刘丽慧
, 1 , 孙皓
2 , 李传华
, 1 1.西北师范大学地理与环境科学学院,兰州 730070 2.青海省地质环境监测总站,西宁 810000 Estimation of grassland NPP in the Qinghai-Tibet Plateau based on the improved Biome-BGC model considering soil freeze-thaw water cycle LIU Lihui
, 1 , SUN Hao
2 , LI Chuanhua
, 1 1. College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, China 2. Qinghai Geological Environment Monitoring Station, Xining 810000, China 通讯作者: 李传华（1979-）,男,湖北坚利人,副教授,博士,主要从事生态遥感与GIS应用研究。E-mail:lch_nwnu@126.com 收稿日期: 2020-08-31
接受日期: 2021-03-24
网络出版日期: 2021-05-10
Received: 2020-08-31
Accepted: 2021-03-24
Online: 2021-05-10
作者简介 About authors
刘丽慧（1997-）,女,云南师宗人,硕士,主要研究方向为生态遥感与GIS应用。E-mail:
18119459712@163.com 摘要 Biome-BGC模型被广泛用于估算植被净初级生产力（Net Primary Productivity, NPP）,但是该模型未考虑冻土区土壤冻融水循环过程对植被生长的影响。本文基于Biome-BGC模型,改进冻土区活动层土壤冻融水循环,估算了2000—2018年青藏高原高寒草地NPP。通过比较原模型和改进后的模型,并对NPP模拟结果的时空特征进行了分析,结果表明：① 增加冻融循环提高了NPP估算精度,青藏高原草地NPP均值由114.68 gC/(m2 ·a)提高到128.02 gC/(m2 ·a)。② 原模型和改进后NPP的空间分布差异较大,时间变化趋势差异不明显。③ 青藏高原草地NPP总量为253.83 TgC/a,呈东南向西北递减的空间格局,年均增速为0.21gC/(m2 ·a)（P =0.023）,显著增加的占17.85%,主要分布在羌塘高寒草原地带的大部分地区和藏南山地灌木草原地带的西部。④ 该冻融水循环改进方法简单可靠,具有在其他多年冻土区推广的价值。 关键词： 净初级生产力 ;
Biome-BGC模型 ;
冻融水循环 ;
青藏高原 Abstract Accurate estimation of Net Primary Productivity (NPP) of alpine grassland ecosystems on the Qinghai-Tibet Plateau is important to complementing global carbon cycle studies. The Biome-BGC model is widely used to simulate ecosystem vegetation NPP, but it ignores the impact of soil freeze-thaw process on vegetation growth in the permafrost zone. Using the Biome-BGC model, this paper firstly improved the freeze-thaw water cycle process in the active layer of the permafrost regions, and then estimated the NPP of alpine grasslands on the Qinghai-Tibet Plateau from 2000 to 2018. The NPP accuracy, spatial and temporal variation characteristics between the original model and the improved model were compared, and the spatio-temporal characteristics of the improved NPP was analyzed. The results show that: (1) Adding freeze-thaw cycles can improve the accuracy of NPP estimation, and the modelled NPP of the grassland on the study area besed on the original and improved models were 114.68 gC/(m2 ·a) and 128.02 gC/(m2 ·a), the improved average NPP values for all the four grassland types of alpine swamp meadow, alpine meadow, alpine grassland and alpine desert grassland increased by 38.08 gC/(m2 ·a), 20.08 gC/(m2 ·a), 6.46 gC/(m2 ·a) and 0.6 gC/(m2 ·a), respectively. (2) The spatial distribution of NPP was significantly different between the original and the improved models, and there were no significant time changing trends. (3) The total NPP of the alpine grassland was 253.83 TgC/a, decreasing from southeast to northwest, with an average annual increasing rate of 0.21 gC/(m2 ·a)(P =0.023). The areas with a significant increase accounted for 17.85% of the total area, which were mainly distributed in the vast areas in the Qiangtang alpine steppe region and the western part of the southern Tibet montane shrub steppe region, while 18.48% of the area showed a decreasing trend, mainly in the central part of Qilian Mountains steppe region of eastern Qinghai and the eastern part of the Golog-Nagqu Plateau montane alpine shrub-meadow region. (4) In the permafrost region of the Qinghai-Tibet Plateau, the accuracy of NPP estimation is modified by improving the freeze-thaw water cycle of the soil in the model, which is simple and reliable and has the value of popularization in other permafrost regions. Keywords： Net Primary Productivity (NPP) ;
Biome-BGC model ;
freeze-thaw water cycle ;
Qinghai-Tibet Plateau PDF (4675KB) 元数据 多维度评价 相关文章 导出 EndNote |
Ris |
Bibtex 收藏本文 本文引用格式 刘丽慧, 孙皓, 李传华. 基于改进土壤冻融水循环的Biome-BGC模型估算青藏高原草地NPP.
地理研究 [J], 2021, 40(5): 1253-1264 doi:10.11821/dlyj020200826
LIU Lihui, SUN Hao, LI Chuanhua.
Estimation of grassland NPP in the Qinghai-Tibet Plateau based on the improved Biome-BGC model considering soil freeze-thaw water cycle .
Geographical Research [J], 2021, 40(5): 1253-1264 doi:10.11821/dlyj020200826
1 引言 植被净初级生产力（Net Primary Productivity,NPP）是表征陆地生态系统质量、判断碳源/汇生态过程
[1 ] ,是认识大气圈与生物圈相互作用、预测大气二氧化碳浓度变化的关键变量
[2 ] ,NPP估算被列入众多全球变化研究计划的核心内容中
[3 ] 。尽管植被光合作用理论与建模取得很大进展,但由于植被生长机制的复杂性以及地理差异为NPP估算增加了很大的不确定性,目前仍然是全球碳循环不确定性的最主要因素。模型是基于生态系统结构和植被的光合生态过程的抽象简化,模型参数、生理过程算法和输入数据是估算结果不确定的三大来源
[4 ] 。因此,改进模型算法、优化参数以及提高输入数据精度是降低NPP估算不确定性的重要途径。
目前的NPP估算模型有如气候学模型
[5 ,6 ] 、光能利用率模型
[7 ,8 ] 、生理生态过程模型
[9 ,10 ] 以及基于机器学习
[11 ,12 ] 、植被光学厚度
[13 ] 、日光诱导叶绿素荧光
[14 ,15 ] 等的新型算法。Biome-BGC（Biome BioGeoChemical Cycles model,BGC）是一种模拟植物生理生态过程的生物地球化学过程模型,该模型的基本原理是物质与能量守恒,模拟精度较高,应用非常广泛
[16 ,17 ,18 ,19 ] ,适用多种植被类型
[18 ,20 ] ,目前已经升级到6.0.3版本
[17 ] 。该模型具有普适性,为了提高估算精度,在特定区域要根据实际地理环境进行改进
[16 ,17 ] ,例如Sun等根据高寒草甸植被生长特点将根分为“fast-cycling”和“persistent”,通过添加模型参数提高了模拟精度
[18 ] ,Wang等为了正确模拟青藏高原高寒草甸的水、碳通量,将Biome-BGC模型和SHAW模型耦合起来
[21 ] 。
青藏高原是地球第三极,生态环境敏感,随着全球气候变暖,多年冻土区土壤中液态水的冻结导致活性层的含水量随着温度降低而减少,温度升高时,土壤中冻结水融化含水量增加,解冻过程对土壤含水量影响显著,并进一步影响植被生长。然而Biome-BGC模型并未考虑到活性层的冻融过程,使得该区域NPP估算精度不高
[22 ] 。此外,该模型是基于站点的模拟,由于地理环境分异冻融规律并不一致,需要逐像元模拟冻融循环规律,才能实现NPP时空动态监测。
因此,本研究首先依据青藏高原多年冻土区冻融循环特征修改了Biome-BGC模型,随后逐栅格进行NPP模拟;然后对研究时段内的青藏高原草地NPP进行估算并验证;最后对比原模型与改进后模型NPP估算的差异,分析其草地NPP时空分布特征,以期为青藏高原生态环境保护及政府决策提供参考。
2 研究区与数据方法 2.1 研究区 青藏高原位于亚洲大陆南部,经纬度范围是26°00′N~39°47′N,73°19′E~104°47′E,中国境内包括西藏自治区和青海省的全部、甘肃省、四川省、云南省以及新疆维吾尔族自治区的部分地区,总面积约250万km
2 ,平均海拔4000 m以上。青藏高原具有独特的气候条件,主要特点是气温低、日照时间长、太阳辐射强。青藏高原多年冻土面积约占总面积的60%（见
图1 a）。冻土空间分布特征来自中国科学院西北生态环境资源研究院冰冻圈科学国家重点实验室。植被类型图来自文献[
23 ],利用野外监测数据对高寒草地类型进行分类,构建了决策树分类算法（
http://www.rulequest.com ）,辅助EVI、LST和DEM数据划分为四种类型：高寒草原、高寒沼泽草甸、高寒草甸和高寒荒漠草地（见
图1 b）。
图1 新窗口打开 |
下载原图ZIP |
生成PPT 图1青藏高原冻土空间分布与草地类型 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 1Spatial distribution of permafrost and grassland types on the Qinghai-Tibet Plateau 由于青藏高原区域辽阔,为方便反映NPP差异,本研究使用郑度
[24 ] 等在1996年提出的中国生态地理区域系统框架方案,将青藏高原分为11个自然区,该地理分区方案综合考虑了气候特征与植被信息,且区域内的气候和植被具有较好的均一性。
2.2 数据源与预处理 2.2.1 Biome-BGC模型驱动数据 该模型的驱动数据包括：初始化文件、气象数据文件、生理生态参数文件、二氧化碳数据、氮沉降数据、土壤属性数据。
（1）初始化文件中包含纬度、经度、海拔、坡度、坡向、短波反照率和固氮速率等参数。从数字高程模型（Digital Elevation Model, DEM）中提取经度、海拔、坡度、坡向,DEM数据下载自地理空间数据云（
http://www.gscloud.cn ）,空间分辨率为90 m,重采样为1 km。短波反照率
[25 ] 和固氮速率
[26 ] 从文献中查阅得到。
（2）气象数据包括以日为步长的降水、最高气温、最低气温、露点温度、饱和水气压差、太阳日照短波辐射通量密度和日照时数。其中降水、气温、露点温度数据来源于（ECMWF）（
https://apps.ecmwf.int/datasets/ .）,数据分辨率为0.125°×0.125°。对上述数据预处理,再使用MT-CLIM工具对其降尺度,MT-CLIM可以根据基准点的最高温度、最低温度、降水来估算与甲站距离靠近的站点的所需气象数据,获得1 km的气象数据。
（3）植物生理生态参数。本研究中,对部分参数进行了本地化（见
表1 ）。研究组于2018年8月沿109国道测定了54个样地,高寒草原17个、高寒沼泽草甸8个、高寒草甸19个、高寒荒漠草原10个。对四种植被类型的比叶面积、植被中的碳、氮含量等敏感性参数进行了实测。比叶面积是通过实地采样扫描建群种叶片面积与叶片烘干后的干重的比值计算得到。使用SmartChem 2000自动化学分析仪对植物中的碳、氮含量进行测定,其余未进行本地化的参数取模型默认值。然后根据四种植被类型进行赋值得到了整个青藏高原面上的生理生态参数输入文件,空间分辨率为1 km。
Tab. 1 表1 表1 敏感参数赋值
Tab. 1
Sensitive parameter assignment 参数 变异系数 高寒荒漠草原 高寒草原 高寒草甸 高寒沼泽草甸 比叶面积(m2 /kg) 0.44 6.55 9.65 12.35 19.04 叶片碳氮比 0.39 14.05 23.27 33.74 35.24 根茎碳比 0.24 1.02 1.13 1.03 0.96 根叶碳比 0.12 1.18 1.01 0.89 0.93
新窗口打开 |
下载CSV （4）大气二氧化碳浓度数据同样来自ECMWF,空间分辨率为30 km×60 km,求取多年平均值后重采样为1 km。氮沉降取模型默认值。
（5）土壤温度和土壤水的遥感产品数据同样来自ECMWF,空间分辨率为0.125°×0.125°。土壤温度和体积含水量均取三层深度：0~7 cm、7~28 cm、28~100 cm。该数据为研究区的28个气象站点每日数据,从国家气象信息中心（
http://data.cma.cn/site/index.html ）下载得到,时间范围为2000—2018年。土壤质地数据来自寒区旱区科学数据中心,分辨率为1 km。
2.2.2 NPP实测数据 NPP实测数据参照Ma等
[27 ] ,Wang等
[28 ] 的研究,将植物分地上和地下生物量收割,地下根深度取到无根系为止,将获取的植物放纱网中用水冲洗后去除死根和凋落物,在85℃的烘箱中干燥至恒重得到生物量,将生物量乘以常数0.45换算成NPP,单位是gC/m
2 。
2.3 研究方法 2.3.1 逐栅格模拟NPP 模型的运行分为两个阶段,首先是spinup模拟,利用气象文件与初始化参数文件运转模型,使模型达到稳态,模型输出一个初始化文件（restart file）,该文件中包含CO
2 浓度、N浓度等近百个生态系统平衡状态参数,运用三次样条函数法将这些参数插值到青藏高原面上,将生成的面状初始化数据作为实际模拟阶段的状态变量初始值。运用MT-CLIM4.3模型基于海拔高程数据对遥感气象数据进行逐像元降尺度到1 km获得研究时段内的逐日气象数据。最后将气象文件、植被生理生态参数文件、初始化文件输入模型,通过逐像元运行Biome-BGC模型获得了青藏高原草地NPP逐日数据。
2.3.2 改进模型冻融循环 多年冻土活动层冻融循环是一个非常复杂的过程,该过程包括水分和热量的传输、水分相变和盐分的积聚
[29 ,30 ] ,因此根据机制建立数学模型模拟冻融规律非常困难,涉及众多子模块和参数。土壤温度和冻融过程最为密切
[31 ] ,为了简化模型,本研究基于数值模拟的方法建立冻融水与土壤水分和温度的关系,将冻融水添加到模型中,具体步骤如下：首先,分别计算深度为7 cm、28 cm、100 cm处的土壤温度产品数据与模拟土壤温度之间的
R 2 ,分别为0.8162、0.7621、0.7312,说明模型模拟的土壤温度可靠;其次,将土壤体积含水量产品数据与模拟土壤水的差值作为冻融水（SWDT）;最后,建立冻融水与土壤温度和土壤深度之间的函数。采用逐步回归的方式,将模型中土壤深度设为7 cm、28 cm、100 cm,得到与土壤水分产品对应的模型模拟土壤温度组成变量
MT 7 、
MT 28 、
MT 100 。再提取土壤水分产品的前三层组成变量
M 7 、
M 28 、
M 100 。将
MT 7 和
M 7 、
MT 28 和
M 28 、
MT 100 和
M 100 分别建立一元线性回归方程。最后运用回归方程中的常数a,b分别与土壤深度进行一元线性回归
[32 ]23 ,得到冻融水方程如下：
（1） f SWDT = ( 0.10 × d soil + 0.2 ) × T soil + ( 1.83 × d soil + 2.92 ) 式中：
f SWDT 为冻融水;
T soil 为土壤温度;
d soil 为土壤深度。
原模型的土壤水循环考虑降水、冠层拦截与水分蒸发、土壤水蒸发、地表下渗与径流等诸多过程
[32 ]21 。改进后模型就是在原模型的水循环中考虑冻融水,计算公式为：
（2） W vwc = f vwc ( P , k int , L A , E int , VPD , θ , … ) × 1000 × d soil + f SWDT ( T soil , d soil ) 式中：
W vwc 为模型中的土壤水;
f vwc ( P , k int , L A , E int , VPD , θ , … ) 为土壤体积含水量;
P 为降水;
k int 为冠层截留系数;
LA 为叶面积指数;
Eint 为冠层截留蒸发系数;
VPD 为饱和水气压;
θ 为田间持水量。
2.3.3 分析方法 M-K检验分析方法用于评估无季节或者周期变化的长时间序列变化趋势,广泛用于探测水文、气候和环境因素的趋势
[33 ,34 ] 。
3 结果与分析 3.1 估算结果验证 本研究利用实测数据与原模型和改进后模型估算的NPP作相关性分析以验证模型估算结果（见
图2 ）,实测数据2/3来源于文献,其余的1/3为研究组实地测量得到,共100组数据。原模型与实测值的
R 2 为0.4686,改进后模型与实测值的
R 2 为0.621,均通过了显著性检验（
P <0.01）,结果表明改进后的Biome-BGC模型估算的植被NPP与实测值具有更好的一致性,改进土壤冻融水循环能够有效地提高植被NPP的模拟精度。
图2 新窗口打开 |
下载原图ZIP |
生成PPT 图2实测NPP与原模型和改进后模型的NPP比较 Fig. 2Comparison of the measured NPP with the NPP of the original model and the improved model 3.2 改进前后NPP比较 Biome-BGC模型改进前后估算青藏高原草地NPP空间分布格局大致相同,但是改进后NPP要高于原模型的模拟值,两者的差值介于（0~13）gC/(m
2 ·a)之间,存在差异的区域主要在IB1、IC1和IIC2的北部（见
图3 ）。原模型估算的草地NPP年均值为114.68 gC/(m
2 ·a),总量为225.90 TgC/a,多年冻土区为114.68 gC/(m
2 ·a),改进后为128.02 gC/(m
2 ·a),多年冻土区为135.34 gC/(m
2 ·a)。从植被类型来看,原模型估算的青藏高原高寒沼泽草甸、高寒草甸、高寒草原、高寒荒漠草地的NPP均值分别为183.6 gC/(m
2 ·a)、162.76 gC/(m
2 ·a)、75.03 gC/(m
2 ·a)、27.25 gC/(m
2 ·a),改进后NPP均有一定幅度的提升,分别为221.68 gC/(m
2 ·a)、182.84 gC/(m
2 ·a)、81.49 gC/(m
2 ·a)、27.85 gC/(m
2 ·a)（见
图4 ）。
图3 新窗口打开 |
下载原图ZIP |
生成PPT 图3NPP空间对比图 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 3Diagram of NPP space comparison 图4 新窗口打开 |
下载原图ZIP |
生成PPT 图4模型改进前后NPP对比 Fig. 4Comparison of NPP before and after model improvement 为了比较改进模型估算结果与原模型的差异,本研究选取了A、B两个区域进行细节对比。其中,A区位于青海省曲麻莱县五道梁镇,该区海拔约4600 m,根据程国栋
[35 ] 等在西大滩调查区的调查结果可知,该区域多年冻土相对稳定,多年冻土厚度在20 m以上。植被类型是高寒草原。该区域改进前NPP为101.23 gC/(m
2 ·a),改进后为118.94 gC/(m
2 ·a),改进后植被NPP在介于（200~300）gC/(m
2 ·a)的面积明显扩大。B区位于青海省祁连县野牛沟乡,该区沟壑纵横,东北与西南两岸皆为高山,其间为黑河,水源比较充足,植被类型为高寒草甸,该区域多年冻土变化较大,多年冻土厚度在8~15 m。其改进前的植被NPP为210.21 gC/(m
2 ·a),改进后为246.78 gC/(m
2 ·a)。
3.3 改进模型的NPP空间分布特征 草地NPP整体呈现从东南向西北递减的空间格局,介于（0~788.94）gC/(m
2 ·a)之间,年均草地NPP为127 gC/(m
2 ·a)。青藏高原草地NPP总体水平较低,NPP在均值以下的分布范围较广,占草地总面积的45.4%。多年冻土区草地NPP为135.34 gC/(m
2 ·a),非多年冻土区为116.09 gC/(m
2 ·a)。青藏高原四种草地类型年均NPP从高到低依次为高寒沼泽草甸（220.057 gC/(m
2 ·a)）、高寒草甸（182.379 gC/(m
2 ·a)）、高寒草地（81.515 gC/(m
2 ·a)）、高寒荒漠草地（27.818 gC/(m
2 ·a)）,分别占青藏高原草地NPP总量的6.54%、75.67%、17.97%、4.13%（见
图5 ）。就地理分区而言,年均NPP最高的区域分布在IB1,为246.81 gC/(m
2 ·a),其次是IIC2,为228.11 gC/(m
2 ·a)。最低的区域分布在ID1,仅为7.68 gC/(m
2 ·a)（见
表2 ）。
图5 新窗口打开 |
下载原图ZIP |
生成PPT 图5青藏高原高寒草地多年平均NPP空间分布特征 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 5Spatial distribution characteristics of annual mean NPP in alpine grassland Tab. 2 表2 表2 自然区划NPP估算结果
Tab. 2
NPP estimation results of natural divisions 自然区划 年NPP2 ·a)) NPP总量 所占NPP总量 IIC2 228.11 29.28 11.63 IID2 35.04 4.11 1.63 IID3 33.04 3.44 1.37 IID1 17.49 1.08 0.43 ID1 7.68 1.33 0.53 IC2 78.55 37.03 14.71 IB1 246.81 58.93 23.41 OA1 201.87 6.78 2.65 IIAB1 214.71 66.98 26.6 IIC1 120.63 18.76 7.45 IC1 144.48 24.64 9.59
新窗口打开 |
下载CSV 3.4 改进模型的NPP时间变化特征 根据改进后模型,2000—2018年青藏高原高寒草地NPP整体上呈增加趋势,增长速率为0.21 gC/(m
2 ·a)（
P =0.023）,在（124.3~132.9）gC/(m
2 ·a)之间波动（见
图6 ）。2005年之后,NPP开始增长,到2006年出现峰值,这与国家在该区域大力推行“退耕还草”与“退牧还草”政策有密切关系,2016年出现峰值是由于该年度降水充沛,利于植物生长。2000—2018年青藏高原80.52%的区域草地NPP呈增加趋势,其中增加的占63.67%,显著增加的占17.85%,显著增加的主要分布在IC2的大部分地区以及IIC1的西部。19.48%的区域呈减少趋势,主要分布在IIC2的大部分地区以及IB1的东北部。青藏高原仅有17.9%区域植被NPP的变化趋势通过了显著性检验（
P <0.05）。
图6 新窗口打开 |
下载原图ZIP |
生成PPT 图6NPP年际变化趋势 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2020)4630号）绘制,底图无修改。
Fig. 6Inter-annual change trend of NPP 多年冻土区年均NPP波动范围为（130.82~140.0）gC/(m
2 ·a),年均增速为0.16 gC/(m
2 ·a)（
P =0.16）,非多年冻土区波动范围为（113.43~121.07）gC/(m
2 ·a),年均增速为0.24 gC/(m
2 ·a)（
P =0.002）（见
图7 ）。四种草地类型的NPP整体上均呈现上升趋势,高寒沼泽草甸、高寒草甸、高寒草地与高寒荒漠草地年均增速分别为0.06 gC/(m
2 ·a)（
P =0.406）、0.25 gC/(m
2 ·a)（
P =0.114）、0.21 gC/(m
2 ·a)（
P <0.001）、0.16 gC/(m
2 ·a)（
P =0.002）（见
图8 ）。
图7 新窗口打开 |
下载原图ZIP |
生成PPT 图7多年冻土区与非冻土区年际变化趋势 Fig. 7Interannual change trends in permafrost and non-frozen soil regions 图8 新窗口打开 |
下载原图ZIP |
生成PPT 图8不同草地类型年际变化趋势 Fig. 8Interannual change trends of different grassland types 4 讨论 4.1 改进前后模型对比 模型的改进是一项非常复杂的工作,对机制有深刻的理解才能建立数学模型描述机理过程,尤其是对于Biome-BGC模型此类基于复杂的生态系统过程模型。模型的改进过程中需要增加参数和模块,由于模块之间是耦合的,势必对模型的其他模块产生影响,因此要求较强的专业知识和编程能力
[20 ] 。本研究在Biome-BGC模型中考虑了土壤冻融过程产生的水,改进方法简单,并使得模型中的土壤水与真实值更加接近。
将Biome-BGC模型推广到整个青藏高原面上逐栅格计算NPP,弥补了该模型只能用于估算局部地区NPP的局限性,同时又充分体现机理模型的优势。利用原模型和改进后的模拟结果与实测采样点进行对比发现,与原始模型相比,改进后模型估算值与实测值更为接近,因此认为改进后的模型适用于青藏高原草地NPP的研究。
4.2 改进前后NPP变化特征 2000—2018年青藏高原原模型与改进模型的高寒草地NPP均呈现从东南向西北递减的空间分布特征,与以往****
[36 ,37 ] 的结果一致。改进后模型估算的NPP在空间分布上整体高于原模型（见
图3 ）,在IB1的大部分地区、IC1的南部、IIC2的北部差异最明显。这三个地区均多年冻土广泛分布。根据郑度等的青藏高原自然地域系统划分方法,IB1与IC1地处高原亚寒带,温度较低,Liu等
[38 ] 研究表明青藏高原最低气温的升温速率明显快于最高气温的升温速率,因而该区域具有较大的升温速率,随着气温的升高将直接导致地温的显著变化
[39 ] ,从而使得多年冻土活动层供应更多的土壤水分供给植物生长。IIC2地面植被覆盖高,地表反射率低,植被能够有效吸收能量,地表温度增加导致的冻融循环增加的土壤水分能有效促进NPP增加。
青藏高原草地NPP总体呈上升趋势（
P =0.023）,这与李传华等
[40 ] 、杨柏娟等
[41 ] 研究结论相符。原模型与改进后模型的NPP时间变化趋势大致相同,这是由于原模型与改进后模型各自输入的土壤模块与植被生理生态参数在研究时段内是一致的,因此改进后模型估算NPP的整体提高并不会影响到时间变化趋势。
4.3 改进后模型的优点及未来研究展望 土壤水分是植被生长的重要胁迫因子
[42 ] ,对植被生长有重要影响
[43 ] 。当土壤含水量过低时,植被为减少水分蒸腾,关闭部分气孔,从而限制了光合作用,降低植被生产力
[44 ] ,反之,当土壤含水量过高时,会抑制根的呼吸作用,进而抑制植被光合作用。因此,根据活动层冻融过程改进土壤水分对NPP估算产生重要影响
[45 ] 。青藏高原属干旱区,水分限制其植被生长。本研究加入土壤冻融水后,增加了水分补给,降低了土壤水分对植被生长的限制,改进后NPP值比原模型高,NPP估算精度提高。由于植被复杂的生理机制和显著的种间差异性,在理论模拟层面对模拟的改进很难有普适性,因此,改进后的模型还是存在一些不确定性,在今后的研究中,将尽可能详细地考虑大气-植被-土壤之间的过程机制,以提高估算精度。
5 结论 本研究基于改进冻融水的Biome-BGC模型逐栅格模拟青藏高原草地NPP,将原模型与改进后模型模拟的NPP与实测值相比较证明了本研究在青藏高原高寒草地的估算结果是可靠的,并且改进后模型模拟精度优于原模型,之后利用改进后模型估算了2000—2018年青藏高原草地NPP。结果表明：改进后的Biome-BGC模型有效地克服了原始模型中的土壤水分对NPP估算的限制,并且能够很好地反映青藏高原草地NPP的空间与时间变化特征。高寒草地NPP表现出较大的空间异质性,整体上呈现出从东南向西北递减的趋势,这与青藏高原的水热梯度分布相一致,大多数地区的草地NPP呈增长趋势。其次,改进冻融水循环后的模型模拟的NPP整体上高于原模型,原模型未考虑冻融水,模型输入的土壤水分比实际低,导致NPP低估。
当然改进后Biome-BGC模型也存在不足,首先驱动模型的启动文件和部分植被生理生态参数是通过插值得到的,插值方法本身存在一定误差。其次,冻土边界是一个不断变化的过程,在本研究中仅仅设定为定值,在以后的研究中,将考虑解决这两方面问题。
致谢 非常真诚感谢匿名专家在论文评审中所付出的时间和精力,评审专家对本文的数据源的说明、结论梳理等方面的修改意见,使本文获益匪浅,深表谢意。
[1] 于伯华 , 吕昌河 . 青藏高原高寒区生态脆弱性评价地理研究 , 2011 ,30(12 ):2289 -2295 . [本文引用: 1] [ Yu Bohua Lv Changhe Geographical Research , 2011 ,30(12 ):2289 -2295 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/yj2011120016 . URL [本文引用: 1] [2] 李传华 , 曹红娟 , 范也平 , 等 . 基于校正的CASA模型NPP遥感估算及分析:以河西走廊为例生态学报 , 2019 ,39(5 ):1616 -1626 . [本文引用: 1] [ Li Chuanhua Cao Hongjuan Fan Yeping et al . Remote sensing estimation and analysis of net primary productivity (NPP) based on corrected CASA model: A case study of Hexi CorridorActa Ecologica Sinica , 2019 ,39(5 ):1616 -1626 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5846%20/stxb201802060319 . URL [本文引用: 1] [3] 杨东辉 , 赵军 , 张智慧 , 等 . 近10年甘南牧区草地净初级生产力变化研究干旱地区农业研究 , 2011 ,29(1 ):263 -269 . [本文引用: 1] [ Yang Donghui Zhao Jun Zhang Zhihui et al . Research on changes of net primary productivity of grassland vegetation in Gannan pastoral area over the past 10 yearsAgricultural Research in Arid Areas , 2011 ,29(01 ):263 -269 .] DOI: cnki:SUN:GHDQ.0.2011-01-046 . URL [本文引用: 1] [4] Natasha MacBean Fabienne Maignan Cédric Bacour et al . Strong constraint on modelled global carbon uptake using solar-induced chlorophyll fluorescence dataScience Reports , 2018 ,8(1 ):1 -12 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/s41598-018-20024-w . URL [本文引用: 1] [5] Helmut Lieth Primary Productivity of the Biosphere , 1975 ,12:237 -261 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/978-3-642-80913-2_12 . URL [本文引用: 1] [6] Johannes J Feddema Physiscal Geography , 2005 ,26(6 ):442 -466 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.2747/0272-3646.26.6.442 . URL [本文引用: 1] [7] Xiao Xiangming David Hollinger John Aber et al . Satellite-based modeling of gross primary production in an evergreen needleleaf forestRemote Sensing of Environment , 2004 ,89(4 ):519 -534 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2003.11.008 . URL [本文引用: 1] [8] Krinner G Nicolas Viovy Nathalie de Noblet- Ducoudré et al . A dynamic global vegetation model for studies of the coupled atmosphere-biosphere systemGlobal Biogeochemical Cycles , 2005 ,19(1 ):1 -33 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1029/2003GB002199.%202005 . URL [本文引用: 1] [9] Jerry M Melillo A David McGuire David W Kicklighter et al . Global climate change and terrestrial net primary productionNature , 1993 ,363(6426 ):234 -240 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/363234a0 . URL [本文引用: 1] [10] Gianluca Tramontana Kazuito Ichii Gustau Camps-Valls et al . Uncertainty analysis of gross primary production upscaling using random forests, remote sensing and eddy covariance dataRemote Sensing of Environment , 2015 ,168:360 -373 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2015.07.015 . URL [本文引用: 1] [11] Wei Suhua Yi Chuxiang Fang Wei et al . A global study of GPP focusing on light-use efficiency in a random forest regression modelEcosphere , 2017 ,8(5 ):1 -19 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1002/ecs2.1724 . URL [本文引用: 1] [12] Jung M Reichstein M Bondeau A Biogeosciences , 2009 ,6(10 ):2001 -2013 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5194/bg-6-2001-2009 . URL [本文引用: 1] [13] Martin Brandt Jean-Pierre Wigneron Jerome Chave et al . Satellite passive microwaves reveal recent climate-induced carbon losses in African drylandsNature ecology&Evolution , 2018 ,2(5 ):827 -835 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/s41559-018-0530-6 . URL [本文引用: 1] [14] 王冉 , 刘志刚 , 杨沛琦 . 植物日光诱导叶绿素荧光的遥感原理及研究进展地球科学进展 , 2012 ,27(11 ):1221 -1228 . [本文引用: 1] [ Wang Ran Liu Zhigang Yang Peiqi Advances in Earth Science , 2012 ,27(11 ):1221 -1228 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11867/j.issn.1001-8166.2012.11.1221 . URL [本文引用: 1] [15] Zhang Zhaoying Zhang Yongguang Zhang Yao et al . The potential of satellite FPAR product for GPP estimation: An indirect evaluation using solar-induced chlorophyll fluorescenceRemote Sensing of Environment , 2020 ,240(1 ):111686 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2020.111686 . URL [本文引用: 1] [16] Chiesi M Maselli F Moriondo M et al . Application of BIOME-BGC to simulate Mediterranean forest processesEcological Modelling , 2007 ,206(1-2 ):179 -190 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ecolmodel.2007.03.032 . URL [本文引用: 2] [17] BEN BOND-LAMBERTY STITH.GRWER , DOUGLASE.AHL. Improved simulation of poorly drained forests using Biome-BGCTree Physiol , 2007 ,27(5 ):703 -15 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1093/treephys/27.5.703 . URL [本文引用: 3] [18] Sun Qingling Li Baolin Zhang Tao et al . An improved Biome-BGC model for estimating net primary productivity of alpine meadow on the Qinghai-Tibet PlateauEcological Modelling , 2017 ,350:55 -68 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ecolmodel.2017.01.%20025 . URL [本文引用: 3] [19] Steven W Running E Raymond Hunt Jr Scaling Physiological Processes , 1993 : 141 -158 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/B978-0-12-233440-5.50014-2 . URL [本文引用: 1] [20] Peter E Thornton Nan A Ecological Modelling , 2005 ,189(1-2 ):25 -48 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ecolmodel.2005.04.%20008 . URL [本文引用: 2] [21] Wang Xufeng Ma Mingguo Song Yi et al . Coupling of a biogeochemical model with a simultaneous heat and water model and its evaluation at an alpine meadow siteEnvironmental Earth Sciences , 2014 ,72(10 ):4085 -4096 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s12665-014-3300-z . URL [本文引用: 1] [22] Li Chuanhua Sun Hao Wu Xiaodong et al . An approach for improving soil water content for modeling net primary production on the Qinghai-Tibetan Plateau using Biome-BGC modelCatena , 2020 ,184:104253 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.catena.2019.104253 URL [本文引用: 1] [23] Zhao Lin Wu Xiaodong Wang Zhiwei et al . Soil organic carbon and total nitrogen pools in permafrost zones of the Qinghai-Tibetan PlateauScientific Reports , 2018 ,8(1 ):3656 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/s41598-018-22024-2 . URL [本文引用: 1] [24] 郑度 . 青藏高原自然地域系统研究中国科学 , 1996 ,26(4 ):336 -341 . [本文引用: 1] [ Zhen Du Science in China , 1996 ,26(4 ):336 -341 .] DOI: cnki:SUN:JDXK.0.1996-04-007 . URL [本文引用: 1] [25] 吴宏伊 , 童玲 , 陈云坪 . 基于中国通量网的MODIS短波反照率验证与分析遥感技术与应用 , 2012 ,27(5 ):735 -739 . [本文引用: 1] [ Wu Hongyi Tong Ling Chen Yunping Remote Sensing Technology and Application , 2012 ,27(5 ):735 -739 .] DOI: cnki:SUN:YGJS.0.2012-05-014 . URL [本文引用: 1] [26] Wang Wenying Ma Yonggui Xu Jin et al . The uptake diversity of soil nitrogen nutrients by main plant species in Kobresia humilis alpine meadow on the Qinghai-Tibet PlateauScience China Earth Sciences , 2012 ,55(10 ):1688 -1695 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11430-012-4461-9 . URL [本文引用: 1] [27] Ma Wenhong Fang Jinyun Yang Yuanhe et al . Biomass carbon stocks and their changes in northern China's grasslands during 1982-2006Sci China Life Sci , 2010 ,53(7 ):841 -850 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11427-010-4020-6 . URL [本文引用: 1] [28] Wang Liang Niu Kechang Yang Yuanhe et al . Patterns of above-and belowground biomass allocation in China's grasslands: Evidence from individual-level observationsSci China Life Sci , 2010 ,53(7 ):851 -857 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11427-010-4027-z . URL [本文引用: 1] [29] 杨梅学 , 姚檀栋 , 何元庆 . 青藏高原土壤水热分布特征及冻融过程在季节转换中的作用山地学报 , 2002 ,20(5 ):553 -558 . [本文引用: 1] [ Yang Meixue Yao Tandong He Yuanqing Journal of Mountain Science , 2002 ,20(5 ):553 -558 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1008-2786.2002.05.008. . URL [本文引用: 1] [30] 李瑞平 , 史海滨 , 赤江刚夫 , 等 . 冻融期气温与土壤水盐运移特征研究农业工程学报 , 2007 ,23(4 ):70 -74 . [本文引用: 1] [ Li Ruiping Shi Haibin Takeo Akae et al . Characteristics of air temperature and water-salt transfer during freezing and thawing periodTransactions of the CSAE , 2007 ,23(4 ):70 -74 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3321/j.issn:1002-6819.2007.04.013 . URL [本文引用: 1] [31] 戴黎聪 , 柯浔 , 张法伟 , 等 . 青藏高原季节冻土区土壤冻融过程水热耦合特征冰川冻土 , 2020 ,42(2 ):390 -398 . [本文引用: 1] [ Dai Licong Ke Xun Zhang Fawei et al . Characteristics of hydro-thermal coupling during soil freeze-thaw process in seasonally frozen regions of Qinghai-Tibet PlateauJournal of Glaciology and Geocryology , 2020 ,42(2 ):390 -398 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.7522/j.issn.1000-0240.2018.1085 . URL [本文引用: 1] [32] 孙皓 . 基于多模型的青藏高原高寒草地NPP估算研究兰州:西北师范大学硕士学位论文 , 2020 . [本文引用: 2] [ Sun Hao Lanzhou: Master Dissertation of Northwest Normal University , 2020 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.27410/d.cnki.gxbfu.2020.001428 . URL [本文引用: 2] [33] Zhang Aijing Zheng Chunmiao Wang Sai et al . Analysis of streamflow variations in the Heihe River Basin, northwest China: Trends, abrupt changes, driving factors and ecological influencesJournal of Hydrology: Regional Studies , 2015 ,3:106 -124 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ejrh.2014.10.005 . URL [本文引用: 1] [34] Song Yi Jin Long Wang Haibo Remote Sensing , 2018 ,10(2 ):1 -21 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3390/rs10010095 . URL [本文引用: 1] [35] 程国栋 , 赵林 , 李韧 , 等 . 青藏高原多年冻土特征, 变化及影响科学通报 , 2019 ,64(27 ):2783 -2795 . [本文引用: 1] [ Cheng Guodong Zhao Lin Li Ren et al . Characteristic, changes and impacts of permafrost on Qinghai-Tibet PlateauChin Sci Bull , 2019 ,64(27 ):2783 -2795 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1360/TB-2019-0191 . URL [本文引用: 1] [36] 陈舒婷 , 郭兵 , 杨潇 , 等 . 2000-2015年青藏高原植被NPP时空变化格局及其对气候变化的响应自然资源学报 , 2020 ,35(10 ):2511 -2577 . [本文引用: 1] [ Chen Shuting Guo Bin Yang xiao et al . Spatiotemporal pattern of vegetation NPP and its response to climate change over the Tibetan Plateau during 2000-2015Journal of Natural Resources , 2020 ,35(10 ):2511 -2577 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.31497/zrzyxb.20201016 . URL [本文引用: 1] [37] 朴世龙 , 方精云 . 1982-1999年青藏高原植被净第一性生产力及其时空变化自然资源学报 , 2002 ,17(3 ):373 -380 . [本文引用: 1] [ Piao Shilong Fang Jingyun Journal of Natural Resources , 2002 ,17(3 ):373 -380 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3321/j.issn:1000-3037.2002.03.020 . URL [本文引用: 1] [38] 李传华 , 孙皓 , 王玉涛 , 等 . 基于机器学习估算青藏高原多年冻土区草地净初级生产力生态学杂志 , 2020 ,39(5 ):1734 -1744 . [本文引用: 1] [ Li Chuanhua Sunhao , Wang Yutao et al . Estimation of grassland net primary productivity in permafrost regions of the Tibetan Plateau based on machine learningJournal of Ecology , 2020 ,39(5 ):1734 -1744 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13292/j.1000-4890.202005.010 . URL [本文引用: 1] [39] 杨柏娟 , 王思远 , 常清 , 等 . 青藏高原植被净初级生产力对物候变化的响应地理与地理信息科学 , 2015 ,31(5 ):1672 -0504 . [本文引用: 1] [ Yang Baijuan Wang Siyuan Chang Qing et al . Response of vegetation net primary productivity to phenological changes on the Qinghai-Tibet PlateauGeography and Geo-Information Science , 2015 ,31(5 ):1672 -0504 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1672-0504.2015.05.023 . URL [本文引用: 1] [40] Liu Xiaodong Chen Baode International Journal of Climatology , 2000 ,20(14 ):1729 -1742 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1002/1097-0088(20001130)20:14%3C1729:AID-JOC556%3E3.0.CO;2-Y . URL [本文引用: 1] [41] Cheng Guodong Wu Tonghua Journal of Geophysical Research , 2007 ,112(F2 ):1 -10 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1029/2006JF000631 . URL [本文引用: 1] [42] Guo Ran Wang Xiaoke Ouyang Zhiyun et al . Spatial and temporal relationships between precipitation and ANPP of four types of grasslands in northern ChinaJournal of Environmental Sciences , 2006 ,18(5 ):1024 -1030 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/S1001-0742(06)60033-8 . URL [本文引用: 1] [43] Li Fang Zhao Wenzhi Journal of Arid Environments , 2017 ,146:44 -52 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.jaridenv.2017.07.011 . URL [本文引用: 1] [44] 郭忠升 , 邵明安 . 半干旱区人工林草地土壤旱化与土壤水分植被承载力生态学报 , 2003 ,23(8 ):1640 -1647 . [本文引用: 1] [ Guo Zhongsheng Shao Mingan Acta Ecologica sinica . 2003 ,23(8 ):1640 -1647 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3321/j.issn:1000-0933.2003.08.023 . URL [本文引用: 1] [45] An Wenming Li Zhongshan Wang Shuai et al . Exploring the effects of the "Grain for Green" program on the differences in soil water in the semi-arid Loess Plateau of ChinaEcological Engineering , 2017 ,107:144 -151 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.ecoleng.2017.07.017 . URL [本文引用: 1] 
,1, 孙皓2, 李传华
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
