謝馨瑤,李愛農,靳華安

1 中國科學院水利部成都山地災害與環(huán)境研究所數字山地與遙感應用中心,成都 610041 2 中國科學院大學,北京 100049

森林作為陸地生態(tài)系統(tǒng)的主體,是全球碳循環(huán)的重要組成部分,其碳儲量約占全球陸地總碳儲量的一半[1],是陸地生態(tài)系統(tǒng)中最大的碳庫[2]。森林在碳收支平衡中發(fā)揮著舉足輕重的作用,研究森林生態(tài)系統(tǒng)的碳循環(huán)具有重要意義。

圖1 近15年森林碳循環(huán)研究趨勢Fig.1 Trend of forest carbon cycle research in recent fifteen years

近年來,學者對森林碳循環(huán)研究的關注持續(xù)增高(圖1),國內外發(fā)展了大量的森林碳循環(huán)模型,包括統(tǒng)計模型和過程模型。統(tǒng)計模型[3]可分為氣候相關模型[4]和遙感相關模型[5]。其中,前者基于植被凈初級生產力(Net Primary Productivity,NPP)與氣候因子的相關關系建立回歸方程,例如Miami模型(邁阿密模型)、Chikugo模型(筑后模型)和Thornth-waite Memorial模型(桑斯威特紀念模型)；后者則大多利用遙感光譜指數(如NDVI)與野外實測數據(如NPP、生物量等)間的相關關系進行統(tǒng)計回歸。統(tǒng)計模型簡單直觀,具有較強的區(qū)域適用性,但其完全依賴于地面觀測數據,對于不同的區(qū)域,模型不具有普適性和推廣性。同時統(tǒng)計模型沒有考慮到森林生態(tài)系統(tǒng)碳循環(huán)過程的復雜性,缺乏植被生理生態(tài)理論基礎,無法揭示生態(tài)系統(tǒng)與環(huán)境間的相互影響作用,不能用于對未來森林生態(tài)系統(tǒng)的預測研究。過程模型基于植被生理生態(tài)學理論,綜合考慮碳循環(huán)的動力學特點,集成多個過程,結合氣候、土壤和植被生理生態(tài)參數,能研究森林生態(tài)系統(tǒng)與大氣間的相互作用。因此,過程模型以其完整的理論框架、嚴謹的結構分析和清晰的過程機理,逐漸占據了主導地位。

本文回顧了大尺度森林碳循環(huán)過程模擬模型,將此類模型劃分為地球化學過程模型、陸面物理過程模型和生物過程模型等3類分別綜述。詳細介紹各類模型在森林生態(tài)系統(tǒng)碳循環(huán)模擬中的應用現狀,同時探討森林碳循環(huán)模擬研究中的問題和發(fā)展趨勢,旨在為不同空間尺度下森林生態(tài)系統(tǒng)碳循環(huán)模擬模型的選擇提供參考。

1 模型概述

目前,已有大量的大尺度過程模型對森林生態(tài)系統(tǒng)碳循環(huán)過程進行模擬。王萍[6]將此類模型分為基于靜態(tài)植被的生物地球化學模型、陸面生物物理模型、生物地理模型和基于動態(tài)植被的生物地球化學模型、陸面生物物理模型、動態(tài)植被模型。在此基礎之上,王紹剛等[7]將大尺度森林碳循環(huán)過程模擬模型分為靜態(tài)植被的模型、動態(tài)植被的模型和過程耦合模型。然而,無論是靜態(tài)植被的模型還是動態(tài)植被的模型,其對碳循環(huán)過程的模擬并沒有本質的區(qū)別。只是靜態(tài)植被的模型中不考慮實際環(huán)境對植被的影響,而動態(tài)植被的模型中植被的類型、組成和結構依賴于氣候和土壤條件,隨著時間發(fā)生變化。生態(tài)系統(tǒng)是由物理-化學-生物組分在一定的時空范圍內相互作用的過程所組成[8]。因此,根據模型側重考慮的生態(tài)過程類型,本文將大尺度森林碳循環(huán)過程模擬模型劃分為地球化學過程模型、陸面物理過程模型和生物過程模型分別綜述。其中,考慮到模型本身的特點,將地球化學過程模型和陸面物理過程模型進一步分為以靜態(tài)植被為基礎的模型和以動態(tài)植被為基礎的模型,生物過程模型分為光能利用率模型、生物地理模型和動態(tài)植被模型,這些模型的輸入要求、輸出特點、時空尺度、模擬側重點均有不同(表1)。

2 地球化學過程模型

地球化學過程模型綜合考慮氣候、土壤條件和干擾因素,側重于分析植被、地面凋落物和土壤有機質內部及其相互之間重要元素(如碳、氮、水等)的循環(huán)機制,可用于模擬森林碳收支、植被生產力、以及養(yǎng)分利用等。地球化學過程模型模擬現實植被在區(qū)域尺度上的碳收支時具有優(yōu)勢,根據是否考慮植被的動態(tài)變化,其可分為靜態(tài)植被的模型和動態(tài)植被的模型。

2.1 以靜態(tài)植被為基礎的地球化學過程模型

以靜態(tài)植被為基礎的地球化學過程模型假設模擬過程中植被和土壤類型不變,以及植被在區(qū)域內均勻分布。該模型在模擬較長時間的碳循環(huán)過程時可能與實際情況存在較大差異,只能反映一個地區(qū)的頂級植被類型[103],代表性模型有CENTURY模型、Biome-BGC模型(Biome-BioGeochemical Cycles, Biome-BGC)、BEPS模型(Boreal Ecosystem Productivity Simulator, BEPS)、InTEC模型(Integrated Terrestrial Ecosystem Carbon-budget Model, InTEC)等。

CENTURY模型[9]是以土壤的結構功能為基礎的碳、氮、磷、硫元素的模擬模型,包含生物模塊、土壤有機質模塊和水分模塊,結合氣候(氣溫、降雨等)、人類管理活動(放牧、施肥、灌溉、砍伐、火燒等)、土壤性狀等驅動因子對生態(tài)系統(tǒng)的碳循環(huán)過程進行模擬和預測[10]。CENTURY模型起初應用于美國大平原草地生態(tài)系統(tǒng),由于其考慮了植物的生理生態(tài)過程,能夠模擬森林生態(tài)系統(tǒng)在全球變化背景下的響應[11],學者也將該模型應用于區(qū)域尺度的森林生態(tài)系統(tǒng)[12-16]。盡管CENTURY模型已廣泛用于森林生態(tài)系統(tǒng)碳循環(huán)過程模擬,但有研究指出,CENTURY模型在對有枯枝落葉層的森林土壤有機碳的變化模擬過程中存在嚴重的結構性問題[17]。CENTURY模型時間分辨率為1個月,難以模擬短時間尺度內的極端氣候事件,同時該模型缺乏對光合作用過程的精細化模擬。

Biome-BGC模型[18]是由美國Montana大學 NTSG(Numerical Terradynamic Simulation Group)研究組創(chuàng)建的用于模擬生態(tài)系統(tǒng)中碳、氮、水的流動和存儲的過程模型,其前身是Forest-BGC模型[19],時間分辨率為日。Biome-BGC模型將植被分為7類,該模型包含兩個模式：spin-up模式根據設定的生理生態(tài)參數、固定氣象資料、工業(yè)革命前CO2濃度值和氮沉降值進行長期模擬,使模型的狀態(tài)變量達到穩(wěn)定；常規(guī)模式則是運用實際的氣候和CO2濃度來模擬森林生態(tài)系統(tǒng)碳循環(huán)過程。Biome-BGC模型因具有模擬現實植被在區(qū)域尺度上對氣候變化響應的優(yōu)勢而被廣泛應用[20-24]。但有學者指出其土壤水平衡模塊在長時間無降水的情況下存在缺陷[25],且沒有考慮干擾因子(如火災、病蟲害等)的影響,眾多的輸入參數也限制了該模型在更大尺度范圍內的應用[18]。

表1 大尺度森林碳循環(huán)過程模型特征比較Table 1 Comparisons among representative models for forest carbon cycle on a large scale

P代表“需要”或“可以”或“是”,O代表“不需要”或“不可以”或“否”

BEPS模型[26]是在Forest-BGC過程模型[19]的基礎上發(fā)展起來的生態(tài)遙感耦合模型,常用于模擬生態(tài)系統(tǒng)中碳、水的循環(huán)過程。該模型時間分辨率為日,最初應用于加拿大北方森林生態(tài)系統(tǒng)。BEPS模型引入了先進的輻射傳輸理論和精細的光合作用模塊,將植被冠層葉片分為光照葉片和陰影葉片,分別模擬兩種葉片的光合作用過程。該模型利用Farquhar模型[27]進行時空轉換,從而解決了不同數據源不同類型數據的兼容問題,以及應用遙感數據時的時空尺度轉換難題[28]。BEPS模型不僅在國外開展了對森林生態(tài)系統(tǒng)碳循的研究[26,28],在國內也有廣泛的應用,包括區(qū)域尺度[29-31]和全國尺度[32]的模擬研究。但BEPS模型沒有考慮現實生活中的各種擾動因子及林齡對森林生態(tài)系統(tǒng)生產力的影響,其模擬精度強烈依賴于土地覆被類型等驅動因子的準確性。更有研究[33]指出在干旱和半干旱區(qū)域,其水循環(huán)模塊存在不足。

InTEC模型[34]是目前唯一同時考慮氣候、林分年齡及森林擾動(如林火、木材收獲、病蟲害等)對碳循環(huán)影響的過程模型,時間分辨率為月。InTEC模型包含4個核心模塊：模擬碳氮循環(huán)的CENTURY模型、模擬葉片光合作用的Farqhuar模型、模擬土壤濕度和溫度的三維水文模型,以及NPP與林分年齡之間的經驗模型。InTEC模型常用于長時間序列的區(qū)域及全球森林系統(tǒng)碳循環(huán)過程模擬,其已成功模擬加拿大森林[35-39]和美國森林[40]長時間序列的碳循環(huán)過程,學者也利用該模型對小興安嶺[41]、江西省[42]、潘陽湖流域[43]以及全國尺度[32,44-46]的森林生態(tài)系統(tǒng)展開了研究。InTEC模型依賴于模型輸入參數中參考年NPP值,且NPP與林分年齡之間的經驗關系對模型精度的影響較大[32],同時該模型也沒有考慮土壤濕度變化引起的冠層傳導率對碳循環(huán)模擬的影響[44]。

2.2 以動態(tài)植被為基礎的地球化學過程模型

以動態(tài)植被為基礎的地球化學過程模型假設植被類型的分布特征由氣候和土壤條件決定,以及植被分布與氣候條件一直處于平衡狀態(tài)且不存在滯后效應。該模型根據環(huán)境條件預測植被狀態(tài),使每個時刻植被的組成特征和結構更真實。以動態(tài)植被為基礎的地球化學過程模型能夠處理中長期氣候變化下生態(tài)系統(tǒng)結構和組成的變化問題,代表性模型有DLEM模型(Dynamic Land Ecosystem Model,DLEM)。

DLEM模型[47]是多影響因子驅動、多元素耦合的用于模擬陸地生態(tài)系統(tǒng)碳、氮、水循環(huán)的過程模型,其綜合考慮了地球化學過程和植被動態(tài)過程,時間分辨率為日。DLEM模型主要包含生物物理模塊、植物生理模塊、土壤地球化學模塊、植被動態(tài)模塊以及土地利用管理模塊等5個核心模塊。其中,植被動態(tài)模塊主要用于反映現實環(huán)境下植被地理再分布以及植被的競爭和演替過程,土地利用管理模塊則用于模擬土地利用變化對其他4個模塊的影響。DLEM模型常用于定量模擬大氣環(huán)境變化以及人為干擾等多種因素影響下陸地生態(tài)系統(tǒng)碳循環(huán)過程,已在中國[48-50]、北美[51]、南美[52,53]、墨西哥[54]等區(qū)域展開了研究,但模型所需的大量不同類型的參數限制了其更廣泛的應用。

3 陸面物理過程模型

陸面物理過程模型重視不同大氣環(huán)境條件下(氣溫、氣壓、風速、輻射等)植被與外界的能量和動量交換過程,可揭示森林生態(tài)系統(tǒng)覆蓋變化和區(qū)域氣候之間的密切關系。與地球化學過程模型類似,陸面物理過程模型可進一步分為靜態(tài)模型和動態(tài)模型。

3.1 以靜態(tài)植被為基礎的陸面物理過程模型

以靜態(tài)植被為基礎的陸面物理過程模型假設在模擬過程中植被類型、組成和結構保持不變,綜合考慮不同環(huán)境背景下植被冠層對不同波段光譜的反射、吸收、散射、透射等復雜過程以及冠層蒸散發(fā)等過程,其代表性模型有AVIM模型(Atmosphere-Vegetation Interaction Model, AVIM)和SiB(Simple Biosphere Model, SiB)模型。

AVIM模型[55]是由季勁鈞發(fā)展起來的大氣-植被相互作用模式,耦合了陸面物理過程和植被生理生態(tài)過程,其包含物理交換子模塊、植物生長子模塊和物理參數轉換模塊。其中,物理交換子模塊基于土壤-植被-大氣連續(xù)體內能量和質量守恒原理調整模型狀態(tài)量,即根據熱量平衡方程計算植被冠層、土壤、雪蓋的溫度變化,用質量守恒理論模擬植被冠層、土壤的水分變化[56,57]。植物生長子模塊涵蓋了植物光合、呼吸過程、分配、凋落以及物候過程,主要研究溫度、水分、CO2濃度等因子對植物生長過程的影響[55]。AVIM模型在中國長白山森林生態(tài)系統(tǒng)做了模擬試驗[55],同時能夠較好的模擬區(qū)域及全球尺度上陸地生態(tài)系統(tǒng)的能量傳輸過程以及NPP[58],并加入了國際生態(tài)模式資料比較計劃。AVIM模型假設植被與環(huán)境一直處于平衡狀態(tài),沒有考慮種間競爭,演替過程以及營養(yǎng)限制對植被的影響,這可能與實際情況存在較大差異。

SiB系列模型以能量、動量、物質守恒定律為基礎,模擬土壤-植被-大氣間的相互作用過程以及該過程中的諸多參數[59]。SiB1模型是Sellers等[59]建立的以物理機制為基礎的第一代簡單生物圈模型。在SiB1的基礎上,Sellers等[60]增加了冠層光合作用子模型,并引入遙感數據(如葉面積指數、光合有效輻射、綠色冠層比)來描述植被狀態(tài)和物候期[61],同時調整了水文子模塊使其能更準確地模擬土壤內的水分交換過程,即SiB2模型。SiB3模型[62,63]在SiB2模型的基礎上引進了冠層空隙層和通用陸面模式的土壤輪廓線參數化方案,同時區(qū)分了光照冠層和陰影冠層。SiB系列模型重點考慮了生物物理反饋過程,對CO2、溫度、蒸散發(fā)及能量平衡的模擬效果較好[64-66],但其忽略了土壤水分的側向流動、植被形成的小氣候影響以及水脅迫、土壤呼吸和葉片到冠層的尺度變化[64]。

3.2 以動態(tài)植被為基礎的陸面物理過程模型

以動態(tài)植被為基礎的陸面物理過程模型強調了氣候與植被之間的相互影響：一方面,氣候條件在短時間內影響植被的物候、葉面積指數等特征,隨著時間的增長,也會對植被的類型、結構和組成等帶來影響；另一方面,植被對氣候的反饋作用主要表現在其水文效應和溫度效應上,即在一定條件下植被能夠改變地表徑流、土壤水、地下水以及蒸散發(fā)之間的分配情況,同時植被也可通過影響地表反照率進一步影響下墊面溫度。以動態(tài)植被為基礎的陸面物理過程模型作為陸面植被與氣候的雙向耦合模型[104],體現了碳循環(huán)模擬過程的復雜性,代表性模型是IBIS模型(Integrated Biosphere Simulator, IBIS)。

IBIS模型是Foley等[67]建立的集成生物圈模型,其包含5個主要模塊：陸面過程模塊引入LSX陸面?zhèn)鬏斈Ｐ蚚68-70]模擬土壤-植被-大氣連續(xù)體內能量、動量、化學物質的循環(huán)過程；冠層生理模塊基于Farquhar光合作用模型和Ball-berry氣孔導度模型[71]描述植被冠層的生理生態(tài)過程；植被物候模塊研究不同氣候條件下特定植被類型的生理物候特征[72],如冬落葉植物根據積溫和氣溫閾值確定萌芽和落葉時間；植被動態(tài)模塊將植被看做15種植被功能型的集合,模擬不同植被功能型間的競爭與演替；土壤地球化學模塊使用Century模型模擬各個碳庫間化學物質的流動過程。IBIS模型綜合考慮了地球化學過程、地球物理過程和植被動態(tài)過程,能夠耦合大氣環(huán)流模式,常用于模擬復雜的、時間跨度從秒到數百年的碳循環(huán)過程。當前,IBIS模型在國內外均有廣泛的應用,包括區(qū)域尺度[73-75]和全球尺度[76-77]的研究。但IBIS模型所需的大量不同類型的參數限制了其更廣泛的應用,模型中對降水截留過程的模擬也存在缺陷[78]。同時,Kuchark等[79]指出IBIS模型不適用于模擬精細的生態(tài)學過程,固定不變的呼吸系數和溫度函數容易造成誤差。

4 生物過程模型

生物過程模型以植被為中心模擬森林生態(tài)系統(tǒng)的碳循環(huán)過程,包括光能利用率模型、生物地理模型和動態(tài)植被模型。光能利用率模型常用于研究不同環(huán)境因子對生態(tài)系統(tǒng)的生產力分布特征的影響,生物地理模型和動態(tài)植被模型則側重于分析不同環(huán)境條件下植被的結構組成、分布特征以及動態(tài)變化等。

4.1 光能利用率模型

光能利用率模型首先假設在適宜的環(huán)境條件下,植被的光合作用能力取決于植被冠層吸收的光合有效輻射的量,同時植被以一個固定的比例(潛在最大光能利用率)將太陽能轉化為化學能。此類模型側重于考慮植被的光合作用過程,其通過光合有效輻射和光能利用率等因子估算植被生產力,代表性模型有GLO-PEM模型[105]、CASA模型[106]和SDBM模型[107]。光能利用率模型作為遙感數據驅動模型,植被潛在最大光能利用率作為此類模型的重要參數,受多種環(huán)境因素影響[108]。目前,此類模型通常僅刻畫了水分、溫度、物候等因素對光能利用率的影響,而未考慮散射輻射、直接輻射等其他因素[109]。有研究[110]通過全球157個通量觀測站點數據驗證7個光能利用率模型的模擬精度,發(fā)現此類模型在模擬日尺度上常綠闊葉林和灌木的生產力時表現出較低的精度,同時大部分模型在陰天時存在低估現象。

4.2 生物地理模型

生物地理模型以植被生理限制為基礎,將生態(tài)系統(tǒng)看作是氣候和土壤相關的函數,以氣候-植被分類為指標,主要用于模擬不同環(huán)境條件下不同植被的結構組成、分布情況以及優(yōu)勢度。模型首先假設植被與氣候在模擬過程中處于平衡狀態(tài)且不存在滯后效應,以及氣候因子決定植被的分布和特征。該模型以生理生態(tài)制約因子和資源限制因子為邊界條件模擬植被與氣候間的相互作用。其中,生理生態(tài)制約因子通過計算植被生長期長度、冬季最低溫度等變量得到,用于決定主要木本植被的分布特征；資源限制因子則決定了植被的結構特征,如葉面積等。生物地理模型常用于研究大尺度上全球植被的分布情況,但是區(qū)域尺度上其模擬結果可能與實際情況不符合[111],另一個缺陷是在環(huán)境變化的速度超過了植被響應速度時,不能模擬植被變化的時間過程[112]。生物地理模型的典型代表有Biome系列模型和MAPSS模型(Mapped Atmosphere-Plant-Soil System, MAPSS)。

Biome系列模型將自然植被劃分為不同的生物群區(qū),在不同環(huán)境條件下每個生物群區(qū)內有一個或多個優(yōu)勢植被類型[80]。Biome1模型[89]將植被分為13個植被功能型,根據不同植被類型分布的生理限制條件,模擬產生了17個生物群區(qū),用于模擬區(qū)域尺度上植被的空間分布格局和潛在碳儲量[81-82]。由于Biome1 的結構簡單,無法預測定量的生態(tài)系統(tǒng)特征,Biome2模型為了彌補Biome1的缺陷,引入了地球化學方法計算生態(tài)系統(tǒng)中碳、水通量[83]。Biome2模型能夠在全球尺度上模擬植被的分布和一些定量指標,如NPP、植物葉片投影蓋度等。Biome3模型[84]在Biome2的基礎上結合了生物地理和地球化學方法,嘗試將植被分布直接耦合到地球化學過程中。Biome3模型能夠模擬出全球尺度上生態(tài)系統(tǒng)總葉面積指數、NPP,以及優(yōu)勢次要功能型植被等,但是仍缺乏明確的碳氮循環(huán)和自然干擾制度。Biome系列模型在國際上常用于評價區(qū)域及全球尺度上環(huán)境變化對植被的影響和模擬植被的分布特征及其對氣候的影響[85-86],學者也使用Biome3模型研究了全國植被的凈第一生產力和分布情況[87]、中國東北樣帶降水梯度上植被的分布和NPP[88]等。

MAPSS模型[90-91]通過模擬植被的葉形態(tài)(針葉、闊葉)、葉壽命(常綠、落葉)、生活型(喬、灌、草)、植被所獲熱量和植被葉面積指數來決定植被類型,側重于植被冠層輻射傳輸和水分傳輸等過程,用于模擬全球潛在自然植被的分布情況。MAPSS模型首先通過季節(jié)性溫度等熱量指標確定網格所處的氣候帶,再根據生態(tài)過程計算葉面積指數,并以此來決定該網格處的植被生活型類別,最后以氣候帶和植被生活型的組成來判別其植被類型。MAPSS模型已成功應用于美國大陸主要植被邊界的模擬,學者趙茂盛也使用通過對該模型的改進模擬了氣候變化對中國植被的影響[92]。

4.3 動態(tài)植被模型

動態(tài)植被模型側重于模擬植被的動態(tài)變化過程：在不同的環(huán)境背景下,某些植被特征(葉面積指數、物候)在短時間尺度上逐漸發(fā)生變化,隨著時間的增長,一些植被特征(類型、結構、組成等)也會發(fā)生變化。此類模型同時耦合了物質(如水、碳等)的循環(huán)過程以及地球物理過程,其代表性模型是LPJ系列模型(Lund-potsdam-Jena Model, LPJ)。

LPJ系列模型是建立在Biome3模型基礎上的動態(tài)植被模型,耦合了碳、水循環(huán)過程和植被動態(tài)過程。由于Biome系列模型沒有考慮植被的動態(tài)過程,LPJ-DGVM模型[93](Lund-potsdam-Jena Dynamic Global Vegetation Model, LPJ-DGVM)應運而生,其以植被光合作用、植被冠層能量平衡、土壤水平衡和異速生長等原則為基礎,涵蓋了植物生理過程(光合作用、呼吸作用)、地球化學過程(碳、水循環(huán))和地球物理過程(植被冠層能量交換過程),模型引入了火災機制,常用于模擬大尺度上的碳循環(huán)過程。LPJ-GUESS模型[94]則耦合了LPJ-DGVM模型和模擬植物種群動態(tài)過程的GUESS模型,細化到物種個體水平的模擬,可以在多種尺度(物種、群落、生態(tài)系統(tǒng)、景觀以及全球尺度)上對森林生態(tài)系統(tǒng)的結構和功能進行模擬。LPJ系列模型在歐洲和北美區(qū)域應用廣泛[95-98],同時也有學者將該模型應用于國內[99-102],但是該模型沒有考慮氮循環(huán)過程、人為干擾因素以及土地利用變化帶來的影響[102]。

5 問題與展望

5.1 存在的問題

森林生態(tài)系統(tǒng)較為復雜,涵蓋多個生態(tài)過程,如陸面物理過程、地球化學過程、不同植被類型的生理過程等。從現狀來看,森林碳循環(huán)過程模擬仍存在一些問題,有待進一步完善。

5.1.1 模型校準

碳循環(huán)過程模型的可用性很大程度上依賴于模型校準,常用的方法主要有人工校準和自動校準兩類。目前,模型中的部分參數可以在文獻中找到,如J?rgensen等[8]收集了生態(tài)建模過程中的約120000個參數。對于模型的關鍵參數也可以通過實驗測定的方法獲取。針對一個特定的研究區(qū)域,通過查找文獻方法通常只能獲取相對合理的參數取值區(qū)間,人工校準仍需要進一步的手動調參過程。人工校準需要豐富的先驗知識,比較耗時,這也是限制復雜的過程模型廣泛應用的重要因素之一。近年來發(fā)展的一些模型自動校準算法能夠大大降低模型校準的成本,如SCE-UA法、SP-UCI法等。隨著森林碳循環(huán)過程研究的深入發(fā)展,過程模型的復雜程度也相應提高,如何在高維參數空間內求解最優(yōu)參數仍是一大難題。

5.1.2 敏感性分析

隨著碳循環(huán)過程模型的發(fā)展,其參數敏感性分析越來越重要。碳循環(huán)過程模型一般擁有大量的參數,而對于一個特定的研究區(qū)域,其關鍵參數是有限的。參數敏感性分析常用于區(qū)分模型參數的重要性,以及評價模型參數誤差對模擬結果產生的影響,包括局部敏感性分析和全局敏感性分析[113]。局部敏感性分析計算簡單、易操作,但其沒有考慮模型參數之間的相互作用對模擬結果的影響,同時其他參數的取值變化也有可能影響該參數的敏感性分析結果。與局部敏感性分析相比,全局敏感性分析不僅能夠檢驗單個參數對模型模擬結果的影響程度,還能分析參數之間的相互作用對結果的總影響,但其計算較復雜、耗時。近年來,學者提出的局部敏感性分析方法較多,而全局敏感性分析相對較少[114]。針對復雜的森林碳循環(huán)過程模擬研究,發(fā)展可靠的全局敏感性分析方法是研究趨勢之一。

5.1.3 模型驗證

目前,對大尺度森林生態(tài)系統(tǒng)碳循環(huán)過程的模擬結果進行驗證主要有2種方法：(1)將模擬結果與實測數據進行比較,其需要獲取與研究區(qū)域相匹配的、同一時期的實測數據。然而森林生態(tài)系統(tǒng)碳通量觀測網的覆蓋范圍仍然有限[115],只能為部分研究結果提供驗證。同時不同方法觀測的碳通量值仍存在差距。例如,Xu等[116]分別使用測樹學和渦度協方差法估計全球森林生態(tài)系統(tǒng)的NEP,發(fā)現渦度協方差法對森林碳匯估計值明顯高于測樹學。(2)與其他模型的模擬結果進行交叉驗證,即將同一時期、同一研究區(qū)的模型模擬結果與其他模型的模擬結果進行對比分析。交叉驗證的成本較低,在沒有充足的實測數據時,可以評價模型的模擬結果,但驗證精度強烈依賴于參照模型模擬值的準確性。

5.1.4 地形效應

地形可以通過多種方式影響碳循環(huán)過程,尤其在山地區(qū)域存在顯著的地形效應,如小氣候變化、植被的異質性以及水分和營養(yǎng)物質的側向遷移等[117]。森林生態(tài)系統(tǒng)碳循環(huán)過程模型中,地形效應主要體現在兩方面。一方面是地形對驅動數據的影響,例如,Sun等[31]使用BEPS模型模擬NPP時,分別使用考慮地形效應和不考慮地形效應的氣象因子驅動模型,分析發(fā)現,考慮氣象因子的地形效應能夠有效提高NPP的模擬精度。另外一方面是地形對碳循環(huán)過程模擬的影響,例如,Govind等[118]考慮水循環(huán)過程中土壤水分的側向遷移,在BEPS模型中耦合了TerrainLab模型,有效改善了該模型在地形顯著區(qū)域的模擬能力。

5.1.5 尺度效應

觀測尺度、模型尺度和地表過程尺度內部及其之間的不匹配,可能會對碳循環(huán)過程的模擬得出截然不同的結論[119]。在森林碳循環(huán)過程模型中,其驅動數據包括遙感觀測數據和地面觀測數據,如何將多尺度的遙感觀測數據與地面觀測數據相結合,仍然是碳循環(huán)過程模擬研究的一大難題。特別是在模型驗證時,如何將地面觀測網的站點數據升尺度到像元尺度,這也是當前碳循環(huán)過程模擬研究中需要解決的問題。同時,觀測數據與模型的適用尺度間以及多模型耦合時也可能存在尺度不匹配問題,需要進一步的研究。

5.1.6 不確定性分析

使用模型模擬大尺度森林生態(tài)系統(tǒng)的碳循環(huán)過程具有不確定性,根據其來源可以分為機制存在的不確定性、模型模擬過程的不確定性以及觀測數據的不確定性。

(1) 碳循環(huán)機制存在的不確定性

目前,人們對碳循環(huán)機制的認識尚存在局限性,特別是對碳源和碳匯的分析研究仍需要進一步的發(fā)展。由于在連續(xù)的長時間序列上對碳通量的網絡監(jiān)測建設相對比較薄弱,目前也無法確定在當前全球變暖的背景下,森林生態(tài)系統(tǒng)是否通過自身調節(jié)來提高碳匯能力。因此,由于碳循環(huán)機制的不確定性,森林碳循環(huán)過程模型中對于一些機理性問題,常采用經驗關系來解決,這是不確定性的來源之一。

(2) 模型模擬過程的不確定性

模型是對森林生態(tài)系統(tǒng)碳循環(huán)過程的簡化,其可能包含相對重要的組分和過程,但仍然不能解決所有的細節(jié)問題。模型的不確定性可進一步分為3類[120]：(1) 模型參數的不確定性,其具有強烈的時空異質性。一般來說,在模型運行的網格尺度上,模型的一個參數是多個植被類型的代表值；(2) 模型狀態(tài)的不確定性,即模型運行過程中的狀態(tài)量隨著時間發(fā)生變化。如土壤的含水量在微觀上可測,但在網格尺度上仍然具有中等程度的空間異質性；(3) 邊界條件的不確定性,即碳循環(huán)過程模型中的大氣驅動要素。大氣驅動的空間異質性相對較弱,但時間變化強烈,其代表的區(qū)域常常比模型參數和模型狀態(tài)量都要大。大氣驅動與模型參數、模型狀態(tài)量間空間代表的不一致性也增加了模型的不確定性。因此,由于影響碳循環(huán)過程的參數、模型狀態(tài)量、邊界條件具有較高的時空異質性,將微觀尺度上的生態(tài)過程推繹到宏觀尺度(如網格尺度)有可能導致模擬值和真實值的差異。

(3) 觀測數據的不確定性

近年來,遙感數據被廣泛地用于反演地表參量,彌補了地面觀測網的不足[121]。然而,無論是地面觀測還是遙感觀測,都具有很大的不確定性。當儀器誤差很小時,地面觀測也只能獲取觀測時刻的“真值”,同時其空間代表性也存在著較大的不確定性[122]。在大尺度森林碳循環(huán)過程模擬研究中離不開遙感觀測的參與。但遙感觀測只是碳循環(huán)過程的間接觀測量,無論是反演值還是依靠模型間接估算的地表參量,都存在較大的不確定性。同時,地面觀測與遙感觀測都是瞬時值,將其應用于模擬時空連續(xù)的地表過程,其不確定性可能通過復雜的誤差傳遞過程最終影響碳循環(huán)過程的模擬結果。

5.2 展望

本文分類論述了森林碳循環(huán)過程模型的研究現狀,對代表性模型進行了詳細的介紹,并討論了其優(yōu)缺點和應用現狀。同時,探討了森林碳循環(huán)過程模型的問題及發(fā)展趨勢：

(1)地球化學過程模型側重于模擬植被、地面凋落物和土壤有機質內部及其相互之間重要元素的循環(huán)過程,具有模擬現實植被在區(qū)域尺度上的碳收支優(yōu)勢。其中,相比于動態(tài)植被的地球化學過程模型,靜態(tài)植被的地球化學過程模型不能夠模擬植被類型的變化以及植被演替過程。然而,無論靜態(tài)植被的模型還是動態(tài)植被的地球化學過程模型都無法分析森林生態(tài)系統(tǒng)對氣候的反饋作用。

(2)陸面物理過程模型重視不同大氣環(huán)境條件下植被與外界的能量和動量交換過程,能夠在短時間尺度上對森林碳循環(huán)過程進行模擬,更能解釋森林碳循環(huán)過程的復雜性。其中,以動態(tài)植被為基礎的陸面物理過程模型(如IBIS模型)作為陸面植被與氣候的雙向耦合模型[104],在重視能量/動量的交換過程基礎上,耦合了地球化學過程和植被變化過程。該模型不僅能夠模擬植被演替過程、碳收支以及蒸散發(fā)過程,還能分析森林生態(tài)系統(tǒng)與環(huán)境條件的相互影響作用。

(3)光能利用率模型常用于研究生態(tài)系統(tǒng)的生產力分布特征,主要考慮了環(huán)境因子對植被光合作用過程的影響,不能從植被生理生態(tài)學的角度解釋森林生態(tài)系統(tǒng)的碳循環(huán)機制。生物地理模型以植被生理限制為主要理論依據,常用于模擬全球尺度的植被分布情況,但由于其涵蓋的生態(tài)過程較少,無法揭示森林生態(tài)系統(tǒng)與環(huán)境間的反饋作用,近年來應用較少。動態(tài)植被模型(如LPJ系列模型)側重于植被的動態(tài)變化過程,同時耦合了物質(如水、碳等)的循環(huán)過程以及地球物理過程。相比于地球化學模型和生物地理模型,動態(tài)植被模型的機制更全面,能夠模擬植被演替過程、碳收支、蒸散發(fā)過程以及植被對大氣的反饋作用。

通過綜述比較,本文指出在不考慮植被對大氣的反饋作用時,地球化學過程模型適合模擬現實植被在區(qū)域尺度上的碳收支,生物地理模型則適合于研究全球尺度的植被分布特征。而在當前全球變化的背景下,重視植被與大氣環(huán)境間的相互影響作用。為了滿足森林碳循環(huán)過程研究的多種目的,如對碳收支情況、蒸散發(fā)過程、植被演替過程以及植被對大氣的反饋作用的模擬,以動態(tài)植被為基礎的陸面物理過程模型和動態(tài)植被模型則是未來森林碳循環(huán)過程模型的主流研究方向。

森林碳循環(huán)過程的模擬需要系統(tǒng)的研究。首先,加強不同環(huán)境條件下不同植被類型生理生態(tài)參數的研究,實現標準化測定,減少參數本地化帶來的模擬誤差。其次,深入研究多種因素對碳循環(huán)過程的影響,以此來構建合理化的模型機制,考慮到碳循環(huán)過程的復雜性,對現有的模型進行改善,嘗試將多種模型過程進行耦合,提高模型模擬的精度。第三,加強與氣候模型的結合,進一步研究森林生態(tài)系統(tǒng)與大氣間的相互作用,從而獲得更完善的環(huán)境反饋機制。第四,在模型應用時引入多時相、多傳感器的遙感數據及其產品,如葉面積指數產品、森林火燒數據產品等,這是森林碳循環(huán)模型的發(fā)展趨勢之一。最后,數據同化作為一種集成多源空間數據的新方法[123],能夠高效利用多種數據,盡可能減少和控制數據本身及模型模擬過程中所產生的誤差。因此,將數據同化方法應用于森林碳循環(huán)模擬中,提高模型的模擬精度,這也是今后的研究重點。

[1] Canadell B. Contribution to accelerating atmospheric CO2// Growth From Economic Activity, Carbon Intensity, and Efficiency of Natural Sinks. Proc.Natl.2010.

[2] Watson R T, Noble I R, Bolin B B. Land Use, Land Use Change and Forestry. Cambridge: Cambridge University Press, 2000: 156-159.

[3] 王繼燕, 李愛農, 靳華安. 濕地植被凈初級生產力估算模型研究綜述. 濕地科學, 2015, 13(5): 636-644.

[4] Zaks D P M, Ramankutty N, Barford C C, Foley J A. From Miami to Madison: Investigating the relationship between climate and terrestrial net primary production. Global Biogeochemical Cycles, 2007, 21(3): GB3004.

[5] Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 2003, 86(4): 542-553.

[6] 王萍. 森林碳循環(huán)模型概述. 應用生態(tài)學報, 2009, 20(6): 1505-1510.

[7] 王紹剛, 何國金, 劉定生, 汪小欽. 森林碳循環(huán)模型方法研究進展. 科技導報, 2008, 26(9): 72-77.

[8] J?rgensen S E, Bendoricchio G. Fundamentals of Ecological Modelling. 3rd ed. Amsterdam: Elsevier, 2001: 8-70.

[9] Parton W J, Stewart J W, Cole C V. Dynamics of C, N, P and S in grassland soils: a model. Biogeochemistry, 1988, 5(1): 109-131.

[10] Parton W J, Scurlock J M O, Ojima D S, Gilmanov T G, Scholes R J, Schimel D S, Kirchner T, Menaut J C, Seastedt T, Moya E G, Kamnalrut A, Kinyamario J I. Observations and modeling of biomass and soil organic matter dynamics for the grassland biome worldwide. Global Biogeochemical Cycles, 1993, 7(4): 785-809.

[11] 蔣延玲, 周廣勝. 興安落葉松林碳平衡和全球變化影響研究. 應用生態(tài)學報, 2001, 12(4): 481-484.

[12] 邵思雅, 李方方, 張晶. 大興安嶺森林生態(tài)系統(tǒng)氮磷元素對碳循環(huán)的影響. 北京師范大學學報: 自然科學版, 2015, 51(3): 306-312.

[13] 趙敏, 周廣勝. 中國北方林生產力變化趨勢及其影響因子分析. 西北植物學報, 2005, 25(3): 466-471.

[14] 黃忠良. 運用Century模型模擬管理對鼎湖山森林生產力的影響. 植物生態(tài)學報, 2000, 24(2): 175-179.

[15] 申衛(wèi)軍, 彭少麟, 鄔建國, 林永標. 南亞熱帶鶴山主要人工林生態(tài)系統(tǒng)C、N累積及分配格局的模擬研究. 植物生態(tài)學報, 2003, 27(5): 690-699.

[16] 方東明, 周廣勝, 蔣延玲, 賈丙瑞, 許振柱, 隋興華. 基于CENTURY模型模擬火燒對大興安嶺興安落葉松林碳動態(tài)的影響. 應用生態(tài)學報, 2012, 23(9): 2411-2421.

[17] Kelly R H, Parton W J, Crocker G J, Graced P R, Klír J, K?rschens M, Poulton P R, Richter D D. Simulating trends in soil organic carbon in long-term experiments using the century model. Geoderma, 1997, 81(1/2): 75-90.

[18] Running S W, Hunt E R Jr. Generalization of a forest ecosystem process model for other biomes, BIOME-BGC, and an application for global-scale models. Scaling processes between leaf and landscape levels. Scaling physiological processes: Leaf to globe, 1993: 141-158.

[19] Running S W, Coughlan J C. A general model of forest ecosystem processes for regional applications I. hydrologic balance, canopy gas exchange and primary production processes. Ecological Modelling, 1988, 42(2): 125-154.

[20] Turner D P, Ritts W D, Law B E, Cohen W B, Yang Z, Hudiburg T, Campbell J L, Duane M. Scaling net ecosystem production and net biome production over a heterogeneous region in the western United States. Biogeosciences Discussions, 2007, 4(2): 1093-1135.

[21] Thornton P E, Law B E, Gholz H L, Clark K L, Falge E, Ellsworth D S, Goldstein A H, Monson R K, Hollinger D, Falk M, Chen J, Spark J P. Modeling and measuring the effects of disturbance history and climate on carbon and water budgets in evergreen needleleaf forests. Agricultural and Forest Meteorology, 2002, 113(1/4): 185-222.

[22] Chiesi M, Maselli F, Moriondo M, Fibbi L, Bindi M, Running S W. Application of BIOME-BGC to simulate Mediterranean forest processes. Ecological Modelling, 2007, 206(1/2): 179-190.

[23] 吳玉蓮, 王襄平, 李巧燕, 孫閻. 長白山闊葉紅松林凈初級生產力對氣候變化的響應: 基于BIOME-BGC模型的分析. 北京大學學報: 自然科學版, 2014, 50(3): 577-586.

[24] 何麗鴻, 王海燕, 雷相東. 基于BIOME-BGC模型的長白落葉松林凈初級生產力模擬參數敏感性. 應用生態(tài)學報, 2016, 27(2): 412-420.

[25] Schmid S, Zierl B, Bugmann H. Analyzing the carbon dynamics of central European forests: comparison of Biome-BGC simulations with measurements. Regional Environmental Change, 2006, 6(4): 167-180.

[26] Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158-175.

[27] Farquhar G D, Von Caemmerer S, Berry J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3species. Planta, 1980, 149(1): 78-90.

[28] Chen J M, Liu J, Cihlar J, Goulden M L. Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications. Ecological Modelling, 1999, 124(2/3): 99-119.

[29] Zhou Y, Zhu Q, Chen J M, Wang Y Q, Liu J, Sun R, Tang S. Observation and simulation of net primary productivity in Qilian Mountain, western China. Journal of Environmental Management, 2007, 85(3): 574-584.

[30] Wang P, Sun R, Hu J, Zhu Q, Zhou Y, Li L, Chen J M. Measurements and simulation of forest leaf area index and net primary productivity in Northern China. Journal of Environmental Management, 2007, 85(3): 607-615.

[31] Sun Q L, Feng X F, Ge Y, Li B L. Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China. Ecological Informatics, 2015, 27: 44-54.

[32] Wang S Q, Zhou L, Chen J M, Ju W M, Feng X F, Wu W X. Relationships between net primary productivity and stand age for several forest types and their influence on China′s carbon balance. Journal of Environmental Management, 2011, 92(6): 1651-1662.

[33] Wang P J, Xie D H, Zhou Y Y, You H E, Zhu Q J. Estimation of net primary productivity using a process-based model in Gansu Province, Northwest China. Environmental Earth Sciences, 2014, 71(2): 647-658.

[34] Chen W J, Chen J, Cihlar J. An integrated terrestrial ecosystem carbon-budget model based on changes in disturbance, climate, and atmospheric chemistry. Ecological Modelling, 2000, 135(1): 55-79.

[35] Chen J M, Ju W M, Cihlar J, Price D, Liu J, Chen W J, Pan J J, Black A, Barr A. Spatial distribution of carbon sources and sinks in Canada′s forests. Tellus B, 2003, 55(2): 622-641.

[36] Chen J, Chen W J, Liu J, Cihlar J, Gray S. Annual carbon balance of Canada′s forests during 1895-1996. Global Biogeochemical Cycles, 2000, 14(3): 839-849.

[37] Ju W M, Chen J M. Distribution of soil carbon stocks in Canada′s forests and wetlands simulated based on drainage class, topography and remotely sensed vegetation parameters. Hydrological Processes, 2005, 19(1): 77-94.

[38] Ju W M, Chen J M. Simulating the effects of past changes in climate, atmospheric composition, and fire disturbance on soil carbon in Canada′s forests and wetlands. Global Biogeochemical Cycles, 2008, 22(3): GB3010.

[39] Govind A, Chen J M, Bernier P, Margolis H, Guindon L, Beaudoin A. Spatially distributed modeling of the long-term carbon balance of a boreal landscape. Ecological Modelling, 2011, 222(15): 2780-2795.

[40] Zhang F M, Chen J M, Pan Y D, Birdsey R A, Shen S H, Ju W M, He L M. Attributing carbon changes in conterminous US forests to disturbance and non-disturbance factors from 1901 to 2010. Journal of Geophysical Research: Biogeosciences, 2012, 117(G2): G02021.

[41] 于穎, 范文義, 楊曦光. 1901—2008年小興安嶺森林NPP估算. 林業(yè)科學, 2014, 50(10): 16-23.

[42] 黃麟, 邵全琴, 劉紀遠. 江西省森林碳蓄積過程及碳源/匯的時空格局. 生態(tài)學報, 2012, 32(10): 3010-3020.

[43] Zhou L, Wang S Q, Ju W M, Zhe X, Kindermann G, Chen J M, Hao S. Assessment of carbon dynamics of forest ecosystems in the Poyang Lake basin responding to afforestation and future climate change. Journal of Resources and Ecology, 2013, 4(1): 11-19.

[44] Ju W M, Chen J M, Harvey D, Wang S. Future carbon balance of China′s forests under climate change and increasing CO2. Journal of Environmental Management, 2007, 85(3): 538-562.

[45] Wang S, Chen J M, Ju W M, Feng X, Chen M, Chen P, Yu G. Carbon sinks and sources in China′s forests during 1901—2001. Journal of Environmental Management, 2007, 85(3): 524-537.

[46] Zhou L, Wang S Q, Kindermann G, Yu G R, Huang M, Mickler R, Kraxner F, Shi H, Gong Y Z. Carbon dynamics in woody biomass of forest ecosystem in China with forest management practices under future climate change and rising CO2concentration. Chinese Geographical Science, 2013, 23(5): 519-536.

[47] 田漢勤, 劉明亮, 張弛, 任巍, 徐小鋒, 陳廣生, 呂超群, 陶波. 全球變化與陸地系統(tǒng)綜合集成模擬——新一代陸地生態(tài)系統(tǒng)動態(tài)模型(DLEM). 地理學報, 2010, 65(9): 1027-1047.

[48] Liu M L, Tian H Q, Chen G S, Ren W, Zhang C, Liu J Y. Effects of land-use and land-cover change on evapotranspiration and water Yield in China during 1900—2000. JAWRA Journal of the American Water Resources Association, 2008, 44(5): 1193-1207.

[49] Ren W, Tian H Q, Chen G S, Liu M L, Zhang C, Chappelka AH, Pan S F. Influence of ozone pollution and climate variability on net primary productivity and carbon storage in China′s grassland ecosystems from 1961 to 2000. Environmental Pollution, 2007, 149(3): 327-335.

[50] Ren W, Tian H Q, Tao B, Chappelka A, Sun G, Lu C Q, Liu M L, Chen G S, Xu X F. Impacts of tropospheric ozone and climate change on net primary productivity and net carbon exchange of China′s forest ecosystems. Global Ecology and Biogeography, 2011, 20(3): 391-406.

[51] Xu X F, Tian H Q, Zhang C, Liu M L, Ren W, Chen G S, Lu C Q, Bruhwiler L. Attribution of spatial and temporal variations in terrestrial methane flux over North America. Biogeosciences, 2010, 7(11): 3637-3655.

[52] Tian H Q, Chen G S, Liu M L, Zhang C, Sun G, Lu C Q, Xu X F, Ren W, Pan S F, Chappelka A. Model estimates of net primary productivity, evapotranspiration, and water use efficiency in the terrestrial ecosystems of the southern United States during 1895—2007. Forest Ecology and Management, 2010, 259(7): 1311-1327.

[53] Zhang C, Tian H Q, Chen G S, Chappelka A, Xu X F, Ren W, Hui D F, Liu M L, Lu C Q, Pan S F, Lockaby G. Impacts of urbanization on carbon balance in terrestrial ecosystems of the Southern United States. Environmental Pollution, 2012, 164: 89-101.

[54] Liu M L, Tian H Q, Yang Q C, Yang J, Song X, Lohrenz S E, Cai W J. Long-term trends in evapotranspiration and runoff over the drainage basins of the Gulf of Mexico during 1901—2008. Water Resources Research, 2013, 49(4): 1988-2012.

[55] Ji J J. A climate-vegetation interaction model: Simulating physical and biological processes at the surface. Journal of Biogeography, 1995, 22(2/3): 445-451.

[56] 何勇,董文杰,季勁均,丹利. 基于AVIM的中國陸地生態(tài)系統(tǒng)凈初級生產力模擬. 地球科學進展,2005,(03):345-349.

[57] 呂建華. 區(qū)域性季節(jié)和年際尺度大氣——植被相互作用的模擬研究[D]. 北京: 中國科學院大氣物理研究所, 1999.

[58] 李銀鵬, 季勁鈞. 全球陸地生態(tài)系統(tǒng)與大氣之間碳交換的模擬研究. 地理學報, 2001, 56(4): 379-389.

[59] Sellers P J. Canopy reflectance, photosynthesis and transpiration. International Journal of Remote Sensing, 1985, 6(8): 1335-1372.

[60] Sellers P J, Randall D A, Collatz G J, Berry J A, Field C B, Dazlich D A, Zhang C, Collelo G D, Bounoua L. A revised land surface parameterization (SiB2) for atmospheric GCMs. Part I: Model formulation. Journal of Climate, 1996, 9(4): 676-705.

[61] Sellers P J, Tucker C J, Collatz G J, Los S O, Justice C O, Dazlich D A, Randall D A. A revised land surface parameterization (SiB2) for atmospheric GCMs. Part II: The generation of global fields of terrestrial biophysical parameters from satellite data. Journal of Climate, 1996, 9(4): 706-737.

[62] Baker I T, Denning A S, St?ckli R. North American gross primary productivity: regional characterization and interannual variability. Tellus B, 2010, 62(5): 533-549.

[63] Baker I T, Prihodko L, Denning A S, Goulden M, Miller S, Da Rocha H R. Seasonal drought stress in the Amazon: Reconciling models and observations. Journal of Geophysical Research Biogeosciences, 2008, 113(G1): G00B01.

[64] Hanan N P, Berry J A, Verma S B, Walter-Shea E A, Suyker A E, Burba G G, Denning A S. Testing a model of CO2, water and energy exchange in Great Plains tallgrass prairie and wheat ecosystems. Agricultural and Forest Meteorology, 2005, 131(3/4): 162-179.

[65] 何志強, 沈新勇, 王英舜, 高志球. 利用簡單生物圈模式SiB2模擬錫林浩特草原地表湍流通量. 氣候與環(huán)境研究, 2011, 16(3): 353-368.

[66] 蔣玲梅, 盧立新, 邢偉坡, 張立新, Baker I, 張庚軍, 左菁穎. SiB3對不同下墊面的模擬試驗與驗證. 氣象科學, 2011, 31(4): 493-500.

[67] Foley J A, Prentice I C, Ramankutty N, Levis S, Pollard D, Sitch S, Haxeltine A. An integrated biosphere model of land surface processes, terrestrial carbon balance, and vegetation dynamics. Global Biogeochemical Cycles, 1996, 10(4): 603-628.

[68] Pollard D, Thompson S L. Use of a land-surface-transfer scheme (LSX) in a global climate model: the response to doubling stomatal resistance. Global and Planetary Change, 1995, 10(1/4): 129-161.

[69] Thompson S L, Pollard D. A global climate model (GENESIS) with a land-surface transfer scheme (LSX). Part II: CO2sensitivity. Journal of Climate, 1995, 8(5): 1104-1121.

[70] Thompson S L, Pollard D. A global climate model (GENESIS) with a land-surface transfer scheme (LSX). Part I: Present climate simulation. Journal of Climate, 1995, 8(4): 732-761.

[71] Ball J T, Woodrow I E, Berry J A. A model predicting stomatal conductance and its contribution to the control of photosynthesis under different environmental conditions // Biggins J, ed. Progress in Photosynthesis Research. Netherlands: Springer, 1987: 221-224.

[72] Botta A, Viovy N, Ciais P, Friedlingstein P, Monfray P. A global prognostic scheme of leaf onset using satellite data. Global Change Biology, 2000, 6(7): 709-725.

[73] 王萍. 基于IBIS模型的東北森林凈第一性生產力模擬. 生態(tài)學報, 2009, 29(6): 3213-3220.

[74] Jiang J F, Yan X D, Huang Y, Guo W D, Liu H Z. Simulation of CO2and sensible/latent heat fluxes exchange between land surface and atmosphere over cropland and grassland in semi-arid region, China. Journal of Forestry Research, 2007, 18(2): 114-118.

[75] Yuan Q Z, Wu S H, Zhao D S, Dai E F, Chen L, Zhang L. Modeling net primary productivity of the terrestrial ecosystem in China from 1961 to 2005.Journal of Geographical Sciences, 2014, 24(1): 3-17.

[76] Kucharik C J, Foley J A, Delire C, Fisher V A, Coe M T, Lenters J D, Young-Molling C, Ramankutty N, Norman J M, Gower S T. Testing the performance of a dynamic global ecosystem model: Water balance, carbon balance, and vegetation structure. Global Biogeochemical Cycles, 2000, 14(3): 795-825.

[77] Cramer W, Bondeau A, Ian Woodward F, Prentice I C, Betts R A, Brovkin V, Cox P M, Fisher V, Foley J A, Friend A D, Kucharik C, Lomas M R, Ramankutty N, Sitch S, Smith B, White A, Young-Molling C. Global response of terrestrial ecosystem structure and function to CO2and climate change: results from six dynamic global vegetation models. Global Change Biology, 2001, 7(4): 357-373.

[78] 劉曦, 國慶喜, 劉經偉. IBIS 模擬東北東部森林NPP主要影響因子的敏感性. 生態(tài)學報, 2011, 31(7): 1772-1782.

[79] Kucharik C J, Barford C C, El Maayar M, Wofsy S C, Monson R K, Baldocchi D D. A multiyear evaluation of a dynamic global vegetation model at three AmeriFlux forest sites: Vegetation structure, phenology, soil temperature, and CO2and H2O vapor exchange. Ecological Modelling, 2006, 196(1/2): 1-31.

[80] Woodward F I. Climate and Plant Distribution. Cambridge: Cambridge University Press, 1986: 36-48.

[81] Prentice I C, Sykes M T, Lautenschlager M, Harrison S P, Denissenko O, Bartlein P J. Modelling global vegetation patterns and terrestrial carbon storage at the last glacial maximum. Global Ecology and Biogeography Letters, 1993, 3(3): 67-76.

[82] Prentice I C, Sykes M T. Vegetation geography and global carbon storage changes // Woodwell G M, Mackenzie F T, eds. Biotic Feedbacks in the Global Climatic System: Will the Warming Speed the Warming? New York: Oxford University Press, 1995: 300-312.

[83] Haxeltine A, Prentice I C, Creswell I D. A coupled carbon and water flux model to predict vegetation structure. Journal of Vegetation Science, 1996, 7(5): 651-666.

[84] Haxeltine A, Prentice I C. BIOME3: An equilibrium terrestrial biosphere model based on ecophysiological constraints, resource availability, and competition among plant functional types. Global Biogeochemical Cycles, 1996, 10(4): 693-709.

[85] Sykes M T. The biogeographic consequences of forecast changes in the global environment: Individual species′ potential range changes // Huntley B, Cramer W, Morgan A V, Prentice H C, Allen J R M, eds. Past and Future Rapid Environmental Changes. Berlin Heidelberg: Springer, 1997, 47: 427-440.

[86] Sykes M T, Prentice I C. Climate change, tree species distributions and forest dynamics: A case study in the mixed conifer/northern hardwoods zone of northern Europe. Climatic Change, 1996, 34(2): 161-177.

[87] Ni J. Net primary production, carbon storage and climate change in Chinese biomes. Nordic Journal of Botany, 2000, 20(4): 415-426.

[88] Ni J. Modelling vegetation distribution and net primary production along a precipitation gradient, the Northeast China Transect (NECT). Ekologia Bratislava, 2000, 19(4): 375-386.

[89] Prentice I C, Cramer W, Harrison S P, Leemans R, Monserud R A, Solomon A M. A global biome model based on plant physiology and dominance, soil properties and climate. Journal of Biogeography, 1992, 19(2): 117-134.

[90] Neilson R P. A model for predicting continental-scale vegetation distribution and water balance. Ecological Applications, 1995, 5(2): 362-385.

[91] Neilson R P, Marks D. A global perspective of regional vegetation and hydrologic sensitivities from climatic change. Journal of Vegetation Science, 1994, 5(5): 715-730.

[92] 趙茂盛, Neilson R P, 延曉冬, 董文杰. 氣候變化對中國植被可能影響的模擬. 地理學報, 2002, 57(1): 28-38.

[93] Sitch S, Smith B, Prentice I C, Arneth A, Bondeau A, Cramer W, Kaplan J O, Levis S, Lucht W, Sykes M T, Thonicke K, Venevsky S. Evaluation of ecosystem dynamics, plant geography and terrestrial carbon cycling in the LPJ dynamic global vegetation model. Global Change Biology, 2003, 9(2): 161-185.

[94] Smith B, Prentice I C, Sykes M T. Representation of vegetation dynamics in the modelling of terrestrial ecosystems: comparing two contrasting approaches within European climate space. Global Ecology and Biogeography, 2001, 10(6): 621-637.

[95] Wolf A, Callaghan T V, Larson K. Future changes in vegetation and ecosystem function of the Barents Region. Climatic Change, 2008, 87(1/2): 51-73.

[96] Rammig A, J?nsson A M, Hickler T, Smith B, B?rring L, Sykes M T. Impacts of changing frost regimes on Swedish forests: Incorporating cold hardiness in a regional ecosystem model. Ecological Modelling, 2010, 221(2): 303-313.

[97] Koca D, Smith B, Sykes M T. Modelling regional climate change effects on potential natural ecosystems in Sweden. Climatic Change, 2006, 78(2/4): 381-406.

[98] Hickler T, Smith B, Sykes M T, Davis M B, Sugita S, Walker K. Using a generalized vegetation model to simulate vegetation dynamics in northeastern USA. Ecology, 2004, 85(2): 519-530.

[99] 梁妙玲, 謝正輝. 我國氣候對植被分布和凈初級生產力影響的數值模擬. 氣候與環(huán)境研究, 2006, 11(5): 582-592.

[100] 孫艷玲, 延曉冬, 謝德體, 魏朝富. 應用動態(tài)植被模型LPJ模擬中國植被變化研究. 西南大學學報: 自然科學版, 2007, 29(11): 86-92.

[101] 趙東升, 吳紹洪, 尹云鶴. 氣候變化情景下中國自然植被凈初級生產力分布. 應用生態(tài)學報, 2011, 22(4): 897-904.

[102] 劉瑞剛, 李娜, 蘇宏新, 桑衛(wèi)國. 北京山區(qū)3種暖溫帶森林生態(tài)系統(tǒng)未來碳平衡的模擬與分析. 植物生態(tài)學報, 2009, 33(3): 516-534.

[103] 彭少麟, 張桂蓮, 柳新偉. 生態(tài)系統(tǒng)模擬模型的研究進展. 熱帶亞熱帶植物學報, 2005, 13(1): 85-94.

[104] Delire C, Foley J A, Thompson S. Evaluating the carbon cycle of a coupled atmosphere-biosphere model. Global Biogeochemical Cycles, 2003, 17(1): 1012.

[105] Prince S D, Goward S N. Global primary production: a remote sensing approach. Journal of Biogeography, 1995, 22(4/5): 815-835.

[106] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: A process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[107] Ruimy A, Saugier B, Dedieu G. Methodology for the estimation of terrestrial net primary production from remotely sensed data. Journal of Geophysical Research, 1994, 99(D3): 5263-5283.

[108] Li A N, Bian J H, Lei G B, Huang C Q. Estimating the maximal light use efficiency for different vegetation through the CASA model combined with time-series remote sensing data and ground measurements. Remote Sensing, 2012, 4(12): 3857-3876.

[109] 袁文平, 蔡文文, 劉丹, 董文杰. 陸地生態(tài)系統(tǒng)植被生產力遙感模型研究進展. 地球科學進展, 2014, 29(5): 541-550.

[110] Yuan W P, Cai W W, Xia J Z, Chen J Q, Liu S G, Dong W J, Merbold L, Law B, Arain A, Beringer J, Bernhofer C, Black A, Blanken P D, Cescatti A, Chen Y, Francois L, Gianelle D, Janssens I A, Jung M, Kato T, Kiely G, Liu D, Marcolla B, Montagnani L, Raschi A, Roupsard O, Varlagin A, Wohlfahrt G. Global comparison of light use efficiency models for simulating terrestrial vegetation gross primary production based on the LaThuile database. Agricultural and Forest Meteorology, 2014, 192-193: 108-120.

[111] Ni J, Sykes M T, Prentice I C, Cramer W. Modelling the vegetation of China using the process-based equilibrium terrestrial biosphere model BIOME3. Global Ecology and Biogeography, 2000, 9(6): 463-479.

[112] Prentice I C, Solomon A M. Vegetation models and global change // Bradley R S, ed. Global Changes of the Past. Snowmass, Colorado: OIES, UCAR, 1990: 365-383.

[113] Crosetto M, Tarantola S. Uncertainty and sensitivity analysis: tools for GIS-based model implementation. International Journal of Geographical Information Science, 2001, 15(5): 415-437.

[114] Jin H A, Li A N, Wang J D, Bo Y C. Improvement of spatially and temporally continuous crop leaf area index by integration of CERES-Maize model and MODIS data. European Journal of Agronomy, 2016, 78: 1-12.

[115] 王紹強, 陳蝶聰, 周蕾, 何洪林, 石浩, 閆慧敏, 蘇文. 中國陸地生態(tài)系統(tǒng)通量觀測站點空間代表性. 生態(tài)學報, 2013, 33(24): 7715-7728.

[116] Xu B, Yang Y H, Li P, Shen H H, Fang J J. Global patterns of ecosystem carbon flux in forests: A biometric data-based synthesis. Global Biogeochemical Cycles, 2014, 28(9): 962-973.

[117] 李愛農, 尹高飛, 靳華安, 邊金虎, 趙偉. 山地地表生態(tài)參量遙感反演的理論、方法與問題. 遙感技術與應用, 2016, 31(1): 1-11.

[118] Govind A, Chen J M, Margolis H, Ju W M, Sonnentag O, Giasson M A. A spatially explicit hydro-ecological modeling framework (BEPS-TerrainLab V2.0): Model description and test in a boreal ecosystem in Eastern North America. Journal of Hydrology, 2009, 367(3/4): 200-216.

[119] 吳驊, 姜小光, 習曉環(huán), 李傳榮, 李召良. 兩種普適性尺度轉換方法比較與分析研究. 遙感學報, 2009, 13(2): 183-189.

[120] 梁順林, 李新, 謝先紅. 陸面觀測、模擬與數據同化. 北京: 高等教育出版社, 2013: 98-100.

[121] 于貴瑞, 方華軍, 伏玉玲, 王秋鳳. 區(qū)域尺度陸地生態(tài)系統(tǒng)碳收支及其循環(huán)過程研究進展. 生態(tài)學報, 2011, 31(19): 5449-5459.

[122] 李愛農, 邊金虎, 張正健, 趙偉, 尹高飛. 山地遙感主要研究進展、發(fā)展機遇與挑戰(zhàn). 遙感學報, 2016, 20(5): 1199-1215.

[123] 李新, 黃春林. 數據同化——一種集成多源地理空間數據的新思路. 科技導報, 2004, (12): 13-16.