王琪, 吴成永, 陈克龙, 张肖, 张乐乐, 丁俊霞

基于MODIS NPP数据的青海湖流域产草量与载畜量估算研究

王琪1,2, 吴成永1,2, 陈克龙2,*, 张肖3, 张乐乐1,2, 丁俊霞1,2

1. 青海师范大学地理科学学院, 青海, 西宁 810008 2. 青海省自然地理与环境过程重点实验室, 青海, 西宁 810008 3. 四川师范大学地理与资源科学学院, 四川, 成都 610101

快速评价区域草地生产力状况, 是制定牧区草畜平衡策略, 保障草地生态系统健康可持续发展的前提基础。基于MODIS NPP产品数据, 对青海湖流域草地生产力进行了估算和评价。结果表明: (1)牛羊可食性最高的高寒草甸、高寒草原和温性草原, 其单位面积产草量估算值的均方根误差为26.15 g·m-2, 表明该方法可以快速估算区域尺度的产草量。(2)全年干草产量为145.42万t, 其中能被牛羊直接采食利用的牧草共计59.18万t, 理论载畜量为81.07万羊单位; (3)影响单位面积干草产量的主要气候因子, 海拔3500 m以下地区, 是活动积温且与单位面积干草产量呈负相关关系; 3500 m以上地区, 是温度且与单位面积产草量呈正相关关系。研究结果可为高寒地区合理规划牧业生产活动、生态补偿等提供科学依据和决策支持, 也可为全国其他牧区的草原产草量的估算提供参考。

产草量; 草地生产力; 植被净初级生产力; 青海湖流域

0 引言

草地是畜牧业发展的最基本生产资料和基地。我国草地面积广阔, 约占全国陆地总面积的41%。青藏高原广泛分布着高寒草甸、高寒草原、温性草原等草地生态系统[1], 总面积约为1.28×108km2[2], 是中国主要的畜牧业基地之一。青海湖流域是青藏高原东北部重要的牧区, 也是青海省畜牧业生产的主要基地[3-4], 流域内集中了青海省 24% 的牧业人口和 29% 的草食牲畜[5]。自20世纪80年代以来, 在人类不合理活动和全球气候变化的双重影响下, 草地退化十分严重, 草地生态系统严重恶化。1977—2000 年, 流域内草地共减少 206.68 km2(其中, 大部分草地转变为耕地和沙地[6]); 2000—2010 年, 呈现出整体性草地极轻微退化趋势[7]。草地退化致使草地生产水平持续下降, 草畜供求的时空利用格局出现失衡[8-9], 直接影响到区域生态安全与畜牧业经济的可持续发展。快速准确地估算流域内的产草量和载畜量, 是解决上述科学与现实问题的首要前提和关键。

草地载畜量, 是指在一定时期和一定草地面积上, 在适牧条件下, 并保证家畜正常发育和生长的状态下, 能饲养放牧家畜的头数[10]。载畜量过高则导致牧草利用过度, 草地状况恶化, 家畜营养匮乏, 降低单个家畜增重。相反, 载畜量过低会造成牧草浪费, 牧草利用率降低, 减少单位草地面积上家畜的总增重[11]。因而, 放牧利用不应超过能被科学计算的载畜量域值[12]。估算理论载畜量, 能科学确定草地载畜量的临界值, 这一结果不仅能作为指导草地管理的重要依据, 而且也是科学地确定放牧强度, 避免超载过牧, 维持草地持续生产的有效手段。测算草地载畜量的基础是估算草地产草量。

草地产草量的测量估算主要有三种方法[13]: 一是直接收获法(刈割法), 测量值是齐地面刈割所获得的产草量, 通常在草地产量最高的时候进行测定[14]。该方法的优点是测量准确, 缺点是耗时费力, 受人为因素的干扰大, 适合小区域草地产量测定, 在大尺度范围内估产精度不高且它难于估算草食类动物所消耗的生物量或能量以及自养有机体自身的代谢生长和发育所用的能量[15]; 二是产量模拟模型, 通常需要输入连续详细的气候、土壤等数据参数。优点是估算精度较高, 缺点是数据参数获取困难, 难以应用于大尺度区域; 三是遥感模型测量法, 该方法是目前区域产草量估算的常用方法之一, 借助于植被NDVI或者NPP(Net Primary Productivity)两种方法来估算。基于植被NDVI的方法, 通过回归模型进行估算, 适合于大区域。但不同区域, 其回归估算模型也不同, 因此模型移植性差。 NPP估算法, 以植被净初级生产力为基础计算产草量, 优点是宏观、快速、省力、省时、受外在因素干扰少, 可为草原管理与决策提供及时的草原信息, 如光能利用率模型CASA模型(目前应用较广泛, 输出结果为月NPP)。如朴世龙等[16]利用CASA模型对我国植被净第一性生产力进行了估算; 李刚等[17]利用改进后的CASA 模型估算了青藏高原草地载畜量。以上两位学者在估算NPP时, 气象参数均在插值基础上获得。秦泗国等[18]利用综合模型估算了那曲高原高寒草地生态系统NPP并在此基础上估算载畜量, 综合模型估算NPP是以与植被光合作用密切相关的实际蒸散为基础的, 关键参数的获取(如PER)用气象数据反演得到。乔凯等[19]在定量估算青海湖流域2001—2011年草地净初级生产力时, 气象数据用域内和周边气象站点数据内插得到, 500 m DEM数据用90 m重采样方法获得。郑中等[20]在利用CASA模型估算青海湖流域草地 NPP时, 面对青海湖流域内气象站稀少, 气象观测数据相当缺乏的情况下, 用WRF区域气候模式模拟了近地表气象数据, 但模拟精度只在80%左右。因此, CASA模型模拟NPP, 虽然得到了广泛应用, 但其缺点是模型需输入气温、降水、太阳辐射以及植被指数和植被类型等众多参数。部分参数难以获取, 部分参数(如气象参数)需用空间插值技术得到, 而气象站点的数目和空间分布等都会影响到插值结果, 精度难以保障。

青海湖流域境内国家级气象站点少, 且其地形多为山地, 地势起伏大, 插值获取的参数误差大, 致使模型模拟得到的NPP精度难以保证。所以获取精度相对较高的NPP数据是估算产草量与载畜量的首要前提。综上所述, 本文选取分辨率较高(500 m)和准确性已通过验证的MOD17A3H产品, 以青海湖流域为研究区域, 选取干草产量与理论载畜量2个指标, 进行草地生产力评价。其一是探讨其快速估算产草量的可行性与准确性, 其二是通过数学方法统计出流域内不同草地类型及行政区域的产草量, 分析探讨草地产草量的空间格局及其影响因素, 旨在为高寒地区牧业生产的合理规划和畜牧业可持续发展提供科学依据。

1 研究区概况

青海湖流域地处青藏高原东北部, 总面积为29661 km2, 介于 36°15' — 38°20' N 与97°50' — 101°20'E之间, 地形复杂, 地势起伏大, 西北高、东南低。地处黄土高原、西北干旱区和青藏高寒区的过渡地带, 深居内陆, 海拔较高, 常年受西风带、东亚季风和青藏高原季风的交汇控制, 属典型的高寒干旱大陆性气候, 干旱、寒冷、多风。多年平均气温-1.4—1.7 ℃, 年平均降水量约为340 mm, 蒸发量为800—1000 mm[21]。植被类型有草原植被(温性草原和高寒草原)、灌丛植被(温性河谷灌丛与高寒灌丛)、草甸(高寒草甸、盐生草甸)和高山流石植被以及荒漠植被(高寒荒漠类和温性荒漠类)等。其中高寒草原和高寒草甸是青海湖流域的主要草地类型, 两者占流域内草地总面积的82.64%。2010年青海湖流域总人口为 13.23万人, 平均人口密度4.47人·km-2[22], 农业活动以畜牧业生产为主[23]。

2 数据与方法

2.1 数据来源与处理

(1)遥感数据。采用2015年的MODIS数据的MOD17A3H产品, 来源于美国国家航空航天局(NASA) (https://ladsweb.modaps.eosdis.nasa.gov/search/)。该产品提供了500 m空间分辨率的NPP年数据[24], 已通过第三方验证, 其准确性得到了评估[25]。

(2)气象数据。2015年青海省各气象站点的年平均气温、年降水量、平均湿度等, 来自中国气象科学数据共享服务平台(http://data.cma.cn/)。通过整理、计算和空间插值生成相应的栅格数据。

(3)植被数据。运用中国1: 100万植被类型图(2000年版)—青藏部分, 根据中国植物群落的分类方法, 分类得到青海湖流域的草地类型分布图(图1)。

上述三类数据, 在ArcGIS 10.2软件平台中转换为Albers等积投影。

2.2 研究方法

2.2.1 干草产量计算

干草产量是指某地域某一段时间内生产的牧草干物质总产量。单位面积的干草产量可以利用草地NPP计算得到[26], 计算公式如下:

Figure 1 Distribution of grassland types in the Qinghai Lake Basin

式中,B为年总单位面积干草产量,/(m-2·a-1);为草地年总NPP,/(m-2·a-1) ;S为草地生物量换算成NPP 的转换系数, g·g C-1, 数值为 0.45[27];S为地下与地上部分生物量比例系数, 高寒草甸为8.99, 高寒草原类为3.81[28], 温性草原类为4.25, 温性荒漠草原类、高寒荒漠和温性荒漠类为7.89, 暖性灌草丛为4.42, 沼泽类为15.68[29]。

2.2.2 产草贡献率计算

产草贡献率是指某草地类型的产草量占所有草地类型产草量的比重。产草贡献率计算公式如下:

其中,C代表第类型草地的产草贡献率;M为第类型草地的平均产量;A为第类型草地的面积。

2.2.3 理论载畜量计算

理论载畜量是指在适度放牧的条件下, 单位草地面积上所能放牧的牲畜头数。它是衡量草原生产能力的主要指标之一, 可根据牧草的生长情况(包括牧草的品质、产量)来评定, 取决于草地初级生产力[30]。计算公式如下:

式中,Z为草地理论载畜量(羊单位);H为全年干草产量(t·km-2);G为不同草地类型的牧草利用率[31], 草原类为50%, 草甸类为60%, 灌(草)丛类和沼泽类为55%, 荒漠类为40%。C为草地可利用率,E为草地可食牧草比率; 在青海湖流域,C按92%计算,E按80%计算[32];L为一个羊单位家畜的日食量, 我国采用的载畜量为绵羊单位[33], 1个羊单位是活重为40 kg的绵羊及其哺乳羔羊, 每天饲草(青草)需求量为5—7.5 kg, 本研究取6 kg, 据中国农业行业提出的天然草地载畜量计算标准[34], 牧草干重与鲜重比例按1:3计算, 换算成干草即2 kg /羊单位/;为草地放牧时间, 按全年365计算。

3 结果与分析

3.1 产草量估算结果及精度分析

首先利用草地类型的矢量图, 用ArcGIS 10.2软件中的裁剪工具, 裁出NPP栅格图, 然后运用公式(1)进行计算, 得到2015年青海湖流域单位面积干草产量分布图(图2)。最后利用单位面积干草产量乘以像元面积得到流域内的全年干草产量图(图3)。

青海湖流域地形复杂, 区域小气候、土壤和草地类型差异大, 加之人类活动影响程度不一, 因而流域内各草地类型的单位面积干草产量空间差异性明显。由图(2)可知, 环湖地区是单位面积干草产量的高值区, 呈现出从东南环湖地区向西北山地递减趋势。环湖地区海拔相对较低, 地形平坦, 气温较高, 水热组合较好, 植被以温性草原, 高寒草原为主, 且为国家级自然保护区的核心区, 因而整体上产草量最高。西北部, 多山地, 海拔高, 气温低, 植被以低矮的高寒草甸为主, 单位面积产草量较低。

图2 青海湖流域草地单位面积干草产量空间分布图

Figure 2 Hay yield per unit area of grassland in Qinghai Lake Basin

图 3 青海湖流域草地年干草产量空间分布图

Figure 3 Annual hay yield of grassland in the Qinghai Lake Basin

采用均方根误差(式4)检验产草量的估算精度。越小, 模型精度越高、预测能力越强。将青海湖流域牛羊可食性最高的高寒草甸、高寒草原和温性草原的产草量估算值与文献中产草量进行比较, 得出两者间的为26.15 g·m-2(表1), 表明模型具有较好的估算精度。

3.2 干草产量影响因素分析

气候影响牧草的生长发育, 进而影响产草量。青海湖流域属高海拔地区, 地势起伏大, 气候随海拔梯度的变化明显。海拔3500 m等高线是青海湖流域湖滨平原区、河谷区与高山区的大致界线。故本文将3500 m等高线作为海拔节点, 来探讨此海拔节点上下的单位面积干草产量的水热影响模式。为了定量厘定出气候因子对产草量的影响, 利用相关系数r(式5), 对不同海拔梯度内的单位面积干草产量和各气候因子(气温、降水量、活动积温(≥10 ℃)和湿度)进行相关性分析。

结果表明(表2), 海拔3500 m以下区域, 气象因子中, 对单位面积干草产量影响最大的为活动积温(≥10℃), 其次为气温、降水, 最小的为湿度。其中,年降水量与单位面积干草产量为正相关关系, 而活动积温、气温与干草产量为负相关关系, 即活动积温、气温越高, 干草产量越低。原因可能是: 其一、在气候变暖背景下, 流域内年均气温呈现增加趋势[20],活动积温超过了适宜植被生长的温度范围, 从而不利于高寒草原植被的生长。其二、流域内年均气温的升高导致蒸发量随之增大, 土壤水分损失加快, 抑制了植被的生长。在此情况下, 牧草的需水胁迫加重, 从而降水量越大, 单位面积干草产量越大, 这与龙慧灵等[37]研究结果一致。3500 m以上区域, 除了湿度与单位面积干草产量为负相关以外, 其余均为正相关关系。其中, 对单位面积干草产量影响最大的气候因子为气温, 这与周伟等[38]和陆晴等[39]人的研究结果一致。原因可能是气温为高寒草甸等植被生长发育的最主要限制性因子, 气温越高, 植被生长周期越长, 单位面积产草量就越高。另外, 高寒草甸的植被根系发达, 能够利用深层土壤水, 从而受降水的影响相对较弱[41]。

表1 不同草地类型产草量估算结果精度分析

表2 青海湖流域不同海拔单位面积产量与气候因子的相关性

注:*在 0.01 水平(双侧)上显著相关

3.3 产草量与理论载畜量分析

3.3.1 不同草地类型产草量与理论载畜量分析

对产草量估算结果进行数学统计(表3), 得出流域内全年干草产量为145.42万t, 其中能被牛羊直接采食利用的牧草59.18万 t, 理论载畜量为81.07万羊单位。高寒草甸、高寒草原、亚高山灌丛、温性草原、温性灌丛草原和温性荒漠草原六大类是主要产草的草地类型, 其年干草产量: 高寒草甸>高寒草原>亚高山灌丛>温性草原>温性灌草丛>温性荒漠草原。高寒草甸的草地面积、理论产草量、可食牧草量和采食总量最大, 分别为17127.2 km2、712843.72 t、314791.79 t、431222羊单位; 其次为高寒草原, 分别为3258.64 km2、391418.61 t、144042.05 t、197318羊单位。高寒草甸与高寒草原面积占流域内草地总面积的82.64%, 产草量占整个流域产草量的75.93%, 载畜能力也最大, 占所有草地载畜量的77.53%。

表3 青海湖流域各草地类型草地生产力统计表

据图4, 青海湖流域所有草地类型中, 高山草甸的产草贡献率最高, 占整个流域内产草量的49.01%; 其次为高寒草原, 产草贡献占整个流域的26.91%; 产草贡献率最低的是沼泽化草甸, 仅占0.18%。

3.3.2 行政区划产草量与载畜状况分析

统计得到青海湖流域内各行政区划的理论载畜量, 天峻县、刚察县、共和县和海晏县理论载畜量分别为307092羊单位、251267羊单位、189142羊单位和63191羊单位。根据2015统计年鉴和县农牧部门公布的4县实际载畜量数据[41]计算4县在流域内的实际载畜量

(公式为: 某县所占青海湖流域面积÷该县面积×该县实际载畜量):

图4 青海湖流域不同草地类型的产草贡献率

Figure 4 Grassland production contribution rate of different grassland types in the Qinghai Lake Basin

天峻县实际载畜量为497261(头、匹), 刚察县789743(头、匹), 共和县656065(头、匹), 海晏县191559(头、匹)。进一步计算青海湖流域超载率, 达163.31%, 其中共和县超载最为严重, 达246.86%, 次之为刚察县与海晏县, 超载率分别为214.30%和203.14%, 天峻县为61.93%。

为了制定切实可行的牧业规划和生态补偿政策的落地实施等, 本文对青海湖流域内16个主要乡镇的产草量和理论载畜量进行统计(表4), 结果显示: 产草量和理论载畜量较高的为泉吉乡、石乃亥乡、哈尔盖镇和吉尔孟乡, 年干产草量共计46.04万t, 可采食牧草总量达182552.8 t, 可放牧羊单位数达250072只, 占全流域理论载畜量的30.84%。

4 讨论

模拟估算结果的准确性验证是应用NPP估算区域产草量的前提, 这可以通过田间调查获得的实测生物量或者已有研究结果相比较。青海湖流域牧草可食性较大的三种草地类型的产草量, 其单位面积内估算值的均方根误差为26.15 g·m-2(其中, 高寒草原的误差较大, 原因是验证数据为2010年数据, 而本文所采用的是2015年数据, 根据骆成凤等[9]人的研究, 湖滨平原和河谷地区目前仍处于过牧状态, 草地生产力持续下降, 因此这年际间误差可以忽略不计), 在可接受范围内。由于NPP的影响因素较多, 如天气状况, 土壤水分的多寡, 植被类型及其所处地形部位等, 导致不同草地类型的NPP模拟精度也不一致, 因而产草量的估算精度可能不同, 甚至有的草地类型估算精度较低, 但只要研究区中面积比重大的草地类型产草量估算精度高, 则估算方法就可以推广应用。

表4 青海湖流域各乡镇草地生产力统计表

依据统计年鉴和县农牧部门公布的实际载畜量数据, 然后结合理论载畜量, 计算了超载率。青海湖流域4县, 总超载率达163.31%。整体上, 青海湖流域内各行政区划的实际载畜量高于理论载畜量且已超过草地所能承受的最大载畜能力。需要说明的是, 理论载畜量的计算基础是所有植被的NPP, 但并非所有的植被能被牛羊等牲畜采食, 因此, 实际上, 各地区的超载率应该更高, 这也同时提出了未来研究的一个方向, 即如何识别与剔除牲畜非食用植被, 进而提高估测载畜量的精度。草地畜牧业要得到健康、稳定的发展, 减轻草地载畜压力是亟待解决的问题, 农牧部门需进行调控和管理(如加大对牲畜的补饲力度以及减少牲畜的存栏数量), 使牧民遵循草原的可更新性和季节生长规律, 通过确定科学的放牧时间、放牧强度、放牧方式及牧场轮换来稳定流域内草地自然健康生长。

5 结论

基于MODIS NPP遥感产品数据, 结合植被类型图, 本文估算了青海湖流域草地生产力, 并得出以下结论:

(1)青海湖流域草地平均单位面积干产草量为74.38 g·m-2, 呈现出自环湖区域向高山区递减趋势, 影响其分布的主要气象因子是活动积温、气温与降水。3500 m以下区域, 活动积温是主要影响因子; 3500 m以上区域, 温度是主要影响因子。降水对3500 m以上单位面积干草产量影响较小原因是高寒草甸的根系较发达, 能吸收深层土壤水, 从而受降水限制小。

(2)高寒草甸、高寒草原、亚高山灌丛、温性草原、温性灌丛草原和温性荒漠草原六大类草地是青海湖流域的主要产草类型, 年总干草产量为145.42万t。其年干草产量: 高寒草甸>高寒草原>亚高山灌丛>温性草原>温性灌草丛>温性荒漠草原。

(3)青海湖流域理论载畜量为81.07万羊单位, 实际载畜量为213.46头。牲畜超载十分严重, 超载率达163.31%。其中共和县超载最为严重, 达246.86%;次之为刚察县与海晏县, 超载率分别为214.30%和203.14%; 天峻县为61.93%。

本文探讨了基于MODIS NPP遥感产品数据的草地生产力计算方法的可行性, 后续研究将结合实地采样, 进一步产提高草地产草量估算的准确性。在此基础上, 结合土地第二次调查资料和乡镇村牛羊数量, 分析地块尺度的产草量, 确定合理载畜量, 以便采取合理的放牧策略, 实现草地畜牧业生产的生态和经济效益可持续发展。

[1] 袁子茹, 任灵, 陈建纲, 等. 祁连山不同草地类型土壤有机质与全氮分布的关系[J]. 草原与草坪, 2016, 36(3): 12– 16.

[2] 李以康, 冉飞, 包苏科, 等. 高寒草甸矮嵩草对氮肥的生理响应[J]. 草业学报, 2010, 19(3): 240–244.

[3] 魏克家, 胡瑞宁, 马建华, 等. 青海湖环湖区草地生态环境问题与防治对策研讨[J]. 四川草原, 1997, 16(2): 2–6.

[4] 张旭萍, 郭连云, 田辉春. 环青海湖盆地气候变化对草地生态环境的影响[J]. 草原与草坪, 2008, 26(2): 64–69.

[5] 周薇薇, 殷青军. 青海湖流域草地产草量与MODIS植被指数的相关性分析[J]. 盐湖研究, 2012, 20(4): 8–12.

[6] 张明, 崔军, 曹学章. 青海湖流域草地退化时空分布特征[J]. 生态与农村环境学报, 2017, 33(5): 426–432.

[7] 骆成凤, 许长军, 游浩妍, 等. 2000—2010年青海湖流域草地退化状况时空分析[J]. 生态学报, 2013, 33(14): 4450–4459.

[8] 王辉, 任继周, 袁宏波. 黄河源区天然草地沙化机理分析研究[J]. 草业学报, 2006, 15(6): 19–25.

[9] 卫亚星, 陈全功, 王一谋, 等. 利用TM资料调查土地利用状况动态变化——以玛曲县为例[J]. 草业科学, 2002, 17(3): 6–8.

[10] 甘肃农业大学. 草原调查与规划[M]. 北京: 农业出版社, 1985.

[11] 朝克图, 那亚, 那松乌力吉, 金花. 载畜量的研究进展概述[J]. 内蒙古草业, 2010, 22(1): 12–14.

[12] 杨理, 侯向阳. 草畜平衡管理与草地资源可持续利用[J]. 中国农业经济评论, 2005, 4(3): 453–461．

[13] 安卯柱, 高娃, 朝鲁. 内蒙古第四次草地资源调查草地生产力测定及计算方法简介[J]. 内蒙古草业, 2002, 14(4): 20–21.

[14] 任继周．草业科学研究方法[M]. 北京: 中国农业出版社, 1998.

[15] 李高飞, 任海, 李岩, 等. 植被净第一性生产力研究回顾与发展趋势[J]. 生态科学, 2003, 22(04): 360–365.

[16] 朴世龙, 方精云, 郭庆华. 利用CASA模型估算我国植被净第一性生产力[J]. 植物生态学报, 2001, 25(05): 603– 608+644.

[17] 李刚, 孙炜琳, 张华, 等. 基于秸秆补饲的青藏高原草地载畜量平衡遥感监测[J]. 农业工程学报, 2014, 30(17): 200–211.

[18] 秦泗国, 钟国辉, 王景升. 那曲草地气候格局对草地NPP的影响及载畜量研究[J]. 干旱区资源与环境, 2010, 24(07): 159–164.

[19] 乔凯, 郭伟. 青海湖流域植被的净初级生产力估算[J]. 水土保持通报, 2016, 36(06): 204–209.

[20] 郑中, 祁元, 潘小多, 等. 基于WRF模式数据和CASA模型的青海湖流域草地NPP估算研究[J]. 冰川冻土, 2013, 35(02): 465–474.

[21] 朱延龙, 韩昆, 王芳. 青海湖流域气候变化特点及水文生态响应[J]. 中国水利水电科学研究院学报, 2012, 9 (4): 260–266.

[22] 王琪, 陈克龙, 吴成永. 基于GIS的青海湖流域公路交通通达性分析[J]. 云南地理环境研究, 2017, 29(2): 29– 32+56+79.

[23] 蔡国英, 尹小娟, 赵继荣. 青海湖流域人类福祉认知及综合评价[J]. 冰川冻土, 2014, 34(2): 469–478.

[24] RUNNING S W, MU Q, ZHAO M. MOD17A3H MODIS/Terra Net Primary Production Yearly L4 Global 500m SIN Grid V006[DB/OL]. NASA EOSDIS Land Processes DAAC, 2015. https: //doi. org/10. 5067/MODIS/ MOD17A3H. 006.

[25] NASA. MOD17A净初级生产力产品的第3阶段验证准确性声明[DB/OL]. (2014-4-1)[ 2015-11-13] . https: // landval. gsfc. nasa. gov/ProductStatus. php?ProductID= MOD17.

[26] 陈世荣, 王世新, 周艺. 基于遥感的中国草地生产力初步计算[J]. 农业工程学报, 2008, 22(1): 208–212.

[27] 方精云, 刘国华, 徐嵩龄. 中国陆地生态系统的碳循环及其全球意义[A]. 王庚辰, 温玉璞. 温室气体浓度和排放监测及相关过程[D]. 北京: 中国环境科学出版社, 1996: 129–139.

[28] ZENG Chaoxu, WU Jianshuang, ZHANG Xianzhou. Effects of Grazing on Above- vs. Below-Ground Biom-ass Allocation of Alpine Grasslands on the Northern Tibetan Plateau[J]. Plos One, 2015, 10(8): e0135173.

[29] 朴世龙, 方精云, 贺金生, 等. 中国草地植被生物量及其空间分布格局[J]. 植物生态学报, 2004, 28(4): 491–498.

[30] SCARNECCHIA D L. Concepts of carrying capacity and substitution ratios: a systems viewpoint[J]. Journal of Range Management, 1990, 43(6): 553–555.

[31] 陈百明. 中国农业资源综合生产能力和人口承载能力[M]. 北京: 气象出版社, 2001.

[32] 樊江文, 邵全琴, 王军邦, 等. 三江源草地载畜压力时空动态分析[J]. 中国草地学报, 2011, 33(3): 64–72.

[33] 任继周. 草原调查与规划[M]. 北京: 中国农业出版社, 1985.

[34] 中华人民共和国农业行业标准. 天然草地合理载畜量的计算(NY/T635-2002 )[S].

[35] 辛玉春, 李晓明. 海西州草地资源生产力评价[J]. 青海草业, 2016, 25(1): 23–29.

[36] 武彦朋, 陈克龙, 张斐, 等. 青海湖流域典型草地物种丰富度与生产力的关系[J]. 生态学杂志, 2011, 30(7): 1449– 1453.

[37] 龙慧灵, 李晓兵, 黄玲梅, 等. 内蒙古草原生态系统净初级生产力及其与气候的关系[J]. 植物生态学报, 2010, 34(7): 781–791.

[38] 周伟, 王倩, 章超斌, 等. 黑河中上游草地NDVI时空变化规律及其对气候因子的响应分析[J]. 草业学报, 2013, 22(1): 138–147.

[39] 陆晴, 吴绍洪, 赵东升. 1982～2013年青藏高原高寒草地覆盖变化及与气候之间的关系[J]. 地理科学, 2017, 37(2): 292–300.

[40] 武建双, 李晓佳, 沈振西, 等. 藏北高寒草地样带物种多样性沿降水梯度的分布格局[J]. 草业学报, 2012, 21(3): 17–25.

[41] 青海省统计局. 青海省统计年鉴(1985-2017) [M]. 北京: 中国统计出版社, 2017: 279–280.

Estimating grassland yield and carrying capacity in Qinghai Lake Basin based on MODIS NPP data

Wang Qi1,2, Wu Chengyong1,2, Chen Kelong2,*, Zhang Xiao3, ZHANG Lele1,2, Ding Junxia1,2

1. College of Geography, Qinghai Normal University, Xining 810008, China 2. Key Laboratory of Natural Geography and Environmental Processes of Qinghai Province, Xining 810008, China 3. College of Geography and Resource Science, Sichuan Normal University, Chengdu 610101, China

Fast evaluating grassland productivity is critically significant to make a balancing development strategy between grassland and livestock in pastoral areas, as well as promoting the healthy and sustainable development of grassland ecosystems. Based on the NPP products of MODDIS, the grassland productivity was estimated in the Qinghai Lake Basin. The results showed that: (1)Theof the estimated grass yield per unit of alpine meadow, alpine grassland and warm grassland with the highest edible degree of cattle and sheep was 26.15 g•m-2,which indicated that the method could be used to quickly estimate the grassland yield in a regional scale. (2) The annual hay yield in the Qinghai Lake Basin was 1454200 tons, of which 591800 tons could be directly eaten by cattle and sheep; theoretical stock-carrying capacity was 810,700 sheep unit. (3) In the areas below the altitude of 3500 m, the accumulated temperature was the main factor that affected hay production per unit, and their correlation was negative. While above 3500 m, temperature was the main factor; the relationship between the factor of temperature and the hay production per unit was positive. The research results can provide scientific basis and supportive strategies for the planning of livestock production activities and ecological compensation in the alpine regions.

grass yield;grassland productivity; vegetation net primary productivity; Qinghai Lake Basin

10.14108/j.cnki.1008-8873.2019.04.024

S127; S283

A

1008-8873(2019)04-178-08

2018-07-14;

2019-06-26

国家自然科学基金项目(41661023); 国家社会科学基金(14XMZ072); 青海省科技计划项目(2017-ZJ-782)

王琪(1992—), 男, 甘肃平凉人, 现为青海师范大学在读硕士研究生, 主要从事生物地理与自然保护方面研究, E-mail: 1186599488@qq.com

陈克龙, 男, 教授, 博士生导师, 主要从事生物地理与湿地生态方面的研究, E-mail: ckl7813@163.com

王琪, 吴成永, 陈克龙, 等. 基于MODIS NPP数据的青海湖流域产草量与载畜量估算研究[J]. 生态科学, 2019, 38(4): 178-185.

Wang Qi, Wu Chengyong, Chen Kelong, et al. Estimating grassland yield and carrying capacity in Qinghai Lake Basin based on MODIS NPP data[J]. Ecological Science, 2019, 38(4): 178-185.