亚热带常绿针叶林光能利用率模型优化与总初级生产力估算

徐珂，邢艳秋，常晓晴

(东北林业大学 森林作业与环境研究中心，哈尔滨 150040)

陆地生态系统碳循环是研究全球变化的核心内容之一，而陆地生态系统生产力的研究是碳循环研究的重要部分，是研究森林生态系统物质能量交换情况的重要依据。总初级生产力(Gross Primary Productivity, GPP)是陆地碳循环的开始，作为反映生态过程的重要指标，GPP的动态变化在森林生态系统碳循环以及全球气候变化中起重要作用[1]。

目前，研究者通常将GPP模型分为生态过程模型、气候生产力模型和光能利用率模型。其中生态过程模型从生态学角度出发，模拟植物的光合作用、自氧呼吸和有机分解等过程，具有较高的模拟精度，但结构复杂，参数过多难以获取，且在大区域尺度参数化难度高，推广困难；气候生产力模型是以气候因子与植被生产力统计关系为基础，可进行时间和空间上的外推，所需参数少、结构简单，但由于忽略了植物生理生态反应，过度简化了本身较为复杂的生态系统，误差较大；而光能利用率模型同时具有所需参数少和充分利用遥感信息的优点，被广泛应用于分析陆地生态系统碳收支的变化特征及其可能原因[2]。国内外很多学者基于光利用率模型对单一林分[3]或混合林分[4]进行估算，但各模型均存在不同程度的不确定性。另外，我国关于森林生态系统固碳方面的研究多在温带或暖温带进行，对亚热带常绿针叶林研究相对较少。因此，在亚热带常绿针叶林开展光能利用模型GPP估算研究，有助于GPP模拟方法的发展，减少模型模拟的不确定性，又能加深对亚热带区域碳收支的认识。

综上所述，本研究选取处于亚热带的江西省太和县千烟洲常绿针叶林，利用中国通量观测网络千烟洲站的气象观测数据及卫星遥感资料，对光能利用率模型的关键参数：光合有效辐射吸收比率(Fraction of absorbed photosynthetically active radiation，FPAR)、水分限制因子(fθ)和温度限制因子(ft)进行优化，使用通量观测GPP数据作为验证，获得一组适合亚热带常绿针叶林的模型参数结构，并对最终模型模拟效果进行分析，探索模型参数优化对提高GPP模拟能力的可行性。进而通过对模型输入参数的敏感性分析，探究各参数对模型影响，以期为改善光能利用模型在亚热带常绿针叶林应用奠定基础。

1 研究区与研究方法

1.1 研究区概况

本研究区位于江西省太和县千烟洲生态系统观测站(26°44′29.1″N，105°03′29.2″E)，是中国陆地生态系统通量研究网络(ChinaFLUX)重要组成部分。观测站属于典型的亚热带季风气候，夏热冬温，四季分明，年平均温度达到17.9 ℃，年平均降水1 485 mm，通量观测范围为半径3 km内的常绿人工针叶林。通量塔处在典型中国南方红壤丘陵地形条件下，周围主要是以湿地松(PinuselliottiiEngelmann)、马尾松(PinusmassonianaLamb.)为主的人工针叶林，人工林平均树龄在20 a左右，近1 km2范围内森林覆盖率达到90%以上，植被平均冠层高度约13 m。

1.2 数据来源及处理

1.2.1 通量数据及气象数据

本研究所用常规气象数据及通量数据来源于中国通量观测站千烟洲站(http//www.chinaflux.org)。本文选取2003—2005年遥感数据、通量数据和气象数据进行模型优化研究。根据通量塔观测得到净生态系统交换量(Net ecosystem exchange，NEE)，利用公式(1)中夜间NEE(公式中用Nnight表示)与相应气象数据计算得到站点GPP值(公式中用GPP表示)，如公式(2)所示，对其积分，获取以月为时间尺度的GPP(GPP)。

Nnight=R×Q[(T-10)/10]。

(1)

GPP=Re-Nnight。

(2)

式中：Nnight为生态系统在夜间的呼吸量；R为生态系统在10 ℃时呼吸量；Q为呼吸随温度的变化速率；T为空气温度；Re为生态系统呼吸。

因仪器性能、误差和天气等因素而不可避免地会出现一些数据缺失等问题，本研究按照通量观测数据处理方法，使用EdiRe软件处理通量观测数据，处理步骤包括：WPL空气密度校正、二次坐标旋转、数据质量控制、缺失数据插补、频率响应订正、超声虚温订正和储存项计算等，其中，数据质量控制步骤需要删去摩擦风速0.2 m/s以下的数据、降雨时段的数据及超出仪器合理量程的数据。

1.2.2 遥感数据

本研究使用的遥感数据包括：GLASS LAI叶面积指数产品数据集、MODIS地表反射率产品数据集(MOD09A1)和MODIS GPP产品(MOD17A2)。其中，GLASS LAI是由北京师范大学全球变化数据处理与分析中心发布的全球叶面积指数(Leaf area index, LAI)产品，该数据时间分辨率为8 d，空间分辨率为1 km×1 km，该产品在精度和准确度上比LAI地面观测数据更高，且无明显高估或低估现象存在[5-6]，对GLASS LAI产品插值生成500 m×500 m空间分辨率的数据，利用最大值合成法生成每月LAI数据。

MOD09A1数据时间分辨率为8 d，空间分辨率为500 m×500 m，包括范围为620～2 155 nm的7个波段，利用其中近红外、短波红外、红色和蓝色4个波段的反射率得到增强型植被指数(Enhanced vegetation index, EVI)、归一化植被指数(Normalized difference vegetation index, NDVI)、比值植被指数(Simple Ratio Index, SR)和地表水分指数(Land Surface Water Index, LSWI)，并以每月最大值用于光能利用率模型用做参数输入。

MOD17A2数据为8 d分辨率的MODIS GPP产品，按照日期分别将各月GPP值累加作为该月GPP值用于对比分析。另外，通量塔的贡献区一般为塔高的10倍，即塔站周围1.5 km。为达到良好的空间匹配，本研究使用以通量塔为中心的3×3个像元平均值作为输入数据。

1.3 模型优化

1.3.1 模型结构

光能利用率模型假设在适宜的环境条件下(温度、水分和养分等)，植物光合作用强弱取决于冠层吸收的太阳光合有效辐射，并且植物以一固定的比例(即最大光能利用率)将太阳能转化为化学能。在现实环境条件下，最大光能利用率受水分、温度以及其他环境因子的限制而降低，一般而言，基于遥感的光能利用模型表示如公式(3)所示，关于光能利用率模型其他介绍详见参考文献[1]。

G=αmax×FPAR×PAR×f。

(3)

式中：G为总初级生产力，mol/(m2·month)；αmax为最大光量子效率，是植物在理想状态下转化1molCO2的所需量子数，取值0.203[7]；PAR为时间段内总光和有效辐射，μmol/(m2·month)；FPAR(FPAR)为光合有效辐射的吸收比率；f为影响光能利用率的各种环境胁迫因子(温度和水分等)。大多数光能利用率模型的形式基本相同，但计算环境影响因子f和FPAR参数的方法存在差异。

从文理两科数学试卷的通过率与标准差的散点图，可以看到两者具有比较明显的正相关的线性关系；但通过率与变异系数的散点图可以看出两者具有比较明显的负相关的线性关系.因此在判断试卷的难度对试卷的区分能力的影响时，不能单从标准差一个维度进行考虑，要结合变异系数进行综合评价.对理科试卷，难度控制在0.5左右，标准差和变异系数达到比较好的平衡；对文科试卷，目前还没有通过率超过0.5的试卷，需要积累更多的资料.单就现有统计数据，难度在0.4左右标准差和变异系数能达到比较好的平衡.对于试卷的难度控制要综合考虑标准差和变异系数，使试卷的难度既有利于对学生的精确区分，又有利于鼓励学生学习的积极性.

1.3.2 参数重组与模型构建

在公式(3)的模型结构基础上，结合卡内基-埃姆斯-斯坦福方法模型(CASA)、三维辐射传输模型(LESS)、涡度相关技术的光能利用率模型(EC-LUE)、环境和灾害预测与评估的NPP模型(NPP-EMSC)[8]、全球生产效率模型(GLO-PEM)、植被光合作用模型(VPM)、陆地生态系统模型(TEM)和3PG碳生产模型8个模型中13种FPAR、7种fθ和3种ft，共建立273种(13×7×3)不同模型参数组合，结合2003—2005年气象数据及遥感数据得到多组GPP模拟值，并与通量塔GPP观测值做最小二乘线性拟合。通过对比不同模型相关系数及均方根误差，优选出适合千烟洲亚热带人工针叶林的FPAR、温度及水分限制因子的最佳参数组合。

相关文献表明，FPAR与植被指数NDVI、EVI、SR和LAI存在着多种线性或非线性关系，分别表示为FNDVI、FEVI、FSR,FLAI，本文共选取了13种算法，具体见表1—表3。其中FNDVI3、FSR1、FNDVI&SR为张福平等[9]在黑河流域的研究方法；FNDVI1为Myneni在1994年给出的光合有效辐射吸收比率算法，其建立在物理机制明确的三维辐射传输模型上，并有大量实测数据做基础，具有普适性和不受像元异质性影响的优点[10-11]，其他见参考文献[1]和文献[2]。本研究中NDVImax、NDVImin为所研究植被类型NDVI最大值和最小值；SRmax、SRmin为所研究植被类型NDVI的95%和5%下侧百分位数，其中，NDVImax为0.647、NDVImin为0.023、SRmax为4.67、SRmin为1.05，调整取值出自朱文泉等[12]对中国典型植被中的常绿针叶林NDVI和SR的最大最小取值，FPARmax为0.95、FPARmin为0.001取值与植被类型无关。

表1 ft-3PG温度影响因子下的回归结果

温度影响因子(ft)有3种结构，ft-3PG为3PG模型中结构的温度影响因子，ft-CASA为CASA模型中结构的温度影响因子，ft-TEM为陆地生态系统(TEM)中的结构的温度影响因子，算法涉及的Topt、Tmax和Tmin分别为光合最适温度、最高温度和最低温度，分别设为28、40、0 ℃。

其他因子使用3PG模型中的结构：肥力影响因子fn、林龄影响因子fage、霜冻影响因子ff和水汽压差影响因子fd表达式见参考文献[4]。

1.4 模型验证与参数敏感性分析

根据公式(3)模型结构，对273组不同参数的模型组合计算得到的模拟GPP值与通量塔同期获取的观测GPP值进行线性回归。根据观测值与模拟值的决定系数(R2)和均方根误差(RMSE)为依据，选定优选模型结构。

2 结果与分析

2.1 不同模型结构下GPP估算精度对比

求出所有模型参数组共273组的判定系数R2和均方根误差RMSE。由于数据过多，按照ft-3PG、ft-TEM、ft-CASA3个温度影响因子，分析表1—表3中所有模型参数组回归结果，表中每组结果对应上下2行，分别为判定系数R2与均方根误差RMSE(μmol/(m2·s))。通过比较模型性能，最终选取用EVI表征的FPAR、TEM模型中的温度影响因子和3PG模型水分影响因子的组合(判定系数R2=0.86，均方根误差RMSE=0.47μmol/(m2·s)，该模型组合表现出较好的拟合效果及稳定性。

表2 ft-TEM温度影响因子下的回归结果

表3 ft-CASA温度影响因子下的回归结果

2.2 优选模型参量敏感性分析

优选模型中对模型输出结果有影响的变量主要有：月平均温度T，增强型植被指数EVI，光合有效辐射PAR；输入参数主要有最大光量子效率αmax、光合最适温度Topt、光合最高温度Tmax和最低温度Tmin。敏感性分析结果见表4。

由表4可知，输入变量中的最大光量子效率αmax、增强型植被指数EVI和光合有效辐射PAR为模型的直接线性变量，GPP估算值变化幅度与三者变化幅度一致，温度T对估算结果影响较小，GPP输出结果低于3个直接线性变量，输入参数中的光合最适温度Topt、Tmax和Tmin的取值对优选模型的输出结果也有一定影响，其中Topt和Tmin对最终结果影响较大，Tmax对最终结果影响较小，原因可能是在亚热带地区温热条件长期供应充分，植物光合作用在高温时影响较小，而在低温条件下光合作用受到影响较大。

表4 优选模型参量敏感性分析

3 讨论

本研究以光能利用率模型为基础，通过改变参数构建了273种不同模型组合，并对结果进行对比分析，发现使用FPAREVI、fθ-3PG、ft-TEM的模拟效果最好。

从水分影响因子所显示的表现结果来看，3PG模型的fθ-3PG在本次研究中明显强于其他模型，这与常晓晴等[15]对长白山地区研究结果有所不同，原因可能是长白山地区为温带大陆性气候，更为干燥寒冷，fθ-3PG模拟水分植被生长的限制作用效果不如中低纬度地区。

对于温度影响因子，ft-TEM表现较好，计算中所用到的参数敏感性由大到小为Tmin、Topt、T、Tmax，说明在千烟洲地区光合作用的最低温度对植被的限制作用最大，植物在低温下光合作用受到影响最为明显。

如图1所示，横坐标为2003—2005年共36个月份，纵坐标表示GPP值，为便于比较，将单位统一替换成gC/(m2·month)。从图1可以看出，MOD17A2 GPP值与优选模型GPP模拟值均能较好地反映GPP全年单峰型的变化趋势，但在峰值上，2003年前者比观测值低出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月出现一个明显异常值外，峰值误差远低于前者，在平均误差上，这一趋势也表现明显：2003年前者平均误差比后者高出21.9%，2004年高出7.9%，2005年高出12.5%。在非生长季上MOD17A2 GPP与优选模型均出现一定低估现象，但前者在整个生长季中各月均有较明显低估，后者在这一时期则无明显高低估现象存在。

图1 MOD17A2 GPP值、GPP观测值与优选模型GPP模拟值对比

如图2所示，优选模型GPP模拟值与GPP通量塔观测值在2003—2005年拟合判定系数为R2=0.86，RMSE=0.47μmol/(m2·s)，优于在千烟洲地区相同时段内的相关模型研究结果：如基于植物生理过程的冠层尺度光合模型MAESTRA模型模拟结果R2=0.73(2005)[16]、EALCO模型模拟结果R2=0.82(2003—2004)[17-18]、生态过程模型BEPS模型模拟结果R2=0.81(2003—2005)[19]，对比后具有一定优势，进一步表明本研究得到的优选模型能较好地模拟千烟洲地区植被GPP月季变化。

图2 优选模型GPP模拟值与GPP观测值拟合结果

卫星遥感数据中部分存在云层影响或缺失现象，因此模拟结果具有一定不确定性。另外，通量贡献区位置与范围会随着仪器观测高度、下垫面粗糙度、风向以及边界层特征(如大气稳定度等)的变化而产生瞬时变化。因此，本研究用于验证的通量数据本身也具有一定的不确定性。

4 结论

本研究利用2003—2005年遥感数据集以及气象数据驱动多种光能利用率模型估算GPP，并结合中国通量联盟千烟洲站人工针叶林的通量观测数据对各参数组合模型进行验证对比，以及参数敏感性分析，得出以下结论。

(1)最适合千烟洲地区的模型参数组合为：FPAREVI、fθ-3PG、ft-TEM，3个参数在该地区适用性得到改善，使优选模型参数组合无论是拟合效果及稳定性均得到提升，提高了千烟洲地区GPP模拟效果。

(2)各参数对GPP模拟结果影响程度不同。其中，最大光量子效率αmax、增强型植被指数EVI和光合有效辐射PAR为模型的直接线性变量，影响最大，其他参数敏感性由大到小依次为：Tmin、Topt、T、Tmax。

(3)引入多个光能利用率模型中的参数，有益于提高光能利用率模型GPP模拟能力，可以预见，在未来将会有更多光能利用率模型参数被引入，进一步提高模拟效果。