基于CLM5.0的內(nèi)蒙古呼倫貝爾草地生產(chǎn)力模擬參數(shù)優(yōu)化

楊 倩，朱小華，歐陽光洲，馬靈玲，劉 偉，王 昆

基于CLM5.0的內(nèi)蒙古呼倫貝爾草地生產(chǎn)力模擬參數(shù)優(yōu)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(xué)院空天信息創(chuàng)新研究院，北京 100094；2. 中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院，北京 100049；3. 中國科學(xué)院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100049；4. 中國科學(xué)院植物研究所，北京 100094；5. 中國科學(xué)院定量遙感信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100094）

草地凈初級(jí)生產(chǎn)力（net primary productivity，NPP）作為評(píng)估生態(tài)系統(tǒng)結(jié)構(gòu)和功能以及植被質(zhì)量的重要指標(biāo)，其精準(zhǔn)估算對(duì)于草地生態(tài)系統(tǒng)保護(hù)有著重要作用。陸面過程模型可對(duì)大范圍NPP進(jìn)行時(shí)序模擬，但受限于對(duì)植被生理生化特性的認(rèn)知，應(yīng)用于目標(biāo)區(qū)域時(shí)，模型參數(shù)的默認(rèn)設(shè)定會(huì)引起模擬偏差。為了使模型適用于呼倫貝爾草地生產(chǎn)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(shù)敏感性分析，并采用DREAM（differential evolution adaptive metropolis）算法對(duì)最敏感的10個(gè)參數(shù)進(jìn)行優(yōu)化調(diào)整，最后將參數(shù)優(yōu)化后的模型應(yīng)用于呼倫貝爾草地NPP模擬。結(jié)果表明：1）對(duì)草地NPP模擬最敏感的是呼吸作用類參數(shù)，如冠層葉頂維持呼吸基率的截距參數(shù)、凋落池到土壤有機(jī)質(zhì)池轉(zhuǎn)移的呼吸分?jǐn)?shù)，其次是碳循環(huán)類參數(shù)，如葉片碳氮比、細(xì)根碳氮比。2）葉片碳氮比與氣孔導(dǎo)度參數(shù)優(yōu)化后的后驗(yàn)概率分布為高斯分布，表明該優(yōu)化為良性約束，反映了碳氮關(guān)聯(lián)參數(shù)與呼吸作用參數(shù)對(duì)于優(yōu)化模型模擬的有效性。3）參數(shù)針對(duì)性優(yōu)化有效提升了CLM5.0對(duì)呼倫貝爾草地生產(chǎn)力的模擬性能，NPP年總量相對(duì)誤差由33.82%降低至10.97%，且應(yīng)用于在不同類型草地NPP模擬時(shí)，其相對(duì)誤差分別降低了5.62%、8.06%、9.03%。該研究結(jié)果可為CLM5.0應(yīng)用于呼倫貝爾地區(qū)的草地生產(chǎn)力模擬提供參考，對(duì)合理評(píng)估草地生態(tài)系統(tǒng)碳循環(huán)研究具有積極作用。

模型；參數(shù)優(yōu)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(tài)系統(tǒng)重要組成部分，對(duì)生態(tài)碳循環(huán)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(xiàn)了草地退化荒漠化等生態(tài)問題[4]。對(duì)草原植被生長狀況進(jìn)行準(zhǔn)確評(píng)估與預(yù)測是指導(dǎo)草地管理的重要依據(jù)，也是科學(xué)確定放牧強(qiáng)度、避免超載過牧、改善草原生態(tài)問題的重要基礎(chǔ)[5]。

凈初級(jí)生產(chǎn)力（net primary productivity，NPP）為植被光合作用的有機(jī)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(píng)估草地植被質(zhì)量和生態(tài)系統(tǒng)結(jié)構(gòu)的重要指標(biāo)[8]，精準(zhǔn)估算草地時(shí)序NPP對(duì)于理解和維護(hù)草原生態(tài)系統(tǒng)具有重要意義。過程模型通過對(duì)植被光合作用、呼吸作用等動(dòng)態(tài)過程進(jìn)行模擬獲取植被生產(chǎn)力估算結(jié)果，具有較強(qiáng)的機(jī)理性，可實(shí)現(xiàn)點(diǎn)-面、區(qū)域-全球不同尺度的長周期NPP動(dòng)態(tài)模擬，已成為草地NPP估算的有效手段。

過程模型本質(zhì)上是對(duì)現(xiàn)實(shí)世界過程的簡化描述，模型默認(rèn)參數(shù)不適用于局部區(qū)域，會(huì)導(dǎo)致模擬結(jié)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(shù)默認(rèn)設(shè)定并不適用于所有區(qū)域[9-10]，如物候模塊大多基于溫?zé)釒У貐^(qū)特點(diǎn)進(jìn)行設(shè)計(jì)，觸發(fā)植被生長和凋落的閾值應(yīng)用于高緯度地區(qū)時(shí)會(huì)帶來一定的偏差。因此，在不同的環(huán)境條件、下墊面下使用默認(rèn)參數(shù)設(shè)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(yīng)用最為廣泛的陸面模型[11]。由于模型參數(shù)較難通過直接測量獲取，將其應(yīng)用于呼倫貝爾地區(qū)時(shí)大多學(xué)者采用默認(rèn)參數(shù)進(jìn)行運(yùn)算，或僅對(duì)少部分參數(shù)進(jìn)行經(jīng)驗(yàn)設(shè)置，較少全面分析模型參數(shù)的敏感性并針對(duì)呼倫貝爾地區(qū)草地特性開展針對(duì)性優(yōu)化。WANG等[12]在利用CLM4.5對(duì)中國區(qū)植被NPP模擬時(shí)，通過篩選最佳參數(shù)組合實(shí)現(xiàn)對(duì)光合參數(shù)V的修正，但該研究僅考慮了單個(gè)參數(shù)V，缺少對(duì)于模型其他相關(guān)參數(shù)的進(jìn)一步分析。BILIONIS等[13]基于序列的蒙特卡洛算法（sequential Monte Carlo，SMC）優(yōu)化估計(jì)CLM4.5模型中大豆的葉莖取向指數(shù)、葉片C等10個(gè)參數(shù)，結(jié)果顯示預(yù)測的碳通量有了明顯改善，但該研究針對(duì)的是農(nóng)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(duì)松樹林優(yōu)化的CLM4參數(shù)使土壤呼吸的模擬誤差降低了77%，但研究優(yōu)化目標(biāo)是模型中Ball-Berry氣孔導(dǎo)度模塊，該模塊在CLM5.0中已不再被使用，缺乏對(duì)于CLM5.0的進(jìn)一步應(yīng)用指導(dǎo)。

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(yīng)用于呼倫貝爾草地NPP模擬時(shí)不能簡單地采用前人的研究結(jié)果。因此本文針對(duì)呼倫貝爾草原特點(diǎn)，對(duì)影響植被生長的74個(gè)關(guān)鍵參數(shù)進(jìn)行敏感性分析，選出10個(gè)相對(duì)敏感參數(shù)，然后以全球逐日NPP數(shù)據(jù)產(chǎn)品為參考，結(jié)合DREAM（differential evolution adaptive metropolis）優(yōu)化算法對(duì)參數(shù)進(jìn)行優(yōu)化調(diào)整，并利用全球逐日NPP數(shù)據(jù)和GLASS（global land surface satellite）年凈初級(jí)生產(chǎn)力產(chǎn)品等數(shù)據(jù)對(duì)優(yōu)化結(jié)果進(jìn)行精度分析，最終確立CLM5.0模型用于呼倫貝爾地區(qū)草地生產(chǎn)力模擬的參數(shù)設(shè)置方案，以期提高CLM5.0在呼倫貝爾地區(qū)的NPP模擬精度。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

呼倫貝爾草原位于內(nèi)蒙古自治區(qū)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(shì)東高西低，平均海拔650～700 m，屬于半干旱區(qū)。氣候?qū)儆诘湫偷臏貛Т箨懶约撅L(fēng)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(dá)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(qū)域作為研究區(qū)，對(duì)應(yīng)于4個(gè)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(qū)地表覆蓋類型

1.2 研究數(shù)據(jù)來源及處理

1.2.1 氣象驅(qū)動(dòng)數(shù)據(jù)

本文采用國家青藏高原科學(xué)數(shù)據(jù)中心（http://data. tpdc.ac.cn）提供的中國區(qū)域地面氣象要素驅(qū)動(dòng)數(shù)據(jù)集作為模型的氣象驅(qū)動(dòng)數(shù)據(jù)，該數(shù)據(jù)集是在國際再分析資料、輻射資料、降水資料等基礎(chǔ)上，融合中國氣象局氣象觀測數(shù)據(jù)統(tǒng)計(jì)插值得到的[15]，精度優(yōu)于國際上已有的再分析數(shù)據(jù)集，空間分辨率為0.1°，時(shí)間分辨率為3 h，為模型模擬提供了更好的數(shù)據(jù)支撐。數(shù)據(jù)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(fēng)速、地面向下短波輻射、地面向下長波輻射、地面降水7個(gè)要素。根據(jù)模型輸入數(shù)據(jù)要求，將其分為3個(gè)數(shù)據(jù)流，用于模型模擬。

1.2.2 驗(yàn)證數(shù)據(jù)

為了確保模型在精細(xì)化的時(shí)間尺度上也具備更好的模擬效果，本文采用由國家生態(tài)科學(xué)數(shù)據(jù)中心提供的全球逐日NPP模擬數(shù)據(jù)產(chǎn)品作為模型驗(yàn)證優(yōu)化的參考數(shù)據(jù)。該數(shù)據(jù)由BEPS模型生成[16]，可覆蓋全球植被生長區(qū)，空間分辨率為0.0727°×0.0727°。為保證驗(yàn)證數(shù)據(jù)的可靠性，本文將MODIS NPP產(chǎn)品（MOD17A3）與驗(yàn)證數(shù)據(jù)進(jìn)行了比較（圖2），從圖中可以看出，該數(shù)據(jù)與MODIS產(chǎn)品空間分布和時(shí)間變化趨勢(shì)基本一致，兩者的相對(duì)偏差小于5%，具有較好的一致性，可用于本文模型參數(shù)優(yōu)化后的驗(yàn)證分析。

注：研究區(qū)NPP差值為MODIS產(chǎn)品減去BEPS產(chǎn)品結(jié)果。

2 模型與方法

2.1 陸面過程模型

CLM模型目前已經(jīng)發(fā)展到了CLM5.0版本，本文重點(diǎn)針對(duì)CLM5.0的動(dòng)態(tài)碳-氮模塊（BGC）進(jìn)行參數(shù)優(yōu)化。該模塊是在陸地生物化學(xué)模塊Biome-BGC[17]模塊的基礎(chǔ)上發(fā)展而來，可以模擬預(yù)測陸地碳、氮循環(huán)中自然植被狀態(tài)變量，因此可用于模擬表征植被的生長狀況。

相對(duì)于CLM4.5，CLM5.0引入了Medlyn氣孔導(dǎo)度模型代替了之前的Ball-Berry氣孔導(dǎo)度模型，適用于在低濕度條件下的氣孔導(dǎo)度模擬。同時(shí)CLM5.0引入了FUN（fixation and update of nitrogen）模型，將N吸收以C的形式進(jìn)行能量消耗，利用可變的植物碳氮比值調(diào)整葉片的含氮量，使模型不再依賴于通過對(duì)土壤氮有效性的潛在光合速率進(jìn)行瞬時(shí)下調(diào)來實(shí)現(xiàn)植物養(yǎng)分的限制。CLM5.0利用LUNA（leaf utilization of nitrogen for assimilation）模型實(shí)現(xiàn)葉片氮利用的優(yōu)化，進(jìn)而用于計(jì)算植物的光合能力。這些改進(jìn)使得模型模擬同現(xiàn)實(shí)更加接近，但同時(shí)也增加了模型的復(fù)雜性，對(duì)模型應(yīng)用于目標(biāo)區(qū)域的參數(shù)優(yōu)化帶來了一定的挑戰(zhàn)性[18]。

2.2 參數(shù)敏感性分析方法

由于CLM5.0模型結(jié)構(gòu)復(fù)雜，涉及參數(shù)較多，無法對(duì)所有參數(shù)進(jìn)行全局優(yōu)化，局部敏感性分析可用于分析模型單一變量對(duì)于輸出結(jié)果的影響，計(jì)算方便，可快速計(jì)算出參數(shù)的敏感性指標(biāo)。因此，為了從眾多參數(shù)中快速篩選出與NPP模擬最為相關(guān)的參數(shù)，本文采用局部敏感性分析方法OAT（one-at-a-time）[19]對(duì)模型中最典型的74個(gè)參數(shù)進(jìn)行分析，確定后續(xù)優(yōu)化參數(shù)。

OAT參數(shù)敏感性分析方法在固定模型其余參數(shù)時(shí)，分析某一參數(shù)微小變化引起的模型模擬結(jié)果變化程度，進(jìn)而確定該參數(shù)的敏感性。本文采用對(duì)模型參數(shù)值進(jìn)行上下浮動(dòng)10%、20%的方式來進(jìn)行模型模擬結(jié)果變化分析，進(jìn)而計(jì)算74個(gè)參數(shù)的敏感性判別指數(shù)，其計(jì)算公式如下：

式中D為參數(shù)的敏感性判別指標(biāo)；P為參數(shù)第（=1,2,…,n）次變化后模型模擬結(jié)果；P為參數(shù)默認(rèn)值時(shí)的模型模擬結(jié)果。參數(shù)的敏感性判別指數(shù)反映了參數(shù)變化對(duì)模型模擬結(jié)果的影響，參數(shù)敏感性判別指數(shù)越大，說明其對(duì)模型模擬結(jié)果的影響越大，即該參數(shù)越敏感。

2.3 參數(shù)優(yōu)化方法

本文采用DREAM算法[20]來進(jìn)行模型參數(shù)校準(zhǔn)。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(dòng)調(diào)整分布的方向到目標(biāo)分布，適用于復(fù)雜高維多模態(tài)目標(biāo)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(yōu)解，算法中心思想是貝葉斯理論，如式（2）利用參數(shù)的先驗(yàn)概率分布得到參數(shù)的后驗(yàn)分布信息。

在無先驗(yàn)信息的情況下，可假定參數(shù)的先驗(yàn)分布是均勻分布。假設(shè)隨機(jī)誤差服從均值為0的高斯分布，似然函數(shù)可表示為

2.4 評(píng)價(jià)指標(biāo)

本研究將參數(shù)優(yōu)化后的模擬結(jié)果與模型默認(rèn)輸出結(jié)果進(jìn)行比較來評(píng)價(jià)參數(shù)優(yōu)化效果。為了全面評(píng)估模型模擬結(jié)果與參考數(shù)據(jù)之間的差異，采用以下評(píng)價(jià)指標(biāo)對(duì)參數(shù)優(yōu)化效果進(jìn)行評(píng)價(jià)：

1）月平均NPP的絕對(duì)差值

式中M為月平均NPP的絕對(duì)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(duì)應(yīng)月份的天數(shù)，d。

2）年平均NPP的絕對(duì)差值

式中M為年平均NPP的絕對(duì)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(duì)誤差R（%）

式中是時(shí)間步長總和。

4）均方根誤差R（g/m2）

3 結(jié)果與分析

3.1 基于OAT算法的參數(shù)敏感性分析

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

本文主要針對(duì)模型中與BGC模塊相關(guān)的74個(gè)參數(shù)進(jìn)行敏感性分析，根據(jù)參數(shù)的年敏感性值對(duì)參數(shù)進(jìn)行敏感性排序，并篩選出10個(gè)最敏感的參數(shù)（如表1所示）用于優(yōu)化調(diào)整。

表1 參數(shù)敏感性分析指標(biāo)結(jié)果

是用于表征植被冠層葉片維持呼吸速率的參數(shù)。由于植被NPP的計(jì)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(shù)的合理設(shè)定對(duì)于模型模擬NPP起著重要作用，從圖3中可以看出，該參數(shù)越大（代表植物呼吸作用越強(qiáng)），對(duì)應(yīng)的NPP越小，因此該參數(shù)對(duì)NPP模擬存在負(fù)向影響。

21、11和32是模型中關(guān)于植被凋落分解過程的參數(shù)，用于表示凋落物池到土壤有機(jī)質(zhì)池轉(zhuǎn)移的呼吸分?jǐn)?shù)。由于NPP本身屬于一個(gè)表征植被碳含量的參數(shù)，因此這些參數(shù)也對(duì)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(gè)參數(shù)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(xì)根碳氮比，這兩個(gè)參數(shù)主要作用于CN循環(huán)過程。模型利用碳氮比來約束CN循環(huán)中的C、N變化，通過在每個(gè)時(shí)間步長分配氮，使植物最佳地匹配目標(biāo)化學(xué)計(jì)量。從圖3中可以看出這兩個(gè)參數(shù)對(duì)于NPP的模擬存在正向影響，參數(shù)值越大，NPP值越大。

屬于模型物候參數(shù)，表征葉片完全凋落的時(shí)長，當(dāng)模型中物候模塊的凋落機(jī)制開始觸發(fā)，該值開始逐步遞減，直至該值減為0時(shí)植物進(jìn)入休眠，等待生長機(jī)制觸發(fā)開始再次生長。因此該參數(shù)越小，會(huì)使得植物的凋落期減小，植物較快進(jìn)入休眠從而使得NPP的模擬結(jié)果變小。

2是用于控制模型中植被開始生長時(shí)由存儲(chǔ)池轉(zhuǎn)移至傳輸池的碳的比例，屬于碳循環(huán)參數(shù)。在觸發(fā)植被生長后該參數(shù)會(huì)產(chǎn)生作用，因此該參數(shù)對(duì)于NPP的模擬結(jié)果也存在一定的影響。圖3中顯示該值越大（即轉(zhuǎn)移的碳比例越大），對(duì)應(yīng)的NPP模擬值也越大。

10是維持呼吸的溫度系數(shù)，對(duì)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(shù)對(duì)于NPP的模擬有著正向影響，參數(shù)越大對(duì)應(yīng)的NPP值也越大。

圖3 參數(shù)敏感性分析

是CLM5.0版本新納入的Medlyn氣孔導(dǎo)度參數(shù)，該參數(shù)對(duì)于氣孔對(duì)二氧化碳的反應(yīng)有著重要影響，決定了在沒有植物水力學(xué)限制的情況下，不同環(huán)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(guān)，因此對(duì)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(huì)隨著該參數(shù)的增大而增大，同時(shí)該參數(shù)變化會(huì)對(duì)峰值出現(xiàn)的時(shí)間產(chǎn)生影響。

3.2 基于DREAM算法的模型參數(shù)優(yōu)化

基于參數(shù)敏感性分析結(jié)果，篩選出10個(gè)最敏感的參數(shù)用于DREAM參數(shù)優(yōu)化，并基于TRY（plant trait database）數(shù)據(jù)庫資料（https://www.try-db.org）和部分參考文獻(xiàn)信息確定待優(yōu)化的參數(shù)的變化范圍。

參數(shù)通過篩選統(tǒng)計(jì)TRY數(shù)據(jù)庫中內(nèi)蒙古地區(qū)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(duì)參數(shù)，相關(guān)研究[22]統(tǒng)計(jì)分析得到對(duì)于C3草，其滿足均值為5.25、標(biāo)準(zhǔn)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(duì)中國165個(gè)站點(diǎn)的細(xì)根碳、氮、磷的濃度數(shù)據(jù)分析表明關(guān)于C3草的滿足均值為40.52、標(biāo)準(zhǔn)差為1.56的高斯分布，根據(jù)3原則確定參數(shù)變換范圍為35.84～45.20。對(duì)于參數(shù)10參考POST等[10]參數(shù)優(yōu)化研究中的范圍設(shè)置為1.1～3.0。針對(duì)參數(shù)，由于缺少相關(guān)的定量數(shù)據(jù)資料，本文基于默認(rèn)值15設(shè)定其變化范圍10～20。對(duì)于無法通過文獻(xiàn)調(diào)研等方式獲取的參數(shù)按照模型默認(rèn)值上下浮動(dòng)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(shù)據(jù)對(duì)參數(shù)進(jìn)行優(yōu)化，所有參數(shù)完全收斂所需的次數(shù)為12 000～16 000次，除了參數(shù)10，其余參數(shù)在迭代了12 000左右均達(dá)到收斂。

圖4為模型參數(shù)估計(jì)的后驗(yàn)概率分布直方圖，根據(jù)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(shù)后驗(yàn)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(shù)的估計(jì)值接近于預(yù)設(shè)的參數(shù)值的最大值或者最小值，其后驗(yàn)概率分布近似于半高斯分布，產(chǎn)生擊邊約束的原因較多，除了參數(shù)的變化范圍設(shè)置不合理外，還可能是模型結(jié)構(gòu)缺陷所帶來的影響[24]。不良約束是指參數(shù)的后驗(yàn)概率分布近似于均勻分布，出現(xiàn)不良約束情形表明觀測數(shù)據(jù)對(duì)于該參數(shù)的影響較小，本文中不存在這一類型的參數(shù)，也進(jìn)一步證明了前文選取的待優(yōu)化參數(shù)合理。

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

圖4 參數(shù)后驗(yàn)概率分布直方圖

3.3 草地生產(chǎn)力模擬結(jié)果分析

本文首先利用2010年參考數(shù)據(jù)對(duì)單個(gè)像元進(jìn)行了年度的參數(shù)估計(jì)，圖5a是優(yōu)化前后的NPP模擬比對(duì)，可以看出參數(shù)優(yōu)化后的NPP模擬精度有了較大的提升和改進(jìn)。優(yōu)化后，夏季NPP時(shí)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(jìn)行評(píng)估。

為了量化優(yōu)化效果，本研究進(jìn)一步基于3.4.1提到的指標(biāo)進(jìn)行優(yōu)化前后對(duì)比計(jì)算，如表3所示，各項(xiàng)評(píng)估指標(biāo)均有所提升。相對(duì)誤差R由33.82%降至10.97%，相對(duì)改進(jìn)達(dá)67%；均方根誤差R降低了0.12 g/m2；月平均NPP絕對(duì)差值M由0.45 g/m2降至0.39 g/m2，相對(duì)改進(jìn)12%；年平均NPP的絕對(duì)差值M由12.04 g/m2降至9.48 g/m2。

表2 參數(shù)估計(jì)值及置信區(qū)間

表3 2010和2011年參數(shù)優(yōu)化前后評(píng)價(jià)指標(biāo)比對(duì)

注:R為相對(duì)誤差，R為均方根誤差，M為月平均NPP的絕對(duì)差值，M為年平均NPP的絕對(duì)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(yàn)證參數(shù)優(yōu)化設(shè)置在時(shí)間和空間模擬上的普適性，本文進(jìn)一步模擬了2011年的區(qū)域草地生產(chǎn)力，如圖 5b所示。可以看到參數(shù)優(yōu)化后夏季草地NPP模擬結(jié)果增大，使得模擬值高于參考數(shù)據(jù)，整體模擬趨勢(shì)沒有得到明顯改進(jìn)。計(jì)算評(píng)價(jià)指標(biāo)，如表3所示，相對(duì)誤差R和年平均NPP的絕對(duì)差值M有所提升，因?yàn)槟M在年尺度上存在一定的誤差補(bǔ)償效應(yīng)，參數(shù)優(yōu)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(duì)差值M來看，模型模擬效果并未得到改善，優(yōu)化參數(shù)拉大了模型在夏季同參考數(shù)據(jù)的差異，說明參數(shù)優(yōu)化設(shè)置在時(shí)間上的普適性仍有待提升。由于模型模擬NPP受氣象因素關(guān)系較大，尤其是降水?dāng)?shù)據(jù)，參數(shù)優(yōu)化是針對(duì)某一年的氣象變化來進(jìn)行的，因此其在時(shí)間的轉(zhuǎn)移性上表現(xiàn)較差。該現(xiàn)象與已有研究結(jié)論[10]類似，即模型部分生態(tài)參數(shù)會(huì)隨時(shí)間發(fā)生變化，可能與氣溫降水等環(huán)境條件有關(guān)。因此后續(xù)研究可以進(jìn)一步從更細(xì)的時(shí)間尺度上進(jìn)行參數(shù)優(yōu)化，如針對(duì)不同季節(jié)或者月份進(jìn)行參數(shù)優(yōu)化，建立一套隨時(shí)間變化的參數(shù)優(yōu)化方案。

本文進(jìn)一步針對(duì)草甸草原、典型草原和低地草甸進(jìn)行化模擬分析，以驗(yàn)證參數(shù)優(yōu)化后模型在空間上的拓展性，結(jié)果如表4和圖6所示。從指標(biāo)上可以看出，3種草地類型各項(xiàng)指標(biāo)均有一定的提升，其中相對(duì)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(gè)百分點(diǎn)，證明了參數(shù)優(yōu)化在空間上的可轉(zhuǎn)移性。從圖6上也可以看出，模型優(yōu)化后3種不同類型草地NPP模擬在夏季模擬趨勢(shì)同參考數(shù)據(jù)更加接近，秋季變化較小，與前面的結(jié)果一致，無論是在時(shí)間還是空間上參數(shù)優(yōu)化的結(jié)果對(duì)于模擬的年累計(jì)量均有所提升，證明了參數(shù)優(yōu)化的有效性。但由于NPP模擬受到多重因素的影響，參數(shù)優(yōu)化結(jié)果在時(shí)間和空間上普適性仍有待進(jìn)一步提升。

圖5 2010和2011年參數(shù)優(yōu)化前后研究區(qū)NPP模擬結(jié)果比對(duì)

表4 不同草地類型參數(shù)優(yōu)化前后評(píng)價(jià)指標(biāo)比對(duì)

圖6 參數(shù)優(yōu)化前后不同草地類型NPP模擬對(duì)比

為了更客觀地評(píng)價(jià)本文中優(yōu)化結(jié)果的有效性，研究采用同類型產(chǎn)品交叉驗(yàn)證、同區(qū)域研究成果比對(duì)等方式對(duì)優(yōu)化后NPP模擬精度進(jìn)行進(jìn)一步驗(yàn)證分析。首先采用GLASS年凈初級(jí)生產(chǎn)力產(chǎn)品[25]對(duì)優(yōu)化后NPP模擬效果進(jìn)行評(píng)價(jià)，結(jié)果顯示2010年目標(biāo)像元處的GLASS-NPP年總量值為327.96 g/m2，而本文優(yōu)化模擬結(jié)果為276.61 g/m2，2011年GLASS-NPP年總量值為333.47 g/m2，優(yōu)化結(jié)果為307.66 g/m2，兩者相對(duì)誤差小于15%。隨后基于其他學(xué)者的相關(guān)研究進(jìn)一步進(jìn)行比對(duì)分析，本文利用已有呼倫貝爾地區(qū)的產(chǎn)草量研究數(shù)據(jù)結(jié)合轉(zhuǎn)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(biāo)像元的優(yōu)化模擬結(jié)果接近。康振山等[28]利用BEPS模型計(jì)算了內(nèi)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(jì)算2001—2010年內(nèi)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(duì)結(jié)果可以看出不同模型之間估算結(jié)果存在一定的差異，但差異均在合理范圍內(nèi)。

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(chǎn)力模擬的參數(shù)優(yōu)化研究。首先為了縮小優(yōu)化參數(shù)空間，利用OAT局部敏感性分析方法針對(duì)CLM模型中關(guān)鍵參數(shù)進(jìn)行篩選。雖然針對(duì)CLM5.0的BGC模塊進(jìn)行相關(guān)的敏感性分析的研究較少，但有研究[30]針對(duì)CLM5.0的SP模塊對(duì)全球不同植被類型利用機(jī)器學(xué)習(xí)的方式進(jìn)行敏感性分析，研究結(jié)果表明NPP的模擬對(duì)于參數(shù)、、等均表現(xiàn)出較強(qiáng)的敏感性，與本文的參數(shù)選取結(jié)果有所重合，證實(shí)了本文選取的參數(shù)的合理性。

本文發(fā)現(xiàn)部分參數(shù)如、10的估計(jì)值同預(yù)定義的最小或最大邊界接近，這與BRASWELL等[24]的發(fā)現(xiàn)一致，這是模型結(jié)構(gòu)缺陷導(dǎo)致。模型優(yōu)化后NPP模擬仍存在低估現(xiàn)象，有研究認(rèn)為與模型的初始狀態(tài)有一定的關(guān)系，POST等[10]將初始文件中的碳氮初始變量納入優(yōu)化，優(yōu)化效果優(yōu)于不考慮初始變量，可見模型的初始狀態(tài)對(duì)模型模擬結(jié)果有一定的影響。其次，盡管參數(shù)優(yōu)化后的結(jié)果同參考數(shù)據(jù)相比還存在一定的低估現(xiàn)象，但同默認(rèn)設(shè)置的模型相比還是有一定的提升，而且優(yōu)化后的參數(shù)設(shè)定值更符合文獻(xiàn)統(tǒng)計(jì)值，如文獻(xiàn)[31]指出北溫帶草地10_mr取值為2±0.8，基于TRY數(shù)據(jù)庫統(tǒng)計(jì)的內(nèi)蒙古區(qū)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(shù)優(yōu)化結(jié)果接近，證明了本研究參數(shù)估計(jì)的合理性。有學(xué)者[10]指出模型中10、等生態(tài)參數(shù)應(yīng)隨時(shí)間發(fā)生變化，參數(shù)取值可能與環(huán)境有關(guān)，如平均溫度或土壤濕度等。本文模型優(yōu)化結(jié)果中對(duì)于夏季改進(jìn)效果明顯，而對(duì)于秋季改進(jìn)較弱說明了模型參數(shù)需要根據(jù)不同季節(jié)的環(huán)境條件進(jìn)行優(yōu)化，與上述學(xué)者結(jié)論一致。研究中模擬曲線與參考數(shù)據(jù)曲線比對(duì)發(fā)現(xiàn)，模擬曲線開始的時(shí)間點(diǎn)較晚，這是和模型的物候模型相關(guān)，決定了草地活躍生長的時(shí)間段，物候模型中觸發(fā)生長和凋落的變量涉及到了土壤水分等其他狀態(tài)變量，因此需要進(jìn)一步考慮物候模塊相關(guān)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(xù)提高模擬效果的最優(yōu)參數(shù)值[32]，在本研究中也發(fā)現(xiàn)類似結(jié)果，將參數(shù)優(yōu)化結(jié)果應(yīng)用于其他年份時(shí)，由于草地的生長受氣候因素影響較大，優(yōu)化效果有所下降。有文獻(xiàn)[31]概述了參數(shù)值在相同植被類型內(nèi)的變化，這一現(xiàn)象會(huì)阻礙參數(shù)優(yōu)化結(jié)果轉(zhuǎn)移到其他區(qū)域，在特定區(qū)域優(yōu)化得到的參數(shù)可能會(huì)被過度調(diào)整到特定的環(huán)境條件，但本文將優(yōu)化區(qū)域的參數(shù)優(yōu)化結(jié)果遷移至不同的草地類型區(qū)域，優(yōu)化效果有較好的改善，證明了具有一定的空間轉(zhuǎn)移性，但仍需考慮優(yōu)化區(qū)域同驗(yàn)證區(qū)域間的距離，選取更具代表性的區(qū)域進(jìn)行參數(shù)優(yōu)化以實(shí)現(xiàn)模型單點(diǎn)優(yōu)化區(qū)域模擬的尺度拓展。

本文采用的驗(yàn)證數(shù)據(jù)是基于機(jī)理性生態(tài)模型BEPS生成的，數(shù)據(jù)年總量NPP同MODIS數(shù)據(jù)接近，但受限于數(shù)據(jù)的可獲取性，無法在天尺度上對(duì)其實(shí)現(xiàn)進(jìn)一步的精度驗(yàn)證。但是本研究在BEPS參考數(shù)據(jù)對(duì)比分析的基礎(chǔ)上，進(jìn)一步采用GLASS-NPP產(chǎn)品、文獻(xiàn)參考資料等多種方式對(duì)優(yōu)化結(jié)果進(jìn)行分析，多方面驗(yàn)證本研究提出的參數(shù)優(yōu)化效果的可靠性，彌補(bǔ)驗(yàn)證數(shù)據(jù)自身精準(zhǔn)度對(duì)分析結(jié)果的影響。后續(xù)研究將加大地面測量數(shù)據(jù)和標(biāo)準(zhǔn)參考數(shù)據(jù)的獲取，提升驗(yàn)證數(shù)據(jù)和驗(yàn)證結(jié)果的可靠性。

5 結(jié) 論

CLM5.0是CLM模式的最新版本，其在草原生態(tài)系統(tǒng)生產(chǎn)力模擬方面的適用性有待進(jìn)一步評(píng)估。本文選取呼倫貝爾草原作為研究區(qū)，并對(duì)草地生產(chǎn)力模擬的關(guān)鍵參數(shù)進(jìn)行針對(duì)性優(yōu)化，主要結(jié)論如下：

1）研究利用局部敏感性分析對(duì)于CLM5.0_BGC模塊74個(gè)參數(shù)進(jìn)行了分析，發(fā)現(xiàn)對(duì)NPP模擬最敏感的是呼吸作用類參數(shù)，其次是碳轉(zhuǎn)移類參數(shù)，敏感性相對(duì)較弱的是關(guān)于維持呼吸的參數(shù)（10）。參數(shù)的后驗(yàn)概率分布表明參數(shù)葉片碳氮比（）、氣孔導(dǎo)度參數(shù)（）為良性約束，表明模型優(yōu)化的參考數(shù)據(jù)對(duì)其約束較大，證明了參數(shù)對(duì)于優(yōu)化模型模擬的有效性。

2）模型參數(shù)優(yōu)化對(duì)于優(yōu)化像元有較大的提升，相對(duì)誤差由33.82%降低至10.97%，相對(duì)改進(jìn)了67%，均方根誤差降低了0.12 g/m2，同默認(rèn)參數(shù)相比，月平均NPP絕對(duì)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(yōu)化模型在夏季的模擬效果優(yōu)于秋季。

3）時(shí)間上，優(yōu)化模型應(yīng)用于下一年度2011年時(shí)，部分評(píng)估指標(biāo)有所改進(jìn)，相對(duì)誤差由8.74%降低至2.51%，年平均NPP絕對(duì)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(duì)差值沒有改進(jìn)，整體變化趨勢(shì)改進(jìn)較小；空間上，優(yōu)化后的模型應(yīng)用于不同類型草原精度均有所提升，其中草甸草原相對(duì)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(shù)優(yōu)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(nóng)業(yè)工程學(xué)報(bào)，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(nèi)蒙古草原植被覆蓋度時(shí)空格局變化及驅(qū)動(dòng)因素分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(shù)估算天山牧區(qū)不同利用類型草地總產(chǎn)草量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(tài)區(qū)生長季降水集中度和集中期時(shí)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(nóng)業(yè)工程學(xué)報(bào)，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(dòng)對(duì)天山北坡凈初級(jí)生產(chǎn)力變化的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(jí)生產(chǎn)力估算模型優(yōu)化與分析：基于中國生態(tài)系統(tǒng)研究網(wǎng)絡(luò)數(shù)據(jù)[J]. 生態(tài)學(xué)報(bào)，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(qiáng)，史軍，等. 中國東南部植被NPP的時(shí)空格局變化及其與氣候的關(guān)系研究[J]. 地理科學(xué)，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(duì)青藏高原高寒草甸地表能量交換模擬性能的評(píng)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(tài)過程模型敏感參數(shù)最優(yōu)取值的時(shí)空異質(zhì)性分析：以BIOME-BGC模型為例[J]. 應(yīng)用生態(tài)學(xué)報(bào)，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(shù)據(jù)的內(nèi)蒙古呼倫貝爾草原草畜平衡時(shí)空動(dòng)態(tài)研究[J]. 中國草地學(xué)報(bào)，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(chǎn)草量動(dòng)態(tài)變化研究—以新巴爾虎右旗為例[D]. 石家莊：河北師范大學(xué)，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(yún)，等. 內(nèi)蒙古草地凈初級(jí)生產(chǎn)力時(shí)空變化及其對(duì)干旱的響應(yīng)[J]. 草地學(xué)報(bào)，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(nèi)蒙古草地生態(tài)系統(tǒng)近10年NPP時(shí)空變化及其與氣候的關(guān)系[J]. 草業(yè)學(xué)報(bào)，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(nèi)蒙古呼倫貝爾草地生產(chǎn)力模擬參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)（A類）（XDA26010203-4）；內(nèi)蒙古自治區(qū)科技重大專項(xiàng)（2021ZD0044）；中科院空天院“未來之星”人才計(jì)劃項(xiàng)目

楊倩，研究方向?yàn)樯鷳B(tài)遙感應(yīng)用研究。Email：18406599545@163.com

朱小華，博士，研究方向?yàn)橹脖欢窟b感機(jī)理與應(yīng)用研究。Email：zhuxh@aircs.ac.cn