同區域研究成果比對等方式對優化后NPP模擬精度進行進一步驗證分析。首先采用GLASS年凈初級生產力產品[25]對優化后NPP模擬效果進行評價，結果顯示2010年目標像元處的GLASS-NPP年總量值為327.96 g/m2，而本文優化模擬結果為276.61 g/m2，2011年GLASS-NPP年總量值為333.47 g/m2，優化結果為307.66 g/m2，兩者相對誤差小于15%。隨后基于其他學者的相關研究進一步進行比對分析，本文利用已有呼倫貝爾地區的產草量研究數據結合轉換公式得到2010年陳巴爾虎旗的NPP年總量為260.96 g/m2 [26]、新巴爾虎右旗的NPP年總量為213.81 g/m2 [27]，均與目標像元的優化模擬結果接近。康振山等[28]利用BEPS模型計算了內蒙古草地2001—2015年NPP年均值為298.63 g/m2，穆少杰等[29]利用CASA模型計算2001—2010年內蒙古草地NPP年均值為281.30 g/m2，兩者與本研究年均值292.135 g/m2非常接近。從上述比對結果可以看出不同模型之間估算結果存在一定的差異，但差異均在合理范圍內。

4 討 論

本文基于DREAM方法開展了CLM5.0模型在呼倫貝爾草原生產力模擬的參數優化研究。首先為了縮小優化參數空間，利用OAT局部敏感性分析方法針對CLM模型中關鍵參數進行篩選。雖然針對CLM5.0的BGC模塊進行相關的敏感性分析的研究較少，但有研究[30]針對CLM5.0的SP模塊對全球不同植被類型利用機器學習的方式進行敏感性分析，研究結果表明NPP的模擬對于參數、、等均表現出較強的敏感性，與本文的參數選取結果有所重合，證實了本文選取的參數的合理性。

本文發現部分參數如、10的估計值同預定義的最小或最大邊界接近，這與BRASWELL等[24]的發現一致，這是模型結構缺陷導致。模型優化后NPP模擬仍存在低估現象，有研究認為與模型的初始狀態有一定的關系，POST等[10]將初始文件中的碳氮初始變量納入優化，優化效果優于不考慮初始變量，可見模型的初始狀態對模型模擬結果有一定的影響。其次，盡管參數優化后的結果同參考數據相比還存在一定的低估現象，但同默認設置的模型相比還是有一定的提升，而且優化后的參數設定值更符合文獻統計值，如文獻[31]指出北溫帶草地10_mr取值為2±0.8，基于TRY數據庫統計的內蒙古區域植被葉片碳氮比主要集中的20～25之間，兩者均與本文的參數優化結果接近，證明了本研究參數估計的合理性。有學者[10]指出模型中10、等生態參數應隨時間發生變化，參數取值可能與環境有關，如平均溫度或土壤濕度等。本文模型優化結果中對于夏季改進效果明顯，而對于秋季改進較弱說明了模型參數需要根據不同季節的環境條件進行優化，與上述學者結論一致。研究中模擬曲線與參考數據曲線比對發現，模擬曲線開始的時間點較晚，這是和模型的物候模型相關，決定了草地活躍生長的時間段，物候模型中觸發生長和凋落的變量涉及到了土壤水分等其他狀態變量，因此需要進一步考慮物候模塊相關變量的影響來修正這一誤差。

在氣候模型中，很難找到能夠持續提高模擬效果的最優參數值[32]，在本研究中也發現類似結果，將參數優化結果應用于其他年份時，由于草地的生長受氣候因素影響較大，優化效果有所下降。有文獻[31]概述了參數值在相同植被類型內的變化，這一現象會阻礙參數優化結果轉移到其他區域，在特定區域優化得到的參數可能會被過度調整到特定的環境條件，但本文將優化區域的參數優化結果遷移至不同的草地類型區域，優化效果有較好的改善，證明了具有一定的空間轉移性，但仍需考慮優化區域同驗證區域間的距離，選取更具代表性的區域進行參數優化以實現模型單點優化區域模擬的尺度拓展。

本文采用的驗證數據是基于機理性生態模型BEPS生成的，數據年總量NPP同MODIS數據接近，但受限于數據的可獲取性，無法在天尺度上對其實現進一步的精度驗證。但是本研究在BEPS參考數據對比分析的基礎上，進一步采用GLASS-NPP產品、文獻參考資料等多種方式對優化結果進行分析，多方面驗證本研究提出的參數優化效果的可靠性，彌補驗證數據自身精準度對分析結果的影響。后續研究將加大地面測量數據和標準參考數據的獲取，提升驗證數據和驗證結果的可靠性。

5 結 論

CLM5.0是CLM模式的最新版本，其在草原生態系統生產力模擬方面的適用性有待進一步評估。本文選取呼倫貝爾草原作為研究區，并對草地生產力模擬的關鍵參數進行針對性優化，主要結論如下：

1）研究利用局部敏感性分析對于CLM5.0_BGC模塊74個參數進行了分析，發現對NPP模擬最敏感的是呼吸作用類參數，其次是碳轉移類參數，敏感性相對較弱的是關于維持呼吸的參數（10）。參數的后驗概率分布表明參數葉片碳氮比（）、氣孔導度參數（）為良性約束，表明模型優化的參考數據對其約束較大，證明了參數對于優化模型模擬的有效性。

2）模型參數優化對于優化像元有較大的提升，相對誤差由33.82%降低至10.97%，相對改進了67%，均方根誤差降低了0.12 g/m2，同默認參數相比，月平均NPP絕對差值改善了12%，年平均NPP差值由12.04 g/m2降低至9.48 g/m2，優化模型在夏季的模擬效果優于秋季。

3）時間上，優化模型應用于下一年度2011年時，部分評估指標有所改進，相對誤差由8.74%降低至2.51%，年平均NPP絕對差值由15.64 g/m2降低至13.63 g/m2，但均方根誤差和月平均NPP絕對差值沒有改進，整體變化趨勢改進較小；空間上，優化后的模型應用于不同類型草原精度均有所提升，其中草甸草原相對誤差由43.43%降低至37.81%，低地草甸由39.23%降低至31.17%，典型草原由42.03%降低至33.00%，參數優化后的CLM模型在呼倫貝爾草地NPP模擬上具有更好的普適性。

[1] 閆瑞瑞，唐歡，丁蕾，等. 呼倫貝爾天然打草場分布及生物量遙感估算[J]. 農業工程學報，2017，33(15)：210-218. YAN Ruirui, TANG Huan, DING Lei, et al. Natural mowing grassland resource distribution and biomass estimation based on remote sensing in Hulunber[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 210-218. (in Chinese with English abstract)

[2] 沈貝貝，魏一博，馬磊超，等. 內蒙古草原植被覆蓋度時空格局變化及驅動因素分析[J]. 農業工程學報，2022，38(12)：118-126. SHEN Beibei, WEI Yibo, MA Leichao, et al. Spatiotemporal changes and drivers of fractional vegetation cover in Inner Mongolia grassland of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(12): 118-126. (in Chinese with English abstract)

[3] 劉艷，聶磊，楊耘. 基于植被指數估算天山牧區不同利用類型草地總產草量[J]. 農業工程學報，2018，34(9)：182-188. LIU Yan, NIE Lei, YANG Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182-188. (in Chinese with English abstract)

[4] 金林雪，劉昊，王海梅. 呼倫貝爾不同生態區生長季降水集中度和集中期時空變化特征[J]. 干旱氣象，2018，36(3)：390-396. JIN Linxue, LIU Hao, WANG Haimei. Spatial and temporal variation characterisrtics of PCD and PCP in growing season in different ecological regions of Hulunbeir[J]. Journal of Meteorology, 2018, 36(3): 390-396. (in Chinese with English abstract)

[5] 喬郭亮，金曉斌，顧錚鳴，等. 2000—2018年天山中段高海拔草地暖季承載力[J]. 農業工程學報，2021，37(22)：253-261. QIAO Guoliang, JIN Xiaobin, Gu Zhengming, et al. Carrying capacity of high-altitude grassland in warm seasons in the middle section of Tianshan Mountain from 2000 to 2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 253-261. (in Chinese with English abstract)

[6] 尹小君，祝宏輝，Gao Gerry，等. 氣候變化和人類活動對天山北坡凈初級生產力變化的影響[J]. 農業工程學報，2020，36(20)：195-202. YIN Xiaojun, ZHU Honghui, GAO Jerry, et al. Effects of climate change and human activities on net primary productivity in the Northern Slope of Tianshan, Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 195-202. (in Chinese with English abstract)

[7] 蘇勝濤，曾源，趙旦，等. 中國陸地植被凈初級生產力估算模型優化與分析：基于中國生態系統研究網絡數據[J]. 生態學報，2022，42(4)：1276-1289. SU Shengtao, ZENG Yuan, ZHAO Dan, et al. Optimization of net primary productivity estimation model for terrestrial vegetation in China based on CERN data[J]. Acta Ecologica Sinica, 2022, 42(4): 1276-1289. (in Chinese with English abstract)

[8] 崔林麗，杜華強，史軍，等. 中國東南部植被NPP的時空格局變化及其與氣候的關系研究[J]. 地理科學，2016，36(5)：787-793. CUI Linli, DU Huaqiang, SHI Jun, et al. Spatial and temporal pattern of vegetation NPP and its relationship with climate in the Southeastern China[J]. Scientia Geographica Sinica, 2016, 36(5): 787-793. (in Chinese with English abstract)

[9] BIRCH L, SCHWALM C, NATALI S, et al. Addressing biases in Arctic-Boreal carbon cycling in the Community Land Model Version[J]. Geoscientific Model Development, 2021, 14(6): 3361-3382.

[10] POST H, VRUGT J, FOX A, et al. Estimation of community land model parameters for an improved assessment of net carbon fluxes at European sites: Estimation of CLM parameters[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122, 661-689.

[11] 謝志鵬，胡澤勇，劉火霖，等. 陸面模式CLM4. 5對青藏高原高寒草甸地表能量交換模擬性能的評估[J]. 高原氣象，2017，36(1)：1-12. XIE Zhipeng, HU Zeyong, LIU Huolin, et al. Evaluation of the surface energy exchange eimulations of land surface model CLM4. 5 in Alpine Meadow over the Qinghai-Xizang Plateau[J]. Plateau Meteorology, 2017, 36(1): 1-12. (in Chinese with English abstract)

[12] WANG Y Y, XIE Z H, JIA B H, et al. Improving simulation of the terrestrial carbon cycle of china in version 4. 5 of the Community Land Model using a revised Vcmax scheme[J]. Atmospheric and Oceanic Science Letters, 2015, 8(2): 88-94.

[13] BILIONIS I, DREWNIAK B A, Constantinescu E M. Crop physiology calibration in the CLM[J]. Geoscientific Model Development., 2015, 8(4): 1071-1083.

[14] MAO J, RICCIUTO D M, THORNTON P E, et al. Evaluating the community land model in a pine stand with shading manipulations and13CO2labeling[J]. Biogeosciences, 2016, 13(3): 641-657.

[15] HE J, YANG K, TANG W, et al. The first high-resolution meteorological forcing dataset for land process studies over China[J]. Scientific Data, 2020, 7: 25.

[16] HE Q, JU W, DAI S, et al. Drought risk of global terrestrial gross primary productivity over the last 40 years detected by a remote sensing-driven process model[J]. Journal of Geophysical Research: Biogeosciences, 2021, 126: e2020JG005944.

[17] THORNTON P E. Carbon-nitrogen interactions regulate climate-carbon cycle feedbacks: Results from an atmosphere-ocean general circulation model[J]. Biogeosciences., 2009, 6: 2099-2120.

[18] LAWRENCE D M, FISHER R A, KOVEN C D, et al. The Community land model version 5: Description of new features, benchmarking, and impact of forcing uncertainty[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(12): 4245-4287.

[19] 李一哲，張廷龍，劉秋雨，等. 生態過程模型敏感參數最優取值的時空異質性分析：以BIOME-BGC模型為例[J]. 應用生態學報，2018，29(1)：84-92. LI Yizhe, ZHANG Tinglong, LIU Qiuyu, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in ecological process model: The BIOME-BGC model as an example. [J]. Chinese Journal of Applied Ecology, 2018, 29(1): 84-92. (in Chinese with English abstract)

[20] VRUGT J A, BRAAK C T, DIKS C G H, et al. Accelerating markov chain monte carlo simulation by differential evolution with self-adaptive randomized subspace sampling[J]. International Journal of Nonlinear Sciences and Numerical Simulation, 2009, 10(3): 273-290.

[21] VRUGT J. Markov chain Monte Carlo simulation using the DREAM software package: Theory, concepts, and MATLAB implementation[J]. Environmental Modelling & Software, 2016, 75: 273-316.

[22] DE KAUWE M G, KALA J, LIN Y S, et al. A test of an optimal stomatal conductance scheme within the CABLE land surface model[J]. Geoscientific Model Development., 2015, 8(2): 431-452.

[23] WANG Z Q, LV S Q, SONG H, et al. Plant type dominates fine-root C: N: P stoichiometry across China: A meta-analysis[J]. Journal of Biogeography, 2020, 47(5): 1019-1029.

[24] BRASWELL B H, SACKS W J, LINDER E, et al. Estimating diurnal to annual ecosystem parameters by synthesis of a carbon flux model with eddy covariance net ecosystem exchange observations[J]. Global Change Biology, 2005, 11(2): 335-355.

[25] ZHENG Y, SHEN R, WANG Y, et al. Improved estimate of global gross primary production for reproducing its long-term variation, 1982–2017[J]. Earth System Science Data, 2020, 12(4): 2725-2746.

[26] 郭陽，賈志斌，張琪，等. 基于遙感數據的內蒙古呼倫貝爾草原草畜平衡時空動態研究[J]. 中國草地學報，2021，43(4)：30：37. GUO Yang, JIA Zhibin, ZHANG Qi, et al. Study on the spatiotemporal dynamics of Forage-Livestick Balance in Hulunbuir grassland of Inner Mongolia based on remote sensing data[J]. Chinses Joural of Grassland, 2021, 43(4): 30: 37. (in Chinese with English abstract)

[27] 賈立國. 呼倫貝爾草原產草量動態變化研究—以新巴爾虎右旗為例[D]. 石家莊：河北師范大學，2012. JIA Liguo. The Hulunbeier Grass Production Dynamic Changes-Xin Barag Youqi for Example[D]. Shijiazhuang: Heibei Normal University,2012.

[28] 康振山，張莎，白雲，等. 內蒙古草地凈初級生產力時空變化及其對干旱的響應[J]. 草地學報，2021，29(1)：156-165. KANG Zhenshan, ZHANG Sha, BAI Yun, et al. Spatio-temporal changes of grassland net primary productivity (NPP) in Inner Mongolia and its response to drought[J]. Acta Agrestia Sinica, 2021, 29(1): 156-165. (in Chinese with English abstract)

[29] 穆少杰，李建龍，楊紅飛，等. 內蒙古草地生態系統近10年NPP時空變化及其與氣候的關系[J]. 草業學報，2013，22(3)：6-15. MU Shaojie, LI Jialong, YANG Hongfei, et al. Spatio-temporal variation analysis of grassland net primary productivity and its relationship with climate over the past 10 years in Inner Mongolia[J]. Acta Prataculturae Sinica, 2013, 22(3): 6-15. (in Chinese with English abstract)

[30] DAGON K, SANDERSON B M, FISHER R A, et al. A machine learning approach to emulation and biophysical parameter estimation with the community land model, version 5[J]. Advances in Statistical Climatology, Meteorology and Oceanography, 2020, 6(2): 223-244.

[31] KUPPEL S, PEYLIN P, CHEVALLIER F, et al. Constraining a global ecosystem model with multi-site eddy-covariance data[J]. Biogeosciences Discussions, 2012, 9: 3757-3776.

[32] WILLIAMSON D, BLAKER A, HAMPTON C, et al. Identifying and removing structural biases in climate models with history matching[J]. Climate Dynamics, 2015, 45, 1299-1324.

Optimization of the simulated parameters of grassland productivity using CLM5.0 in Hulunbuir of Inner Mongolia

YANG Qian1,2,5, ZHU Xiaohua1,5※, ONYANG Guangzhou1,5, MA Lingling1,5, LIU Wei4, WANG Kun1,3

(1.,,100094,; 2.,,,100049,;3.,,100049; 4.,,100049;5.,,100094,)

Net primary productivity (NPP) can be one of the most important indicators to evaluate the ecosystem structure and function in grassland protection. Therefore, it is necessary to rapidly and accurately evaluate the NPP under the carbon cycle of the ecosystem. The land surface process model can be used to realize the time series simulation of NPP using the physical mechanism. However, the default parameters of the models cannot be suitable for the target area, leading to the simulation deviation. There is also limited cognition of the physiological and biochemical characteristics of vegetation. Therefore, it is a high demand to optimize the parameters, when applied to the target area. The CESM framework has recently released the land surface model CLM5.0, indicating the most promising land surface process model for the evaluation of grassland productivity. In this study, the spatiotemporal simulation of grassland productivity was carried out in the Hulunbuir grassland, Inner Mongolia, China. Firstly, the local sensitivity analysis was used to choose the ten sensitive parameters of the CLM5.0_BGC module. Taking the global daily NPP data products as the reference, the Differential Evolution Adaptive Metropolis (DREAM) was then utilized to optimize ten sensitive parameters after sensitivity analysis. The accuracy of optimization was verified using global daily NPP data and GLASS annual net primary productivity products. Finally, the parameter setting was established for the CLM5.0 model for the grassland productivity simulation. The results were as follows: 1) Local sensitivity analysis was conducted to determine 74 parameters of the CLM5.0_BGC module. The most sensitive parameters were obtained to simulate the grassland productivity, including respiration, followed by carbon transfer. 2) Similar to the leaf C/N ratio, the Gaussian distribution was found in the posterior probability distribution in the slope parameter of the relationship between the stomatal conductance and photosynthesis. The optimization was observed in the benign constraint. The effectiveness of the carbon/nitrogen correlation and respiration parameters were verified to simulate the optimized model. 3) Parameter optimization effectively improved the simulation performance of CLM5.0 on the productivity of the grassland. The parameter optimization of the model shared a great improvement for the targeted pixel, where the relative error decreased from 33.82% to 10.97%, a relative improvement of 67%, and root mean square error decreased by 0.12 g/m2. The optimization effect of the model in summer was also better than that in autumn. 4) The grassland productivity in the next year was evaluated on the simulation with the optimized parameter, where the relative error decreased from 8.74% to 2.51%, and the absolute difference in annual mean indexdecreased from 15.64 g/m2to 13.63 g/m2. Spatially, the accuracy of the optimized model was improved in the different types of grassland. Among them, the relative errors of meadow grassland, lowland meadow, and typical grassland decreased from 43.43% to 37.81%, from 39.23% to 31.17%, and from 42.03% to 33.00%, respectively. The root mean square error was reduced from 0.58 g/m2to 0.52 g/m2in the meadow grassland, from 0.62 g/m2to 0.57 g/m2in the lowland meadow, and from 0.51 g/m2to 0.44 g/m2in the typical grassland. The finding can provide a strong reference to simulate the grassland productivity in the Hulunbuir region using CLM5.0. There can be offered a positive role in the reasonable assessment of the grassland ecosystem under the carbon cycle.

model; parameter optimization; grassland NPP; sensitivity analysis; hulunbuir grassland

10.11975/j.issn.1002-6819.202211161

S283

A

1002-6819(2023)-06-0139-10

楊倩，朱小華，歐陽光洲，等. 基于CLM5.0的內蒙古呼倫貝爾草地生產力模擬參數優化[J]. 農業工程學報，2023，39(6)：139-148.doi：10.11975/j.issn.1002-6819.202211161 http://www.tcsae.org

YANG Qian, ZHU Xiaohua, ONYANG Guangzhou, et al. Optimization of the simulated parameters of grassland productivity using CLM5.0 in Hulunbuir of Inner Mongolia[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(6): 139-148. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202211161 http://www.tcsae.org

2022-11-18

2023-02-15

中國科學院戰略性先導科技專項（A類）（XDA26010203-4）；內蒙古自治區科技重大專項（2021ZD0044）；中科院空天院“未來之星”人才計劃項目

楊倩，研究方向為生態遙感應用研究。Email：18406599545@163.com

朱小華，博士，研究方向為植被定量遙感機理與應用研究。Email：zhuxh@aircs.ac.cn