干旱影響下光能利用率模型模擬常綠針葉林總初級生產力的比較

董 浩，丁麗霞

（1. 浙江農林大學 省部共建亞熱帶森林培育國家重點實驗室，浙江 杭州 311300；2. 浙江農林大學 浙江省森林生態系統碳循環與固碳減排重點實驗室，浙江 杭州 311300；3. 浙江農林大學 環境與資源學院，浙江 杭州 311300）

陸地總初級生產力(GPP)是指在單位時間和空間上，綠色植物通過光合作用所固定的有機物總量。GPP不僅能夠反映植被群落的生產能力，還是客觀評價生態系統功能狀況的重要指標[1]。光能利用率模型可以利用植被吸收的光合有效輻射(APAR)和光能利用率估算GPP，已經成為估算區域和全球尺度GPP的主流方法，包括CASA、MOD17、GLO-PEM、EC-LUE、TL-LUE、VPM等模型，其中VPM模型因其結構簡單，計算效率高，精度好等特點而被廣泛運用[2-3]。增強型植被指數(EVI)和陸表水指數(LSWI)是VPM模型的主要驅動因子，在估計GPP中起到重要的作用。EVI已被廣泛用于指示植被覆蓋狀況，是估計GPP較好的參數[4-5]。劉丹等[6]認為：LSWI對土壤相對濕度很敏感。然而，葉昊天[7]研究發現：LSWI并不能很好地反映生態系統土壤含水量的大小，因此其準確性還有待考證。蒸散量是地球水循環的關鍵驅動因子，主要與溫度和降水有關，也與葉面積有關，是影響干旱的重要因素[8-9]。干旱不僅會影響植被的形態特征和代謝系統，還會減少光合有效面積，影響植被GPP的大小[10-11]。因此，本研究利用MODIS及通量塔數據，對GPP的驅動因子進行了分析，利用潛在蒸散量(PET)和降水量(P)對站點進行干濕劃分，探究LSWI參數的準確性及在干旱影響下不同光能利用率模型模擬GPP的能力，對準確模擬北半球常綠針葉林GPP提供科學依據。

1 研究地區與研究方法

1.1 研究區概況

研究對象為北半球常綠針葉林(ENF)的23個站點，時間從2001-2014年，緯度為38°53′43″～67°21′43″N(表1)。站點包括溫帶大陸性氣候、高原山地氣候、地中海氣候等多種干濕類型的氣候帶。

表1 北半球常綠針葉林通量塔站點分布情況Table 1 Distribution of flux tower sites of evergreen needleleaved forests in Northern Hemisphere

1.2 數據來源

1.2.1 遙感數據 MODIS數據來源于美國國家航空航天局(NASA)Terra衛星傳感器。數據通過輸入通量塔站點的經緯度下載(https://modis.ornl.gov/globalsubset/)，包括2001-2014年的光合有效輻射吸收比(MOD15A2H)、潛在蒸散量(MOD16A2)和地表反射率(MOD09A1)，時間步長為8 d，空間分辨率為500 m。

1.2.2 通量塔數據 渦流協方差測量數據采集自FLUXNET 2015數據集，該數據集可從FLUXNET通量觀測網站下載(https://fluxnet.org/about/)，包括2001-2014年的GPP、溫度、降水、短波輻射數據集。時間步長為每天。

1.2.3 數據處理 為了與模型中遙感參數步長相匹配，對通量塔數據進行8 d的累加。建立通量塔數據與遙感數據相匹配的2001-2014年時間序列，刪除遙感數據中的空缺值以及排除平均值的3倍標準差之外的異常值。本研究的陸表水指數(ILSW)、增強型植被指數(IEV)、光合有效輻射吸收比(FPAR)計算如下：

式(1)～(3)中：rnir為近紅外波段的反射值；rd為短波紅外波段的反射值；rR為紅光波段的反射值；rb為藍光波段的反射值。

1.3 干濕度指數

不同水熱條件下植被的生長狀況有明顯差異，在研究GPP時，有必要針對具體的氣候區域進行研究[12]。降水和蒸散分別是植被獲取和失去水分的主要途徑，用這2個變量構造干濕度指數，可以反映站點的水分情況。其中降水數據為實際觀測值，而遙感數據潛在蒸散量與溫度、光照和GPP具有很高的相關性，因此用于構造干濕度指數(ID)具有合理性，即1 a降水量和潛在蒸散量累加和的比值，其計算如下：

式(4)中：Pi為8 d的降水量(mm)，Peti為8 d的潛在蒸散量(mm)，i為站點數據的條號，i=1，2，3,···,n，n為站點數據的總條數。根據干濕度指數將站點分為[13]：干旱地區(ID為0.25～0.50)、半干旱地區(ID為 0.50～0.67)、半濕潤地區 (ID為 0.67～1.00)和濕潤地區 (ID為 1.00～2.00)。

1.4 基于植被光合模型 (VPM)的 GPP 估算

1.4.1 VPM模型 VPM模型是利用溫度、水分等環境因子以及渦度觀測碳通量數據，并且考慮了植被葉綠素吸收的光合有效輻射來估計GPP的1種光能利用率模型。VPM模型的一般形式有：

式(5)～(8)中：GPP表示總初級生產力； ε表示最大的光能利用效率；FT、FW和FP分別表示模擬溫度、水、物候對GPP的影響，本研究FP取值為1[14]；FPAR表示植被吸收的光合有效輻射的比例；PAR表示光合有效輻射；SWrad表示站點短波輻射；T表示溫度；Topt表示植被生長所需溫度最優值；Tmax表示溫度最大值；Tmin表示溫度最小值；當T小于Tmin時，FT等 于0，當T大于Tmax時，FT等于1。在擬合時Tmin取值-5 ℃，Tmax取值40 ℃，Topt通常取值20 ℃[15]，但在本研究中， ε和Topt通過非線性擬合得到[16]。ILSW為陸表水指數，ILSWmax為生長季最大陸表水指數。

1.4.2 植被光合改進模型(VPMsw) LSWI由MODIS遙感數據中的地表反射率計算得到，但由于常綠針葉林林冠層綠度季節變動性較弱，因此遙感信息提取存在較大的不確定性[17]。在不同干濕類型的23個站點上，分別作出各站點2001-2014年的年平均LSWI與年尺度上的日平均降水量(圖1)。LSWI、日平均降水量分別由遙感數據和站點觀測數據得到，發現LSWI在干旱和半干旱地區的數值高于半濕潤地區，而降水量從干旱區到濕潤區依次遞增，兩者相矛盾，說明LSWI可能在干旱和半干旱地區不能反映常綠針葉林的水分情況。為了提高干旱和半干旱地區GPP的估算精度，將VPM模型中的模擬水(FW)因子去除，生成改進的VPMsw模型，計算如下：

圖1 不同干濕類型站點陸表水指數和日平均降水量分布Figure 1 Dstribution of land surface water index and daily mean precipitation at different dry and wet stations

1.5 評價方法

1.5.1 因子重要性評價 通過皮爾遜相關性分析，分析溫度、陸表水指數、光合有效輻射和潛在蒸散量對GPP影響的重要性。本研究使用隨機森林算法分析溫度、光照和水分對GPP的重要性，通過打亂其中1個因子的取值造成隨機森林前后結果的錯誤率，錯誤率越高說明該因子越重要[18]。該方法對異常值具有較好的容忍度，并且不容易出現過擬合現象。

1.5.2 模型精度評價 采用均方根誤差和決定系數來檢驗模型的精度，均方根誤差越小，偏離程度越小，表現力越好。決定系數越大，解釋程度越高，效果越好[19]。

2 結果與分析

2.1 驅動因子與 GPP 相關性分析

由皮爾遜相關性分析可知：GPP與溫度、潛在蒸散量和光合有效輻射相關系數較高，而與陸表水指數相關系數較低(表2)。

表2 各因子之間皮爾遜相關性Table 2 Pearson correlation among the factors

隨機森林分析結果表明：在23個站點中，17個站點以溫度為主導因子，重要性達70%以上；5個站點以光照為主導因子，重要性超過50%；僅1個站點(US-Blo)是以水分為主導因子的，重要性達60%。

2.2 干濕度劃分及模型擬合

對所有站點區分干濕類型后，使用VPM和VPMsw模型模擬GPP，計算均方根誤差和決定系數(R2)，結果見表3。在干旱和半干旱地區，VPMsw模型的R2比VPM模型高，但均方根誤差比VPM模型低。VPMsw模型在干旱站點上均方根誤差平均減少了6.5%，在半干旱站點上均方根誤差平均減少了23.4%，在半干旱地區精度提高的效果較好；而在半濕潤和濕潤地區，VPM模型的精度比VPMsw模型高。基于VPMsw模型在干旱和半干旱地區較好的模擬效果，將干旱和半干旱站點所有數據實測值與估計值進行線性擬合(圖2)發現：相比VPM模型，VPMsw模型在干旱地區模擬GPP的精度高于半干旱地區。

表3 站點干濕度指數及模型均方根誤差對比Table 3 Comparison of dry humidity index and model root mean square error

圖2 干旱和半干旱站點GPP擬合精度對比Figure 2 Comparison of fitting accuracy of GPP between arid and semi-arid sites

2.3 不同干濕類型的日平均降水量

從圖3可見：從干旱地區到濕潤地區，日平均降水量總體呈逐漸增大趨勢，但也存在部分站點降水量突增的情況，如US-NR1、IT-SRo、DE-Tha、US-Blo和US-GLE站點。而日平均降水量標準差也從干旱地區到濕潤地區呈逐漸增大趨勢，其中US-Me2、FI-Hyy、IT-SRo、DE-Tha和US-Blo站點的日平均降水量標準差異常大，且這些站點的日平均降水量都處于所在干濕區降水量的較高水平。日平均降水量標準差異常大的站點在干旱地區有4個，濕潤地區僅1個。

圖3 每個站點的日平均降水量及其標準差Figure 3 Average daily precipitation and standard deviation in each site

3 結論與討論

3.1 結論

常綠針葉林GPP的主要驅動因子是溫度、潛在蒸散量，LSWI與GPP的相關性最低。干旱和半干旱地區，LSWI不能較好地反映常綠針葉林的水分情況，所以在干旱和半干旱地區，VPMsw模型擬合GPP的精度較高。

3.2 討論

溫度與GPP的相關性最高，這與賀忠華等[20]的研究結果一致。溫度的適量增加有助于延長植被生長季的長度，對GPP增加效果明顯，是影響植被GPP的主要驅動因子[21-22]。

水分與GPP的相關性最低。由表3可知：在不同干濕類型地區，LSWI對GPP估計的影響從大到小依次為干旱區、半干旱地區、半濕潤、濕潤地區。也有研究表明：LSWI不能反映近岸地區潮汐作用對植被光合作用的影響，導致VPM模型的擬合效果變差[23]。

本研究發現：溫度為主導因子的站點最多且重要性最大，認為溫度的影響力大于水分。溫度是植被生長的主要驅動因子，水分只是植被生長的限制因子。在干旱和半干旱地區常年降水量較低，降水主要來自于夏季。從干旱和半干旱部分站點過高的日降水量標準差可知：這些站點受到高溫脅迫導致夏季降水的天數減少，而半濕潤和濕潤地區日降水量較多，能有效緩解高溫對植被造成的生產力下降的負面影響[24]，其降水量標準差大是由于日降水量分布范圍大。在干旱和半干旱地區植被更易受到高溫和缺水的影響，因此植被在干旱和半干旱地區更易受到水分的限制作用。其他研究也表明：高溫和缺水會導致VPM模型擬合的GPP不準確[25]，這是因為遙感數據不能準確地反映水分的變化。由于溫度變化比較穩定，且遙感數據獲取的溫度比較準確，因此為了更準確地使用VPM模型擬合GPP，在干旱和半干旱地區需要更準確的遙感數據來反映水分因子。

本研究發現：LSWI參數在半干旱和干旱的常綠針葉林區域不能很好地表現水分情況，從而影響了VPM模型擬合GPP的準確性。本研究構造的干濕度指數可在長時間尺度上區分站點的水分情況；對干濕度指數進行變換處理，使之成為可直接帶入模型的水分參數還有待研究。未來在干旱和半干旱地區找到準確反映水分狀況的遙感數據是提高模型擬合GPP的關鍵。