黑龙江省东部森林NPP变化及未来演化模拟*

丛喜东，李琳，梁素钰，刁云飞，刘丹

(1.黑龙江省生态研究所，黑龙江 哈尔滨 150081；2.黑龙江省生态研究所森林生态与林业生态工程重点实验室，黑龙江 哈尔滨 150081；3.黑龙江牡丹江森林生态系统国家定位观测研究站，黑龙江 牡丹江 157500；4.黑龙江省气象科学研究所，黑龙江 哈尔滨 150030)

森林生态系统是最大的陆地生态系统，森林植被净初级生产力(net primary productivity，NPP)是植被活力的关键表征变量[1-2]，对于研究森林生态系统碳收支、生态系统服务功能及其对全球变化的响应具有重要意义。国内外开展了大量的森林NPP研究，主要研究方向包括时空变化特征，如严俊霞等[3]利用光能利用率模型模拟了吉林省陆地生态系统NPP，并分析其时空变化特征；孙金珂等[4]采用变化斜率法分析了多种陆地生态系统NPP的空间分布格局。NPP的估算方法，如以Thornthwaite Memorial模型[5]、周广胜-张新时模型[6]等为代表的气候生产力模型，以CASA(Carnegie-Ames-Stanford Approach)模型[7]、BEPS(Boreal Ecosystem Productivity Simulator)模型[8]等为代表的生物地球化学模型。驱动因子，如张凤英等[9]、刘文瑞等[10]、李芸等[11]分别研究了气候变化对长江流域、黑龙江省伊春市、吉林省的森林植被NPP的影响。随着观测手段和研究方法的不断进步，NPP的测量精度得到了一定的提高，但区域NPP的测量精度始终受限于森林生态系统本身复杂性的影响，目前还无法提出统一有效的解决方式。黑龙江省东部包括小兴安岭、长白山北部山区和三江平原，森林是我国主要粮食产区——三江平原的重要的生态屏障，了解该地森林NPP的过去和未来演化趋势，对于准确评价森林生态系统对三江平原的生态保护功能至关重要。本研究以黑龙江省东部森林生态系统为研究对象，采用周广胜-张新时NPP模拟模型，通过模拟过去(2000—2022年)和未来(2023—2030年)森林NPP的时空变化特征，评价研究区森林NPP的未来发展趋势，为当地森林资源保护提供参考。

1 研究方法

1.1 研究区概况

黑龙江省东部地区地处43.42°～49.44°N、127.62°～135.08°E，包括伊春、佳木斯、牡丹江等7个市，总面积16.97×104km2；北部和东部与俄罗斯接壤，界河分别是黑龙江和乌苏里江。研究区地势西部和南部高、东北部低，海拔在28～1 620 m之间，三江平原位于研究区中东部，研究区西部为小兴安岭，南部为长白山北部山区；研究区平均气温-0.09～5.85 ℃，年降水量490.72～652.79 mm；境内植被森林主要分布在西部的小兴安岭和长白山北部山区，耕地主要分布在东部的三江平原。

1.2 数据来源

1.2.1 遥感数据

本研究基于MODIS的MCD12Q1数据产品(土地类型覆盖产品)提取森林分布范围，该数据来源于美国NASA LPDAAC(The Land Processes Distributed Active Archive Center)EOS数据中心[12]，空间分辨率为500 m，是基于当年Terra和Aqua星数据进行的土地利用分类产品，产品包含5种不同土地覆盖分类方案的分类结果和对应的质量信息数据集，本研究选用“IGBP全球植被分类方案”的分类结果，并将常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林、稠密灌丛、稀疏灌丛合并为森林。

1.2.2 气象数据

利用气象数据计算研究区森林NPP，包括观测数据和模式数据，其中观测数据来源于2000—2022年黑龙江省东部地区的32个气象台站的逐日观测资料，包括日平均气温和日降水量，实测的资料由于受台站迁移等因素的影响，会影响数据的均一性，因此本研究参照《地面气象观测资料质量控制》(QX/T 118—2010)，对资料做均一性检查和质量控制；模式数据使用美国宇航局地球交易所全球每日降尺度预测数据集(NEX-GDDP-CMIP6)[13]，该数据集已经过偏差校正，空间分辨率为25 km，包含4个SSP排放情景，本研究选用SSP2-4.5和SSP5-8.5排放情景模拟研究区森林NPP，时间范围为2000—2030年，并将数据重采样到空间分辨率为500 m。

1.2.3 地理信息数据

选用SRTM地形产品V4.1版本数据作为数字高程模型(DEM)，数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站[14]，空间分辨率为90 m，本研究将数据重采样到空间分辨率为500 m。

1.3 研究方法

1.3.1 森林NPP模拟

本研究利用周广胜-张新时模型[6]估算森林NPP，该模型基于植被CO2通量方程和水汽通量方程，建立年际尺度上的水分利用效率与大气干燥度之间的关系，并结合实际观测数据而建立。模型被Zhang[15]用于植被生产力模拟取得满意效果，在模拟扎龙湿地植被生产力的结果也得到了验证[16]。

RDI=(c+dPER-ePER2)2

式中：NPP为植被净第一性生产力〔tDM/(hm2·a)〕；a、b、c、d、e、f为系数，本研究中a=9.87，b=6.25，c=0.629，d=0.237，e=0.003 13，f=58.931；PDI为辐射干燥度；PER为可能蒸散率；PET为年可能蒸散量(mm)；BT为年平均生物温度(℃)；r为年降水量(mm)；t为小于30 ℃且大于0 ℃的日均温；T为小于30 ℃且大于0 ℃的月均温。

1.3.2 模式数据筛选

采用Taylor综合评分指数(Taylor skill score)[17]评估各模式在模拟研究区气温和降水量的表现(表1)，时间范围为2015—2020年，指数公式如下。

表1 CMIP6模式在黑龙江省东部地区的Taylor综合评分指数Tab.1 Taylor comprehensive scoring index of CMIP6 model in eastern Heilongjiang Province

式中：δm为模式标准差，δ为观测标准差，R为观测与模式的相关系数，R为观测与模式的相关系数的最大值。S的范围在0～1之间，S越大代表模式模拟效果越好。由表1可知，气温模拟是BCC-CSM2-MR模式表现最好，降水模拟是CMCC-CM2-SR5模式表现最好。

1.3.3 气象数据栅格化

因历史气象数据来自于站点观测，空间代表性较差，为更准确模拟森林NPP的空间分布，本研究利用ANUSPLIN软件包[18]对研究区气温数据进行栅格化处理，该软件包使用薄板平滑样条函数，通过统计和诊断数据标准误差的分布，实现对噪声多变量数据进行透明分析和插值。该软件包目前已被广泛使用在与气温栅格化相关的研究中[19-22]。本研究应用ANUSPLIN软件包的Partial thin plate smoothing splines[23]方法，将经度和纬度作为自变量，海拔作为协变量，利用SPLINA和LAPGRD模块，生成每月空间分辨率为500 m×500 m的地面气温栅格数据。并利用ANUSPIN日志文件中的Signal来判断模型是否可用，如果所选模型不适合用于插值[18]，Signal中以*符号标出，本研究所有插值所用模型的Signal无*符号。

2 结果与分析

2.1 森林NPP时间变化

分析图1可见，2020—2030年研究区森林NPP平均为557.90 gC/(m2·a)，过去(2020—2022年)和未来(2023—2030年)NPP均无显著的变化趋势(P>0.05)。分别时间段分析可见，过去的森林NPP介于428.10～657.85 gC/(m2·a)之间，平均值为(550.70±39.72)gC/(m2·a)；在不同碳排放情景下，未来NPP存在差异，SSP2-4.5情景下NPP在516.63～609.75 gC/(m2·a)，平均值为(565.07±19.16)gC/(m2·a)；在SSP2-8.5情景下，NPP在531.47～597.69 gC/(m2·a)，平均值为(571.44±24.40)gC/(m2·a)。

图1 2000—2030年黑龙江省东部地区森林NPP时间变化

2.2 森林NPP空间分布特征

2.2.1 像元级分布特征

小兴安岭中部、长白山北部山区的西北部和东南部的NPP较高，主要在570.00～628.23 gC/(m2·a)区间；小兴安岭西北部和南部、长白山北部山区的西南部的NPP相对较低，主要在500.00～462.81 gC/(m2·a)区间。在SSP2-4.5情景下研究区域的NPP有所增加，其中增加最明显的区域为长白山北部山区的西南部区域，而减少最明显的区域在长白山北部山区的东南部区域；在SSP2-8.5情景下大部分区域的NPP也表现出增加的趋势(图2-b)，其增加和减少最明显的区域与SSP2-4.5情景基本相同，不同的是在小兴安岭东部地区SSP2-8.5情景下NPP减少区域明显大于SSP2-4.5情景。

图2 黑龙江省东部森林NPP频数分布、未来NPP与历史NPP对比的频数分布

进一步分析不同时间NPP频数的分布情况可见，历史(图2-a)和未来不同情景(图2-b、图2-c)均近似高斯分布，历史NPP的平均值略低于未来情景下的NPP，SSP2-8.5情景下的NPP平均值较SSP2-4.5情景下高，同时，未来情景下NPP分布的集中程度高于历史NPP，其中SSP2-8.5情景下的NPP最高。将不同未来情景下NPP与历史NPP进行对比，分析NPP差值的分布情况可见(图2-d、图2-e)，SSP2-8.5情景下的NPP的平均值和集中度均高于SSP2-8.5情景。

2.2.2 NPP空间分异特征

本研究利用标准差椭圆法，从全局和空间的角度定量解释NPP分布的中心性、展布性、方向性和空间形态特征(图3)。方法是统计10 km×10 km网格点内NPP平均值，再基于ARCGIS 10.0平台计算研究区NPP的标准差椭圆。

图3 黑龙江省东部2000—2030年森林NPP分布标准差椭圆Fig.3 The standard deviation ellipse of forest NPP distribution from 2000 to 2030 in eastern Heilongjiang Province

分别历史和未来的森林NPP空间分布特征可见，(1)分异方向，未来森林NPP空间分布的方位角有减小趋势，2000—2022年、SSP2-4.5和SSP2-8.5情境下方位角分别为72.08°、71.19°和71.49°，既未来NPP的主导方向有进一步向东北-西南方向偏移；(2)空间分布中心，NPP空间分布中心与森林分布地理中心(130.29°E、46.37°N)的平均距离为45.71 km，未来NPP空间分布中心有向北移动的趋势，平均移动距离为2.56 km；(3)空间分布范围，过去森林NPP椭圆的空间分布范围为14.90 km2，未来椭圆范围扩大了0.25 km2，说明未来森林NPP分布更为分散；(4)轴比(axial ratio)是极化椭圆的长轴与短轴的比值，过去森林NPP椭圆的轴比为1.24，未来轴比平均增加了0.02，说明森林NPP有进一步向东北-西南方向集中的趋势。

3 讨论与结论

3.1 讨论

东北地区森林主要分布在大、小兴安岭和长白山区，本研究包括了小兴安岭和长白山北部区域，以温带落叶阔叶林和针阔混交林为主，本研究根据气候生产力模型模拟研究区森林NPP平均值介于428.10～657.85 gC/(m2·a)之间，这一结果与通过其他模型估算的结果基本一致，例如陈智等[24]利用MODIS数据估算小兴安岭森林NPP在300～500 gC/(m2·a)，长白山区森林NPP大于500 gC/(m2·a)；吴玉莲等[25]利用BIOME-BGC模型模拟长白山区阔叶红松林NPP在473.28～703.44 gC/(m2·a)；赵国帅等[26]GLOPEM-CEVSA 模型模拟东北地区森林NPP的范围在451～722 gC/(m2·a)之间。

气候变化对森林植被NPP产生重要影响，本研究基于CMIP6气候模式模拟森林植被NPP的未来演化趋势发现，2023—2030年间森林NPP存在增加趋势，这与很多研究结果一致[27-29]，原因与北半球高纬度地区的气温升高、生长季延长、冻土退化、氮沉降增加等多因素协同作用有关。但人类社会仍然要借助现代科技手段，在保护森林生态系统的基础上，合理开发利用森林资源，发展绿色产业，加强受损森林修复，积极引导社会力量参与森林保护与修复工作，形成政府、企业、社会共同参与的格局，更好地实现森林生态系统的可持续发展。

本研究将CMIP6数据同化入气候生产力模型，模拟了研究区过去(2000—2022年)和未来(2023—2030年)不同碳排放情景下的森林NPP，在模型输入数据的处理过程中，利用Taylor综合评分指数筛选未来气候模式数据、利用ANUSPLIN软件包将站点观测数据栅格化，提高了地形复杂山区数据的模拟精度，这些方法的组合在山地植被NPP模拟过程中具有一定的创新性。

由于受到试验条件和野外观测困难等因素的限制，本研究模拟的NPP数值缺乏实地观测数据的验证，研究结果只能与已有相近的研究结果进行比较，使得模型模拟结果无法得到确切的验证。另外，虽然本研究将气象观测站的气温数据进行了栅格化，但仍无法准确反映坡向、坡位等微立地条件气温的变化，因此NPP模拟值与实测值会产生偏差，这在今后的工作中将作为重点开展研究。

3.2 结论

基于气象观测和未来情景模拟、遥感、地理信息等数据，分析过去(2000—2022年)和未来(2023—2030年)黑龙江省东部森林NPP的时空演化特征，具体结论如下。

(1)2020—2022年黑龙江省东部地区森林NPP平均为(550.70±39.72)gC/(m2·a)，无显著变化趋势，与之相比，在SSP2-4.5情景和SSP2-8.5情景下，2023—2030年NPP均有小幅上升，其中在SSP2-8.5情景下NPP上升幅度相对较大。

(2)小兴安岭中部、长白山北部山区的西北部和东南部的NPP较高，主要在570.00～628.23 gC/(m2·a)区间。未来情景下大部分区域的NPP有所增加，只有南部山地的东南部区域NPP存在减小的趋势。

(3)未来情景下NPP空间分布的主导方向有进一步向东北-西南方向偏移的趋势，空间分布中心可能向北偏移2.56 km。

未来情景下研究区森林NPP总体有增加趋势，但仍然要注意森林生态系统的保护和合理利用，维持森林生态系统的健康和可持续发展。