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(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，浙江 杭州 311300；3. 浙江農林大學 環(huán)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(tài)系統(tǒng)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(qū)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(shù)(EVI)和陸表水指數(shù)(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(shù)[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(fā)現(xiàn)：LSWI并不能很好地反映生態(tài)系統(tǒng)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(huán)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(tài)特征和代謝系統(tǒng)，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(shù)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(shù)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(qū)與研究方法

1.1 研究區(qū)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(shù)據來源

1.2.1 遙感數(shù)據 MODIS數(shù)據來源于美國國家航空航天局(NASA)Terra衛(wèi)星傳感器。數(shù)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(shù)據 渦流協(xié)方差測量數(shù)據采集自FLUXNET 2015數(shù)據集，該數(shù)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(shù)據集。時間步長為每天。

1.2.3 數(shù)據處理 為了與模型中遙感參數(shù)步長相匹配，對通量塔數(shù)據進行8 d的累加。建立通量塔數(shù)據與遙感數(shù)據相匹配的2001-2014年時間序列，刪除遙感數(shù)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(shù)(ILSW)、增強型植被指數(shù)(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(shù)

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(qū)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(shù)，可以反映站點的水分情況。其中降水數(shù)據為實際觀測值，而遙感數(shù)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(shù)(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(shù)據的條號，i=1，2，3,···,n，n為站點數(shù)據的總條數(shù)。根據干濕度指數(shù)將站點分為[13]：干旱地區(qū)(ID為0.25～0.50)、半干旱地區(qū)(ID為 0.50～0.67)、半濕潤地區(qū) (ID為 0.67～1.00)和濕潤地區(qū) (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(huán)境因子以及渦度觀測碳通量數(shù)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(yōu)值；Tmax表示溫度最大值；Tmin表示溫度最小值；當T小于Tmin時，F(xiàn)T等 于0，當T大于Tmax時，F(xiàn)T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(shù)，ILSWmax為生長季最大陸表水指數(shù)。

1.4.2 植被光合改進模型(VPMsw) LSWI由MODIS遙感數(shù)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(jié)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(shù)據和站點觀測數(shù)據得到，發(fā)現(xiàn)LSWI在干旱和半干旱地區(qū)的數(shù)值高于半濕潤地區(qū)，而降水量從干旱區(qū)到濕潤區(qū)依次遞增，兩者相矛盾，說明LSWI可能在干旱和半干旱地區(qū)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(qū)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(shù)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(shù)、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(xiàn)過擬合現(xiàn)象。

1.5.2 模型精度評價 采用均方根誤差和決定系數(shù)來檢驗模型的精度，均方根誤差越小，偏離程度越小，表現(xiàn)力越好。決定系數(shù)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(shù)較高，而與陸表水指數(shù)相關系數(shù)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(qū)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(shù)(R2)，結果見表3。在干旱和半干旱地區(qū)，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(qū)精度提高的效果較好；而在半濕潤和濕潤地區(qū)，VPM模型的精度比VPMsw模型高?；赩PMsw模型在干旱和半干旱地區(qū)較好的模擬效果，將干旱和半干旱站點所有數(shù)據實測值與估計值進行線性擬合(圖2)發(fā)現(xiàn)：相比VPM模型，VPMsw模型在干旱地區(qū)模擬GPP的精度高于半干旱地區(qū)。

表3 站點干濕度指數(shù)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(qū)到濕潤地區(qū)，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(qū)到濕潤地區(qū)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(qū)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(qū)有4個，濕潤地區(qū)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(qū)，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(qū)，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(qū)，LSWI對GPP估計的影響從大到小依次為干旱區(qū)、半干旱地區(qū)、半濕潤、濕潤地區(qū)。也有研究表明：LSWI不能反映近岸地區(qū)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(fā)現(xiàn)：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(qū)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(shù)減少，而半濕潤和濕潤地區(qū)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(qū)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(qū)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(shù)據不能準確地反映水分的變化。由于溫度變化比較穩(wěn)定，且遙感數(shù)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(qū)需要更準確的遙感數(shù)據來反映水分因子。

本研究發(fā)現(xiàn)：LSWI參數(shù)在半干旱和干旱的常綠針葉林區(qū)域不能很好地表現(xiàn)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(shù)可在長時間尺度上區(qū)分站點的水分情況；對干濕度指數(shù)進行變換處理，使之成為可直接帶入模型的水分參數(shù)還有待研究。未來在干旱和半干旱地區(qū)找到準確反映水分狀況的遙感數(shù)據是提高模型擬合GPP的關鍵。