基于HASM的中國植被NPP時空變化特征及其與氣候的關系

趙苗苗 ，劉熠 ，楊吉林, ，劉羽 ，趙娜 ，岳天祥*

1. 中國科學院地理科學與資源研究所/資源與環境信息系統國家重點實驗室，北京 100101；2. 中國科學院大學，北京 100049；3. 中國科學院地理科學與資源研究所/陸地表層格局與模擬院重點實驗室，北京 100101

在過去的半個世紀里，氣候變化已經引起了人們的廣泛關注。在自然和人為因素的共同影響下，全球氣候和大氣組成發生了明顯的變化，顯著改變了陸地生態系統的過程、結構和功能。大氣中溫室氣體濃度富集導致過去100年地球表面氣溫平均增加了 0.74 ℃，預計在未來 100年還將升高 1.4－5.8 ℃（IPCC，2013）；同時氣候變化也改變了全球降水模式，增加時空變異，伴隨著干旱、洪澇等極端氣候事件頻發（Folland et al.，2001），而這些改變均會對陸地植被凈初級生產力（net primary productivity，NPP）產生影響，并由之綜合表現出來（Nemani et al.，2003）。

植被凈第一性生產力指綠色植物在單位時間、單位面積上所積累的有機干物質總量，作為陸地生態系統碳循環的重要組成部分，NPP直接反映綠色植物在自然環境條件下的生產力和地表質量狀況，成為判定生態系統碳源/匯和調節生態過程的主要因子（Field et al.，1998），對于研究全球氣候變化具有重要意義。NPP主要受自然因素（氣候、土壤、植被等）和人類活動（土地利用變化等）等因素的影響（Potter et al.，1993）。國外學者在NPP時空特征變化及其與氣候因子的相關關系方面已經做了很多工作（Melillo et al.，1993；Knapp et al.，2001），國內有關這方面的研究也有很多重要的成果（方精云等，2003；高志強等，2004；Gao et al.，2009；王琳等，2010）。研究表明，過去幾十年的NPP受氣候變化的影響呈增加趨勢（Fang et al.，2001；朱文泉等，2007）。

NPP估算方法中，由于氣候觀測站點數量有限，傳統的基于采樣點數據估算NPP的方法易受空間尺度限制，較大尺度的生態系統與氣候因子關系研究以模型模擬和遙感觀測為主要的研究方法。過程模型理論框架完整、結構嚴謹、機理清晰，能較好地模擬生態系統物質循環和能量流動，是全球和區域尺度上植被生產力評估的重要手段之一（Lu，2000；馮險峰等，2014）。已有不少過程模型對區域尺度的凈初級生產力進行了模擬，以生物地球化學模型和遙感模型為主（朱文泉等，2007；仲曉春等，2016）。近年來，動態植被模型以其機制合理、過程全面引起了廣泛重視，應用動態植被模型模擬分析氣候對自然植被的可能影響，已經成為全球變化生態學相關研究的一種發展趨勢（傅伯杰，2010）。與此同時，利用MOD17A3 NPP遙感數據產品研究植被生產力的時空分布特征及與氣候要素的關系已經得到廣泛應用和驗證（王軼虹等，2017；李登科等，2018）。將NPP動態植被模型模擬結果與遙感數據產品結合，既可以解決遙感觀測因天氣、云量造成的數據缺失和反演過程中的數據偏差問題，又可以彌補動態植被模型缺乏人類活動影響的不足，在一定程度上提高了結果的可靠性。

為更好地了解近年來中國陸地植被NPP對氣候變化響應的空間分異規律，本研究利用動態植被LPJ-GUESS模型模擬 2001－2015年中國陸地生態系統植被NPP的時空分布，并基于HASM降尺度方法與MOD17A3 NPP數據融合。根據氣候要素和土壤質地九大分區，分析NPP動態變化趨勢及其與氣候因子間的相關性，并與其他研究結果進行比較，為評價中國陸地植被生產力在全球碳循環中的地位和作用提供科學依據，有利于認識氣候變化對中國陸地生態系統植被的影響，對中國不同陸地生態系統的生產力評估、對氣候變化的響應和適應和生態系統的環境建設等工作具有重要的參考價值。

1 研究數據和方法

1.1 數據來源

本研究所利用的氣象數據由中國氣象數據網（http://data.cma.gov.cn/）提供，包括各氣象站點的經度、緯度、月均溫、月降水量、月平均輻射、CO2濃度以及土壤類型等，共752個地面觀測站，時間跨度為2001年1月－2015年12月。利用HASM高精度曲面建模方法對氣象站點數據進行插值，疊加中國邊界圖裁剪獲得各氣象要素柵格圖，空間分辨率為 0.1°×0.1°。

2001－2015 年MOD17A3 NPP數據來自美國NASA網站（https://ladsweb.nascom.nasa.gov/data/search.html），空間分辨率為1 km×1 km。利用MRT（Modis Reprojection Tool）軟件對下載的NPP數據進行重投影、拼接處理，為保證數據的匹配精度，所有數據均采用Albers等積圓錐投影。

根據氣溫、降水等氣象要素和土壤質地等將中國分為九大地區，分別為內蒙及長城區、甘新區、東北區、黃土高原區、青藏區、西南區、華南區、黃淮海區、長江中下游區（Yue et al.，2013）。

1.2 研究方法

1.2.1 HASM

高精度曲面建模方法（HASM）是近年來針對困擾曲面建模的誤差問題和多尺度問題發展起來的一種基于微分幾何學曲面理論的曲面建模方法，已經被成功運用于土壤插值領域、氣候模擬和建立DEM 等領域（Yue et al.，2007；Shi et al.，2009；Yue et al.，2010）。

根據曲面的基本定理，曲面 z=f(x, y)是由其第一個和第二個基本變量（Henderson，1998）所決定的。第一個基本系數 E、F、G描述了關于幾何性質的信息，如切向量的角度、曲線的長度、區域的面積等等。E、F、G公式如下：

第二個基本變量L、M、N反映了表面的局部扭曲（Liseikin，2004；Toponogov，2006），公式如下：

曲面的基本變量 E、F、G、L、M、N需滿足下列高斯方程（Liseikin，2004；Somasundaram，2005；Toponogov，2006；Yue，2011）：

利用標準的有限差分離散化方案（Zhao et al.，2014），可將高斯方程轉變為：

式中，h是步長；f是模擬值；i、j表示空間位置；n表示迭代次數。

分別用 A1、A2、A3表示公式（5）中方程左端構成的系數矩陣，用d、p、q表示方程組右端的常數向量，并結合采樣點信息，將HASM轉化為如下最小二乘問題：

式中，Zn+1為研究區域在空間中離散后的格網點；k為采樣信息；S為表示采樣位置信息的系數矩陣。

通過引入權重參數 λ，上述約束最小二乘問題可以轉化為：

該最優化問題等價于：

在實際應用HASM模型時，需要提供的輸入參數為驅動場和精度控制點，其中驅動場可以是其他模型輸出的或者根據其他變量計算得到的精度較低的空間變量分布，而精度控制條件則是實際測量、精度較高的數據。在本研究中，將LPJ-GUESS模型模擬輸出的NPP的模擬值重采樣為1 km分辨率數據，采用 10折交叉驗證方法隨機抽取 10%MOD17A3 NPP數據為優化控制條件，剩余的90%作為真值驗證重采樣的降尺度數據精度，不斷重復這個步驟，直至模擬精度在誤差范圍內。運用HASM降尺度方法既保留了曲面整體趨勢，又增加了曲面細節信息。

1.2.2 LPJ-GUESS模型

LPJ-GUESS模型是從機理上模擬植物生理生態過程（光合、呼吸、蒸散發等）、生物物理過程（物質和能量交換）以及生物地球化學過程（碳水循環）的動態植被模型（Smith et al.，2001）。通過模擬物種的生長、死亡和更新過程反映植被動態，很大程度上受當前環境狀況、現有物種組成以及物種生活規律的影響（Smith et al.，2011）。模型的輸入數據包括月均溫、月降水量、月平均輻射、CO2濃度以及土壤類型代碼等。輸出數據包括植被的NPP、生物量、葉面積指數（LAI）、土壤碳儲量、蒸散發、徑流以及土壤含水量等。

LPJ-GUESS模型適合于多尺度生態系統過程的動態模擬，并已在全球范圍內得到廣泛的應用，如 Smith et al.（2001）和 Hickler et al.（2004）模擬了歐洲和美國東北的植被動態，Tagesson et al.（2009）結合遙感數據模擬了瑞典森林生態系統的凈初級生產力（NPP），Piao et al.（2013）利用LPJ-GUESS模擬了GPP、NPP、NBP和溫度敏感性對氣候變化和 CO2趨勢的響應。LPJ-GUESS模型也被用于模擬中國陸地生態系統及北京山區森林的碳循環（Piao et al.，2010；Liu et al.，2009）。

在應用LPJ-GUESS模型進行模擬時，先用2001－2015年的年均氣象觀測數據運行1000年，使植被生態系統和土壤結構達到平衡狀態，各生態系統變量趨于穩定，且NPP和異養呼吸量（HR）、凋落物量（LT）相等。LPJ-GUESS模型平衡以后，用2001－2015年的觀測數據進行動態模擬。

1.2.3 NPP年際變化

2001－2015 年每個像元NPP值年際變化趨勢分析采用一元線性回歸趨勢線法，回歸直線的斜率采用最小二乘法求得（王軼虹等，2017）。

式中，n為擁有相同坐標的柵格數即年份，n=15；Yi為第i年的像元NPP值；θslope表示一元線性回歸線的斜率，θslope＞0說明NPP在2001－2015年間的變化趨勢是增加的，反之減少。

1.2.4 NPP與氣候相關分析

基于2001－2015年每個像元的NPP與對應的年均溫和降水的相關系數計算，每個柵格包括 15對數據（龍慧靈等，2010）。

式中，變量i為年序號；n取值為15；Yij為第i年第j個像元的NPP數據；Cij為第i年第j個像元的氣象因子數據；RYCj為第j個像元NPP與氣候因子的相關系數。

1.2.5 假設檢驗

計算檢驗統計量tr的公式如下：

若tr在0.05水平上大于臨界值，則說明兩變量間有顯著關系（仲曉春等，2016）。

運用Excel 2016和ArcGIS 10.2進行繪圖。

2 結果與分析

2.1 植被NPP的時空分布

2.1.1 近15年全國植被NPP的空間分布

由圖1可知，近15年全國植被平均NPP空間分布地域性差異明顯，總體上沿水熱梯度呈由西北向東南逐漸增加的趨勢。其中，西北沙漠地區和青藏高原腹地的植被NPP值最小，大都在100 g·m-2（以 C計，下同）以下，面積約占8.95%。其次是其周邊地區，植被NPP值在100－300 g·m-2之間，面積約占25.89%。從西北內陸向東南沿海過渡帶，植被NPP值在300－600 g·m-2之間，區域范圍較大，約占50%以上。四川盆地大部分地區及海南省和東北平原局部植被NPP值在700 g·m-2以上。

圖1 2001—2015年全國植被平均NPP分布圖Fig. 1 Spatial distribution of the annual mean NPP in China from 2001 to 2015

表1 2001－2015年全國九大區域的面積及植被NPP總量占全國的比例Table 1 The total NPP and area proportion of the nine regions in China in 2001-2015

2001－2015 年全國植被NPP變化范圍為1.9－1131 g·m-2·a-1，全國植被 NPP 平均為 376 g·m-2·a-1。從氣候分區來看，每個區植被 NPP均值、面積和NPP總量占全國的比例不同（表1）：青藏區面積和植被NPP總量占全國的比例最大，均為23%，植被NPP 均值為 385.47 g·m-2·a-1；甘新區植被 NPP 均值最小，為164.98 g·m-2·a-1，面積占全國的23%，年均NPP總量只占全國的10%；西南區植被NPP均值最大為 531.81 g·m-2·a-1，面積占全國的 11%，年均NPP總量卻占全國的16%；東北區植被NPP均值為 513.10 g·m-2·a-1，面積占比 10%，年均 NPP 總量占比13%；長江中下游植被NPP均值為498.12 g·m-2·a-1，面積占比 11%，年均 NPP 總量占比 14%。其他地區如黃土高原區（459.89 g·m-2·a-1）、內蒙及長 城 區 （ 337.17 g·m-2·a-1）、 華 南 區 （ 480.49 g·m-2·a-1）、黃淮海區（441.54 g·m-2·a-1）面積和年均NPP總量占全國的比例相當。

2.1.2 近15年全國植被NPP的時間變化

對中國2001－2015年年均NPP值逐像元進行趨勢變化分析（圖 2）。統計發現，69.25%的像元NPP 呈增加趨勢，其中最大趨勢為 72.64 g·m-2·a-1，以青藏高原局部、海南東部和臺灣北部地區增幅最大，全國 NPP平均變化趨勢為 2.29 g·m-2·a-1，有84%的像元 NPP 年際變化范圍為-3－5 g·m-2·a-1。

由圖3可知，近15年全國植被NPP總體上呈逐年增加趨勢，變化范圍在3314.101－3847.70 Tg之間，植被平均NPP值為3519.59 Tg。從NPP增加趨勢看，近 15年全國 NPP的斜率約為 23.41 Tg·a-1，即每年全國增加的NPP約為23.41 Tg。相關系數為0.392，未達顯著水平。

近15年，由于氣溫逐漸增加，降水分布不均，全國區域植被 NPP總量變化波動明顯，除西南區（-2.48 Tg·a-1）和內蒙及長城區（-0.15 Tg·a-1）呈減少趨勢外，其余各區都呈增加趨勢。2015年全國植被NPP最大，比最小年份（2002年）多736 Tg。占全國植被 NPP總量比例最大的青藏區總體波動較大，2002年和2006年都有小幅的減少，總體變化范圍在710.41－928.52 Tg之間。西南區和長江中下游區變化范圍和總體走勢較相似，均在2008年、2010年和2014年出現了極小值。甘新區和內蒙及長城區則在2008年和2013年出現了極大值。

圖2 2001－2015年全國植被NPP總量線性斜率分布圖Fig. 2 Spatial distribution of the annual total NPP linear trend in China from 2001 to 2015

圖3 2001－2015年全國九大區域植被NPP總量變化Fig. 3 Change pattern of annual total NPP in the nine regions in China from 2001 to 2015

2.2 植被NPP與氣候的相關性

圖4 2001－2015年全國植被NPP與年均溫的相關系數分布（a）及其t檢驗結果（b）Fig. 4 Correlation relationship between average NPP and temperature in China during the years from 2001 to 2015

植被凈第一生產力受各種自然因素（氣溫、降水、太陽輻射、土壤類型和地形等）和土地利用方式改變等人類活動因素的影響。為了說明氣候對全國植被NPP的影響，對2001－2015年全國植被NPP與 15年來的氣溫和降水進行相關性分析。同時查閱相關系數的顯著性資料得到，當n=15時，r的絕對值大于0.59為極顯著相關，大于0.44為顯著相關，其余為一般相關，由此生成相關系數空間分布圖（圖4a，圖5a）。并對其進行t檢驗分析，在α=0.05（v=13，臨界值為1.77）水平上得到t統計變量分布圖（圖4b，圖5b）。

圖5 2001－2015年全國植被NPP與年降雨量的相關系數分布（a）及其t檢驗結果（b）Fig. 5 Correlation relationship between average NPP and precipitation in China during the years from 2001 to 2015

近 15年來，全國只有小部分地區的植被年平均 NPP與年平均溫度之間呈正相關，比例為32.18%，其中8.71%為顯著或極顯著正相關。大部分地區為負相關，其中62.39%為一般負相關。而相關性在α=0.05置信水平上，只有22.18%通過了檢驗，這說明 2001－2015年全國大部分地區年平均NPP與年平均溫度相關性不顯著。

近 15年來，全國絕大部分地區（97.15%）的植被年平均 NPP與降雨量之間呈正相關，其中71.23%為顯著或極顯著，這說明降雨對植被 NPP的影響在全國范圍內幾乎都為正效應，而且降雨對植被NPP影響的效應大于溫度的影響。而NPP與年降雨量之間的相關性在α=0.05水平上有79.26%通過了檢驗，說明全國大部分地區的植被年平均NPP與年降雨量之間存在顯著的正相關關系。

3 討論

3.1 不同研究的NPP模擬結果

自上世紀90年代開始，大量中國學者應用模型（遙感模型和生態系統過程模型）方法對中國陸地生態系統植被第一性生產力進行了研究。由于所研究的時期、利用的模型和數據空間分辨率不同，得到的NPP模擬結果也不相同（表2）。除BIOME-BGC模型的模擬結果為1.5 Pg·a-1（以C計，下同），其余模型的模擬結果在2.138－4.65 Pg·a-1之間。由表2可知，即使采用同一個模型、同種分辨率對全國陸地生態系統植被NPP進行模擬，如CASA遙感估算模型，研究結果也不相同（高志強等，2008；陳福軍等，2011）。有研究表明，中國陸地生態系統NPP 平均為(2.828±0.827) Pg·a-1（高艷妮等，2012），本研究結果與黃玫（2006）的研究結果接近，低于仲曉春等（2016）的估算值，一方面原因是研究的年份不同，仲曉春等人研究的是2001－2010年，黃玫的則是1961－2000年，另一方面，仲曉春等人采用的是MODIS NDVI數據結合CASA模型計量中國植被的NPP，黃玫則是采用耦合了土壤碳氮動力學子模塊的AVIM框架的模型作為基礎，模擬植被NPP的分布。研究表明，與過程模型相比，遙感產品會高估植被NPP，而過程模型機理清晰，框架完善，但參數眾多，參數本地化比較困難（高艷妮等，2012）。本研究利用HASM高精度曲面建模方法，結合陸地生態系統動態植被過程模型和 MOD17A3 NPP遙感數據產品估算中國陸地生態系統植被的NPP，研究結果具有一定的可信度。

3.2 中國陸地生態系統植被NPP空間分布地域性特征及其與氣候的關系

中國陸地生態系統植被 NPP空間分布地域性特征明顯，總體上沿水熱梯度從東向西、從南向北遞減，NPP最大值出現在海南和四川盆地地區，新疆和青藏高原則最低。九大分區中甘新區地處西北內陸，氣候干燥，年降水量較小，植被以落葉松和云杉為主，生產力較低，面積占比大于年均NPP總量占比；而西南、東北和長江中下游地區處于亞熱帶濕潤、溫帶半濕潤季風氣候區，植被豐富，生產力較高。近年來，隨著全球氣溫的不斷升高，全國植被NPP總體上在波動中呈逐年增加的趨勢，尤以青藏區增幅最明顯，而云貴高原和東北平原植被NPP呈逐年減小的趨勢，這與谷曉平等（2007）的研究結果一致，主要原因是由于云貴高原降水減少所致，也有研究認為是太陽輻射減少的原因（Wang et al.，2017）。

表2 各模型參數說明及模擬結果Table 2 Simulation results and parameters used in different model

中國陸地植被NPP與氣候的相關性分析表明，氣溫與植被NPP的相關性不顯著，只有在青藏高原地區年均溫和植被NPP呈顯著正相關，其他地區相關性不明顯；主要原因是青藏高原屬高海拔地區，受人類活動的影響較小，高原腹地年平均溫度在0 ℃以下，大片地區最暖月平均溫度也不足10 ℃，所以受溫度的影響較大。降水是影響陸地生態系統NPP的主要原因，除云貴高原和四川盆地部分地區外，年降水量與植被NPP呈顯著正相關，這與前人研究結果（朱文泉等，2007；仲曉春等，2016）略有不同。主要原因是云貴高原和四川盆地地區河流資源豐富，植被生長不受水分脅迫的影響，因此與降水的相關關系不顯著。另外，近年來隨著氣候變暖活動的加劇，降水分布不均且逐年減少，植被受水分較溫度的影響偏大。

中國陸地生態系統植被 NPP值與氣溫降水雖然有一定的相關關系，但受到多種因素共同作用的影響，還與人類活動、土地利用方式、管理措施（陶波等，2003；Mohamed et al.，2004；Matsushita et al.，2004）等因素有關，因此并未表現出顯著相關關系。

3.3 模型實際應用中存在的不足

不同研究的NPP模擬結果差異較大，現有模型大多數采用簡化的方程和經驗公式的形式如光能利用率模型（CASA等），而一些基于生態系統過程的模型（BIOME-BGC等）只考慮垂直方向的通量，空間相互獨立，沒有考慮物質的水平運移，模型由點向面的擴展應用還存在大量的問題，導致結果差異性較大（Yuan et al.，2015；Liang et al.，2015），另外模型的結構、參數的不確定性和輸入數據的精度都會影響模型的不確定性分析（Wu et al.，2006）。LPJ-GUESS動態植被模型充分考慮了植被的生長動態，可用于區域和全球尺度的生態系統過程模擬及其時空分析，但在模型實際應用中還存在一些不足，例如模型缺乏對生態系統碳氮耦合過程的深入描述，沒有考慮人類活動如土地利用變化對植被生長過程的影響。

另外，隨著溫室氣體濃度的升高，氣候變化加劇，模型模擬植被凈初級生產力時只考慮植被對氣候變化的響應，而忽略了植被自身的適應性以及對氣候的反饋，大多數情況下植被對氣候的適應并不是簡單的線性問題，而是復雜的非線性問題（Yang et al.，2017）。

4 結論

利用2001－2015年氣候數據，運用LPJ-GUESS模型逐像元模擬了中國植被的 NPP，結合MOD17A3 NPP數據，基于HASM高精度曲面建模方法，根據氣候要素和土壤質地九大分區，分析NPP時空分布特征及其與氣候因子間的相關性關系，主要結論如下：

（1）近15年全國植被平均NPP空間分布地域性明顯，總體上呈由西北向東南逐漸增加的趨勢。其中西北沙漠地區和青藏高原腹地的植被 NPP值最小，大都在100 g·m-2以下。從西北內陸向東南沿海過渡帶植被NPP值在300－600 g·m-2之間。四川盆地大部分地區以及海南省和東北平原局部植被NPP 值在 700 g·m-2以上。

（2）近15年全國植被每個像元的NPP變化范圍為 1.9－1131 g·m-2·a-1，全國平均植被 NPP 為 376 g·m-2·a-1。青藏區面積和植被NPP總量占全國的比例最大，均為 23%，植被 NPP均值為 385.47 g·m-2·a-1；甘新區植被 NPP 均值最小，為 164.98 g·m-2·a-1，面積占全國的23%，年均NPP總量只占全國的10%；西南區、東北區和長江中下游區植被豐富，年均NPP總量占比大于面積占比。其他地區面積和年均NPP總量占全國的比例相當。

（3）近15年全國有65.29%的區域植被NPP呈增加趨勢，最大值為 72.64 g·m-2·a-1，平均值為 2.29 g·m-2·a-1，以青藏部分、黃土高原區、海南大部和臺灣北部地區增幅最大。近 15年除云貴高原和四川盆地部分地區外，有 79.26%的地區年平均 NPP與年平均降水之間呈顯著正相關，而年平均NPP與年平均溫度的這一比例僅為8.71%，分布在青藏高原地區。

（4）利用HASM高精度曲面建模方法，結合陸地生態系統動態植被過程 LPJ-GUESS模型和MOD17A3 NPP遙感數據產品估算中國陸地生態系統植被的NPP，研究結果具有一定的可信度。