2000年以来中国潜在植被净初级生产力的时空分布模拟
2023-01-13潘竟虎
毕 凡,潘竟虎
西北师范大学地理与环境科学学院, 兰州 730070
陆地生态系统是一个巨大、庞杂的系统,而碳元素循环在气候变化和环境演化中起着举足轻重的作用,也是陆地生态系统各圈层相互作用、相互影响、相互制约的关键因素[1]。作为陆地碳循环的重要组成部分[2—4],植被净初级生产力(NPP)是绿色植被一定时间内进行光合作用所产生的有机物量减去绿色植被自身的维持呼吸和生长呼吸消耗以后的残余部分[5—6]。NPP是估算陆地生态系统碳源、碳汇以及描述碳循环的重要内容。潜在自然植被的净初级生产力(PNPP)则是指在没有人类干扰的情况下自然植被的净初级生产力,一般认为是人类对于生态环境未造成影响时,自然状态下可能产生的NPP值[7]。对于PNPP的定量评估,有助于理解人类活动对生态系统的影响程度,为实现“碳达峰”“碳中和”目标提供科学依据,为应对气候变化和指导生态系统恢复工作提供重要参考。
目前,国内外已有许多学者对植被PNPP展开了研究,Klemm等[8]利用全球动态植被模型MC2研究了21世纪气候变化对潜在植被类型的影响,并模拟了NPP的时空分布。任正超等[9]基于CSCS(Comprehensive sequential classification system)理论,采用改进的CASA(Carnegie-Ames-Stanford Approach)模型模拟中国潜在自然植被NPP及其时空分布格局,并给出了其对地形和气候的响应模式。潘竟虎[7]等利用分类回归树模型模拟出了中国潜在归一化植被指数(NDVI),用改进的CASA模型模拟了中国PNPP的空间分布。赵军等[10]以综合顺序分类系统为基础,用NPP分类指数模型模拟了内蒙古自治区各植被类型的PNPP,并分析了NPP与气候因子间的关系。唐正宇[1]采用改进的集成生物圈模型(IBIS)模拟了伊犁河流域植被的PNPP,并对人类活动的影响作出分析。总体而言,现今对于PNPP的研究还较为缺乏,在模拟方式和理论基础上均不够成熟,不同学者模拟出的PNPP及其分布格局也存在较大的差异[7]。
目前对PNPP的模拟多借助于实际NPP的估算模型,常见的方法有:(1)以综合顺序分类法模拟潜在植被类型,利用光能利用率模型对植被PNPP进行模拟[9—11]。(2)识别无人为影响点,利用机器学习的方法估算PNPP[12]。(3)利用气候模型或过程模型来模拟PNPP[1,13]。(4)通过改进实际NPP估算模型中的主要参数,达到计算PNPP的目的[7,14],此方法多用于光能利用率模型的改进。CASA模型是计算NPP及PNPP时应用最为广泛的模型,虽然该模型充分考虑到环境条件的差异和植被的特性,但在参数的求算过程中仍然存在以下不足:(1)CASA模型只能在估算光合有效辐射的吸收比例(FPAR)中的比值植被指数最大值(SRmax)时根据不同植被类型来取值,不能很好地反映植被类型与NPP的关系;(2)CASA模型中最大光能利用率(εmax)的取值固定为0.389 gC/MJ,实际上不同植被类型的光能利用率并不相同,最大光能利用率的取值自然也应该有所差异;(3)在CASA模型中水分胁迫系数Wε(x,t)的计算用到了土壤水分子模型,求算过程涉及到大量参数,数据的获取较为困难,并且精度难以保证[15]。基于此,本文引入CSCS法的气候指标,改进CASA模型中水分胁迫因子和最大光能利用率的计算取值,利用潜在叶面积指数(PLAI)估算潜在光合有效辐射的吸收比例(PFPAR),最终模拟出2000—2020年中国PNPP的空间分布,以期提出一种PNPP时空模拟的新视角,丰富人类活动对植被NPP影响的研究,为预测气候变化和人类活动对生态环境的影响提供科学依据,进而为制定合理的生态修复政策提供参考。
1 数据与方法
1.1 数据来源及处理
本文所需气象数据来自于中国气象数据网(http://data.cma.cn/)提供的全国696个气象站点的2000—2020年气象观测数据,采用AMMRR(Analytic method based on multiple regression and residues)[16—17]的插值方法插值为1km分辨率的栅格数据。归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据来自于Level 1 and Atmosphere Archive and Distribution_System(LAADS)网站2000—2020年的MOD13A3数据,空间分辨率为1 km,时间分辨率均为月。地表反射率数据来自于LAADS网站的MOD09A1数据,其空间分辨率为1 km,时间分辨率为8天。数字高程模型(Digital Elevation Model,DEM)数据取自中国科学院资源环境科学与数据中心(http://www.resdc.cn/Default.aspxDEM),空间分辨率为1 km。植被类型数据取自中国1∶100万植被图(https://www.resdc.cn/Default.aspx),空间分辨率为1 km。中国干湿分区矢量边界是由地之图网(http://map.ps123.net/china/11468.html)提供的中国干湿分区图导入ArcGIS,经过几何校正后手动矢量化得到。
1.2 研究方法
1.2.1PNPP的估算方法
本文以CASA模型为基本计算式,在改进了模型中水分胁迫系数和最大光能利用率等参数的基础上,通过毛德华[14]提出的计算潜在光合有效辐射吸收比例(PFPAR)的方法计算出PFPAR,来代替原CASA模型中的光合有效辐射吸收比例(FPAR),从而达到计算PNPP的目的。这种方法的优点在于避免了使用气象模型时过多强调气象数据与植被间的线性关系,从而无法精确估算潜在条件下植被NPP的问题。此外,与基于遥感数据估算的实际NPP相比,解决了空间上数据一致性较低的问题[14]。PNPP的计算式为:
PNPP(x,t)=PFPRA(x,t)×SOL(x,t)×Tε1×Tε2×Wε(x,t)×εmax×0.5
(1)
式中,PFPAR (x,t)为潜在光合有效辐射吸收比例,SOL(x,t) 表示像元x在t月的太阳总辐射量,Tε1和Tε2表示温度对光能利用率的影响,Wε为水分胁迫影响系数,εmax为理想状态下的最大光能利用率,常数0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例。式(1)中主要参数的计算如下:
(1)潜在光合有效辐射吸收比例(PFPAR)计算
本文中的PFPAR是计算PNPP的重要参数,在以往对实际NPP的研究中,FPAR是用NDVI来代表植被生长的状况,但NDVI由于遥感的现势性不能反映出“潜在”的特性,因此本文在改进CASA模型的基础上,采用毛德华使用的PFPAR计算方法[14],计算PFPAR来代替CASA模型中的FPAR,此方法被用来模拟2000—2010年东北地区沼泽湿地植被PNPP时,表现出较好的效果。由于此方法是通过整合VPM(Vegetation photosynthesis model)模型和TEM(Terrestrial ecosystem model)模型子模块得到,而VPM模型和TEM模型都可用于区域和全球尺度的研究,因此本文将其用于中国PNPP的估算。PFPAR的计算式如下:
PFPRA=1-e-k×PLAI
(2)
式中,k取值为 0.5,PLAI为潜在叶面积指数,参数的确定主要依据地表水平衡理论,参考区域大气模型系统中陆面过程方案以及生物圈-大气传输模式,使用水文平衡理论可估算平衡潜在蒸发和降水所需的叶面积,由此产生的叶面积规避了人类活动的影响[18]。PLAI计算式如下:
PLAI=LAImin+fsw×fst×(LAImax-LAImin)
(3)
其中,LAImax和LAImin分别是最大和最小叶面积指数,其值由不同植被类型决定;fst和fsw分别表示土壤温度对植被的影响和土壤水分对植被生长的影响。
土壤水分对植被光合作用的影响参照VPM模型中利用地表水分指数(Land surface water index,LSWI)来计算[14],公式如下:
(4)
式中,LSWImax是各像元LSWI在生长季中的最大值。
地表水分指数LSWI 的计算式如下:
(5)
式中,ρNIR代表近红外波段地表反射率,ρMIR代表中红外波段地表反射率。
温度对植被光合作用的影响系数fst计算式如下:
(6)
式中,T是大气温度(℃);Tmax,Tmin,Topt分别表示各单元生长季(4月—10月)植被光合速率所对应的最高温度、最低温度和最适温度。
(2)水分胁迫系数Wε(x,t) 计算
在CASA模型中水分胁迫系数Wε(x,t)的计算用到了土壤水分子模型,求算过程涉及到大量的参数,数据的获取较为困难,并且精度难以保证。张美玲等[15]在模拟2004—2008年中国草地NPP的研究中,改进了水分胁迫系数,在CASA模型应用中取得了较好的结果,因此,本文引入其对于水分胁迫系数的改进办法,计算式如下:
(7)
L(K)=K+0.906K0.5+0.22
(8)
式中,EET为估算的实际蒸散,PET为潜在蒸散。∑θ为>0℃月积温,K为湿润度指标,计算式如下:
(9)
式中,P为月降水量。
(3)最大光能利用率εmax计算
最大光能利用率εmax的取值参考朱文泉等[19]在模拟中国典型植被光能利用率研究中的取值,如表1所示。
表1 最大光能利用率取值/(gC/MJ)
1.2.2时空变化分析方法
(1)年际变化率
研究时间段内PNPP年际变化率的计算采用最小二乘法实现,计算式如下[20—22]:
(10)
式中,Solpe是2000—2020年PNPPi的年际变化趋势;i代表年份,n代表总年份(n=21),PNPPi代表第i年的PNPP。
(2)稳定性分析
PNPP空间变化的稳定性分析通过变异系数实现[23—24],计算式如下:
(11)
2 结果与分析
2.1 PNPP的空间分布
2000—2020年,中国年均PNPP的空间分布如图1所示。由图1可知,PNPP在空间分布上总体呈现自西北向东南递增的趋势。以400 mm等降水量线为界,位于其东侧区域的PNPP值几乎都大于600 gC/m2,而在其西侧的值则几乎都小于600 gC/m2。PNPP的高值区域(>800 gC/m2)主要集中在降水充沛、气温利于植被生长的大兴安岭、小兴安岭、长白山、华南沿海、东南沿海以及藏南和云南边境地区;贵州、重庆和四川虽然也处于湿润区内,但由于其特殊的地形和气候的影响,夏季潮湿,冬季阴冷,阴天及云雾天气较多,日照时间较短,导致太阳辐射量少,PNPP值不足800 gC/m2。PNPP次高值区主要分布在400 mm等降水量线附近,包括新疆南部、西藏中北部、青海中部、甘肃中南部、宁夏、山西、河北、辽宁、吉林北部、黑龙江南部和内蒙古东北部地区,PNPP值一般在400—800 gC/m2。PNPP低值区主要分布在西北地区,这些地方多沙漠、戈壁,年降水量不足200 mm,植被稀少、气候干燥,植被生产力较低,PNPP值多在0—400 gC/m2之间。新疆的伊犁河谷及阿尔泰山地区、甘肃的祁连山等地存在的特殊地形导致这些地区降水量相对较高,PNPP值也高出其周围地区。按干湿区划来看,干旱区的PNPP值最低,湿润区的PNPP值最高,年均PNPP大小排序为:湿润区(898.84 gC/m2)>半湿润区(808.95 gC/m2)>半干旱区(588.399 gC/m2)>干旱区(335.33 gC/m2)。
图1 2000—2020年中国年均PNPP空间分布Fig.1 Spatial distribution of annual mean PNPP in China during 2000—2020PNPP: 潜在净初级生产力Potential net primary productivity
图2 中国PNPP年均值年际变化 Fig.2 Interannual variation of annual mean value of PNPP in China
2.2 PNPP的年际变化
2000—2020年,中国PNPP年均值为663.62 gC/m2,PNPP年均最高值出现在2013年,为706.19 gC/m2,最低值出现在2020年,为628.41 gC/m2。总体来看,20年间PNPP以年均2.9 gC/m2的速度缓慢增加,但年际波动较大(图2)。
根据模拟的PNPP空间分布,计算2000—2020年栅格尺度上PNPP的年际变化,结果如图3所示。由图3可知,20年间PNPP增加的区域与PNPP减小的区域面积基本相等。PNPP年际变化率在-2—6 gC/m2(基本不变和小幅减少)的面积就占到了全国陆地总面积的68.24%,这说明PNPP的年际变化虽存在一定的波动,但变化幅度总体而言较小。PNPP年际增加的区域占全国陆地面积的50.81%,PNPP显著增加的区域主要分布在两大片区:一是东北地区,包括大小兴安岭、长白山、内蒙古呼伦贝尔和辽宁中东部地区;二是西南地区的川鄂黔交界地区。PNPP年际变化减少的区域则占全国陆地面积的49.19%,PNPP显著减少的区域集中在青藏高原,散布在西北干旱区以及海南岛的南部。
图3 2000—2020年中国PNPP的年际变化率Fig.3 Annual change rate of PNPP in China from 2000 to 2020
2.3 PNPP的空间稳定性
为了探索PNPP在空间上的稳定性,基于像元尺度计算了中国PNPP的变异系数,借鉴前人对变异系数的分级标准[24],将PNPP波动程度划分为五个等级(表2),分析全国植被PNPP的波动变化特征。2000—2020年,中国PNPP变异系数的平均值为0.088,表明中国PNPP的变化整体较小。图4是PNPP变异系数的空间分布,由图4和表2可知,中国大部分地区PNPP的变异系数都较小,变异系数<0.1的低波动地区面积达660.82万km2,占全国总面积的68.87%,说明中国大部分地区的PNPP都处于较为稳定的状态。PNPP中等波动变化(0.1<变异系数≤0.15)和相对较高波动变化(0.15<变异系数≤0.2)的地区主要在青藏高原、长江中上游和华北地区中部,面积分别为245.74万km2和33.93万km2,占全国总面积的25.61%和3.54%。高波动变化(变异系数>0.2)的地区则主要集中在贵州,零散分布在西藏东部和新疆部分地区,所占比例为1.98%。
图4 中国PNPP的变异系数空间分布Fig.4 Spatial distribution of variation coefficient of PNPP in China
表2 中国PNPP的变异系数面积统计
3 讨论
3.1 与相关研究成果比较
目前尚未有普遍认可的PNPP估算方法,相关成果较少。将本文模拟的植被PNPP多年平均值与其他学者的研究结果进行对比(表3):任正超等[9]利用CSCS方法和MODIS数据模拟得到中国1982—2012年自然植被的PNPP平均值为586.74 gC/m2。王玉涛[12]通过识别无人为影响点,估算了2001—2017年中国PNPP,计算出中国PNPP年均值为529.16 gC/m2。潘竟虎等[7]采用分类回归树模型模拟中国潜在NDVI,用改进的CASA和潜在NDVI计算得出中国PNPP多年均值为468.94 gC/m2。张美玲等[11]基于草原综合顺序分类法和CASA模型对中国2004—2008年的PNPP进行了计算,得到中国PNPP年均值为503.8 gC/m2。本文估算出的中国PNPP多年均值为663.62 gC/m2,高于前人的研究结果,其原因可能是本文使用朱文泉[19]模拟的中国植被最大光能利用率,其主要植被类型的最大光能利用率取值基本都大于原式中的固定取值(0.389 gC/MJ),而张美玲等人的研究中其PNPP模拟值是生物量实测值与气象要素实测值之间进行回归后用插值方法获得,受插值方法的限制,其PNPP模拟结果较低[11]。潘竟虎等的研究中由于其数据限制,海南等地的气象站点较少,气温空间化的结果并不理想,整体偏低[7],可能导致模拟出的PNPP值较低。任正超等[9]和王玉涛[12]模拟的结果虽与本文的结果较为接近,但由于采用的估算模型和时间区间不同,导致模拟的结果也不尽相同。
表3 不同学者估算中国PNPP的结果比较
从模拟结果的空间分布上来看,本文计算出的PNPP值海南省最高,为1132.8 gC/m2,其次是台湾、云南和福建,PNPP值分别为1076.5 gC/m2、1030.6 gC/m2和961.1 gC/m2,PNPP值最小的省份是新疆,为323.1 gC/m2,而在任正超等[9]的研究中,全国PNPP值最高的省份是海南省(664.3 gC/m2),其次是福建(520.6 gC/m2)和云南(518.9 gC/m2),最低值同样是新疆(54.6 gC/m2)。
从模拟的PNPP变化趋势来看,本文发现中国自然植被PNPP在年际上总体表现出波动中增加的趋势,这与任正超[9]和张美玲等[11]的研究结果类似,但与赵东升等[25]的研究结果相反。此外,本文模拟出的PNPP最高值在2013年,这与王玉涛[12]的模拟结果一致,这可能是由于2013年全国太阳辐射均值高于其他年份,2020年达到最低。本文发现青藏高原和四川盆地PNPP的波动较高,这是因为青藏高原地处亚洲腹地,区内高寒生态系统极其脆弱,对气候变化的响应极为显著[26]。四川盆地四周相接壤的高原阻隔了盆地内外低层大气的交换,且盆地暴雨频繁,降水强度、持续时间和影响范围年际变化较大[27],致使该地PNPP波动较大。
3.2 研究结果的不确定性
本文中的不确定性主要来自与数据有关的不确定性和模型相关的不确定性两方面。在数据方面,由于植被类型数据更新时间长且可获取的时间有限,因此本文研究的时间序列只选择了2000—2020年,没有进行更长时间序列的分析。受数据获取的限制,中国气象数据网中站点较多的年太阳辐射数据只提供到2016年,本文2017—2020年的太阳辐射数据选择了太阳辐射日值数据集,但其在青藏高原的站点较少,一定程度上影响了太阳辐射的空间化,可能导致估算出的2017—2020年PNPP值整体偏低。在模型方面,CASA模型是依据北美地区植被所建立的,全球各地植被类型差异较大,模型中参数的修改较为困难,本文将CSCS法中的积温和湿润度引入CASA模型水分胁迫系数的计算中,简化了计算过程,但同时也必然会在一定程度上牺牲CASA模型的过程机理优势。此外,本文最大光能利用率的取值借鉴朱文泉等[19]的研究,依据不同的植被类型取值,但其在当时的研究对灌木等的实测数据较少,加之植被分类的精度也可能也会对模拟结果产生一定的影响。在广泛获取高精度数据的基础上,改进最大光能利用率取值,开展更长时间序列的PNPP时空分布研究,深入分析城市化推进、重大生态工程的实施等人类活动对NPP的影响,将是下一步研究的重要方向。
4 结论
本文将CSCS模型中的积温和湿润度计算方法引入CASA模型,改进了模型中水分胁迫系数的计算,利用潜在叶面积指数估算出PFPAR,模拟了中国PNPP的时空分布。主要结论如下:
(1)基于CASA模型模拟PNPP,避免了使用气象模型时过多强调气象数据与植被间的线性关系,从而无法精确估算潜在条件下植被NPP的问题。与基于遥感数据估算的实际初级生产力相比,解决了空间上数据一致性较低的问题。
(2)中国PNPP空间分布差异显著,整体呈现出东南沿海和东北大小兴安岭地区高,西北地区低的分布格局,以400 mm等降水量线为界,其东侧区域的PNPP值大都>600 gC/m2,而其西侧的值则几乎都<600 gC/m2。
(3)2000—2020年,中国PNPP值总体呈现上升趋势,年均PNPP最高值出现在2013年,为706.19 gC/m2,最低值出现在2020年,为628.41 gC/m2。PNPP年际变化小,大部分地区的PNPP空间变化稳定,PNPP变异系数多年平均值为0.088,青藏高原,四川盆地和贵州等地的PNPP波动变化较大。