全 文 ：基于遥感和过程模型的亚洲东部陆地生态系统
初级生产力分布特征*
张方敏1**摇 居为民2 摇 陈镜明3 摇 王绍强4 摇 于贵瑞4 摇 韩士杰5
( 1南京信息工程大学应用气象学院, 南京 210044; 2南京大学国际地球系统科学研究所, 南京 210093; 3多伦多大学地理与规
划系, 加拿大多伦多 M5S 3G3; 4中国科学院地理科学与资源研究所, 北京 100101; 5中国科学院沈阳应用生态研究所森林与
土壤生态国家重点实验室, 沈阳 110164)
摘摇 要摇 利用美国环境预测中心的再分析气象资料和由 GIMMS NDVI 资料生成的叶面积指
数对 BEPS生态模型进行驱动,模拟分析了 2000—2005 年亚洲东部地区总初级生产力(GPP)
和总净初级生产力(NPP)的时空变化特征.在进行区域模拟计算前,使用 15 个站点不同生态
系统的 GPP观测数据及 1300 个样点的 NPP观测数据对模型进行验证.结果表明: BEPS模型
能较好地模拟不同生态系统的 GPP和 NPP变化,模拟的 GPP与观测数据之间的 R2为 0. 86 ~
0. 99,均方根误差(RMSE)为 0. 2 ~ 1. 2 g C·m-2·d-1;BEPS 模拟值能够解释 78%的年 NPP
变化,其 RMSE为 118 g C·m-2·a-1 . 2000—2005 年,亚洲东部地区 GPP 和 NPP 总量平均值
分别为 21. 7 和 10. 5 Pg C·a-1 . NPP和 GPP具有相似的时空变化特征.研究期间,NPP总量的
变化范围为 10. 2 ~ 10. 7 Pg C·a-1, 变异系数为 2. 2% . NPP 由东南向西北显著减少,高值区
(>1000 g C·m-2·a-1)出现在东南亚海岛国家,我国的西北干旱沙漠地区为低值区(<30 g C·
m-2·a-1),其空间格局主要由气候因子决定. 不同国家的人均 NPP 差异很大,其中,蒙古最
高,达 70217 kg C·a-1,远高于中国的人均 NPP(1921 kg C·a-1),印度的人均 NPP 最小,为
757 kg C·a-1 .
关键词摇 净初级生产力摇 总初级生产力摇 BEPS模型摇 亚洲东部摇 碳循环
*国家自然科学基金 A3 前瞻计划重大国际(地区)合作项目(30721140307)、国家自然科学基金项目(40871240 / D011004)和江苏省研究生创
新计划项目(CX09B_223Z)资助.
**通讯作者. E鄄mail: zfmnuist@ hotmail. com
2011鄄06鄄01 收稿,2011鄄11鄄20 接受.
文章编号摇 1001-9332(2012)02-0307-12摇 中图分类号摇 Q948摇 文献标识码摇 A
Characteristics of terrestrial ecosystem primary productivity in East Asia based on remote
sensing and process鄄based model. ZHANG Fang鄄min1, JU Wei鄄min2, CHEN Jing鄄ming3, WANG
Shao鄄qiang4, YU Gui鄄rui4, HAN Shi鄄jie5 ( 1 College of Applied Meteorology, Nanjing University of
Information Science & Technology, Nanjing 210044, China; 2 International Institute for Earth System
Science, Nanjing University, Nanjing 210093, China; 3Department of Geography and Program in
Planning, University of Toronto, Toronto M5S 3G3, Canada; 4 Institute of Geographic Sciences and
Natural Resources Research, Chinese Academy Sciences, Beijing 100101, China; 5State Key Labora鄄
tory of Forest and Soil Ecology, Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang
110164, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(2): 307-318.
Abstract: Based on the bi鄄linearly interpolated meteorological reanalysis data from National Centers
for Environmental Prediction, USA and by using the leaf area index data derived from the GIMMS
NDVI to run the process鄄based Boreal Ecosystems Productivity Simulator (BEPS) model, this paper
simulated and analyzed the spatiotemporal characteristics of the terrestrial ecosystem gross primary
productivity (GPP) and net primary productivity (NPP) in East Asia in 2000-2005. Before re鄄
gional simulating and calculating, the observation GPP data of different terrestrial ecosystem in 15
experimental stations of AsiaFlux network and the inventory measurements of NPP at 1300 sampling
sites were applied to validate the BEPS GPP and NPP. The results showed that BEPS could well
simulate the changes in GPP and NPP of different terrestrial ecosystems, with the R2 ranging from
应 用 生 态 学 报摇 2012 年 2 月摇 第 23 卷摇 第 2 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Feb. 2012,23(2): 307-318
0. 86 to 0. 99 and the root mean square error (RMSE) from 0. 2 to 1. 2 g C·m-2·d-1 . The simu鄄
lated values by BEPS could explain 78% of the changes in annual NPP, and the RMSE was 118 g
C·m-2·a-1 . In 2000-2005, the averaged total GPP and total NPP of the terrestrial ecosystems in
East Asia were 21. 7 and 10. 5 Pg C·a-1, respectively, and the GPP and NPP exhibited similar
spatial and temporal variation patterns. During the six years, the total NPP of the terrestrial ecosys鄄
tems varied from 10. 2 to 10. 7 Pg C·a-1, with a coefficient of variation being 2郾 2% . High NPP
(above 1000 g C·m-2·a-1) occurred in the southeast island countries, while low NPP (below 30
g C·m-2·a-1) occurred in the desert area of Northwest China. The spatial patterns of NPP were
mainly attributed to the differences in the climatic variables across East Asia. The NPP per capita
also varied greatly among different countries, which was the highest (70217 kg C·a-1) in Mongo鄄
lia, far higher than that (1921 kg C·a-1) in China, and the lowest (757 kg C·a-1) in India.
Key words: net primary productivity (NPP); gross primary productivity (GPP); BEPS model;
East Asia; carbon cycle.
摇 摇 陆地生态系统碳循环影响大气 CO2浓度,是大
气 CO2浓度季节和年际变化的主要驱动力[1] . 工业
革命以来,全球范围内每年大约有 1 / 5 的排放碳被
植被吸收[2] .生态系统总初级生产力(GPP)是光合
同化作用的直接产物,扣除自养呼吸(Ra)消耗后,
形成生态系统净初级生产力(NPP). NPP 作为碳循
环的重要组成部分,可反映植被对碳循环的固定作
用,同时也是反映植被健康和资源利用状况的主要
指标.
亚洲东部(10毅 S—55毅 N,60毅—155毅 E)包括了
从寒带到热带的广大地区,地形复杂, 植被类型多
样,中纬度受季风影响,沿海与内陆气候差异明显,
干旱、洪涝和台风等灾害常有发生,该地区人类活动
导致的地表覆盖变化明显,使该地区陆地生态系统
碳循环在时间和空间上存在着很大的变异性. 该地
区被认为是当今全球陆地生态系统碳循环研究中最
有争议的地区之一[3] .研究亚洲东部陆地生态系统
初级生产力的时空分布特征及驱动机制对预测未来
气候变化具有重要的科学意义.
近年来,关于生产力方面的报道较多,但由于研
究方法、模型和输入资料的不同造成区域研究结果
存在差异. 如 Yu 等[4]、李伟等[5] 曾利用 AVHRR
NDVI资料驱动 CASA模型对 1982—1999 年东亚地
区(10毅—70毅 N,70毅—170毅 E)NPP时空分布进行了
研究,虽然两者采用相同的资料和模型,但得到的
NPP年际变化和大小并不相同;Matsushita 和 Tamu鄄
ra[6]利用 BEPS 模型模拟亚洲东部 1998 年的 NPP,
认为阔叶林的平均 NPP 最大,落叶林次之,稀树草
原最小.目前,MODIS提供全球每天 1 km的 NPP产
品, 据统计,2000—2005 年东亚地区 (10毅 S—55毅
N, 60毅—155毅 E ) NPP 总 量 的 平 均 值 为 11郾 3
Pg C·a-1,GPP 总量平均为 23郾 7 Pg C· a-1 ( ht鄄
tps: / / lpdaac郾 usgs郾 gov).虽然 MODIS 的 NPP / GPP 产
品被广泛引用,但因存在不少问题而遭到质疑[7-8] .
MODIS的 NPP / GPP 是基于设定的最大光能利用率
计算的,仅用温度和水汽压差对最大光能利用率进行
线性调节,最大光能利用率和调节因子的误差会带来
NPP / GPP的不确定性.已有的利用遥感数据计算东
亚地区 NPP 变化特征的研究多采用光能利用率模
型,但由于光能利用率模型存在上述问题,故本研究
采用遥感驱动的机理性生态模型 BEPS,分析 2000—
2005年亚洲东部地区陆地生态系统GPP和NPP的时
空分布特征,旨在采用不同方法对初级生产力进行研
究,定量研究 GPP和 NPP的变化和分布规律,减少亚
洲东部碳循环研究的不确定性.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
本研究区域为 10毅 S—55毅 N,60毅—155毅 E的亚
洲东部地区(图 1),包括中国、日本、韩国、朝鲜、蒙
古、印度半岛、老挝、越南、泰国、柬埔塞、缅甸、东南
亚海岛国家和俄罗斯东部地区. 该区的东部和南部
主要受季风气候控制,属温带阔叶林气候和亚热带
森林气候;西北内陆受大陆性气候控制,属大陆性温
带草原、沙漠气候;西南内陆受喜马拉雅山的影响,
属山地高原气候.森林主要分布在泛东南亚和东北
亚地区,西北内陆和蒙古等以温带草原为主,印度半
岛以热带季风草原和作物为主.
1郾 2摇 模型介绍
BEPS模型[9-12]的最主要特点是把冠层分为阳
叶和荫叶两部分,将叶片尺度瞬时 Farquhar 光化学
模型[13]进行时空尺度转换[12],实现遥感资料与机
理性生态模型的有机结合,模拟每天的 GPP、NPP、
803 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
蒸腾和土壤水分动态. 模型的输入资料包括日最高
和最低气温、日平均相对湿度、日总太阳辐射、日降
水量、LAI、地表覆盖类型和土壤有效持水量等. 该
模型已经在加拿大、美国和亚洲东部得到了广泛应
用[11,14-16] .模型的碳循环基本计算过程如下:
1郾 2郾 1 叶片尺度的瞬间光合速率摇 叶片尺度的光合
同化过程计算主要包括 Farquhar 光合模型、气孔光
合同化模型,基本计算方法如下:
1)光合速率:
A=min(wc,w j)-Rd (1)
式中:A为叶片净同化速率(mol·m-2·s-1); wc为
受 Rubisco活性限制的光合速率(mol·m-2·s-1);
w j为依赖电子传递的光合速率(mol·m-2·s-1); Rd
为暗呼吸 (mol·m-2·s-1).
wc =
Vm
C i - 祝
C i + kco
V
{
m
摇
for C3
for C4
(2)
式中:Vm为最大羧化速率 (mol·m-2·s-1);C i为胞
间 CO2浓度 (Pa);祝为 CO2浓度补偿点 (Pa);kco为
酶动力参数 (Pa).
w j =
J
C i - 祝
4郾 5C i + 10郾 5祝{
J
摇
for C3
for C4
(3)
式中:J为电子传递速率(mol·m-2·s-1).
2)光合气孔模型
Rd =0郾 015Vm (4)
A=(Ca-C i)g (5)
式中:Ca为大气 CO2浓度 (Pa); g 为 CO2传输导度
(mol·m-2·s-1).
3)气孔导度:
g抑106 gs / [Rgas(Ta+273)] (6)
式中:gs为气孔导度 (mol·m-2 ·s-1 );Ta为气温
(益); Rgas为 气体常数 (m3·Pa·mol-1·K-1).
gs =gs max·f(PPFD)·f(Ta)·f(VPD)·f(兹sw)
·f(Ts) (7)
式中:gs max为最大气孔导度 (mol·m-2·s-1);PPFD
为光电子通量密度;Ta为气温(益); VPD 为水汽压
差(Pa);兹sw为土壤水含量(m3·m-3);Ts为土壤温度
(益);f是影响因子的函数.
摇 摇
J = [Jm + 0郾 38S - (Jm + 0郾 38S)2 - 1郾 064JmS] / 1郾 4
Jm = Jm 25
Nl
Nl max
aj
Ta-25
10 [1 + e
85郾 4Ta-3147郾 7
Ta+273 ]
Vm = Vm 25
Nl
Nl max
av
Ta-25
10 / [1 + e
85郾 4Ta-3147郾 7
Ta+273 ]
祝 = 40郾 2 伊 1郾 75
Ta-25
10 + 209 伊 1郾 75
Ta-25
10
Ci = 琢C
ì
î
í
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
a
(8)
式中:J为电子传递速率 (mol·m-2·s-1);Jm 为最
大电子传递速率 (mol·m-2·s-1);Jm 25为 25 益时
的最大电子传递速率 (mol·m-2·s-1); S 为入射
太阳辐射 (mol·m-2·s-1); Nl和 Nl max分别为实际
及最大叶氮含量 (mmol·m-2);aj和 av分别为羧化
和电子传递速率的温度函数;Vm 25为 25 益时的最大
羧化速率 (mol·m-2·s-1);琢为 C i和 Ca之比.
1郾 2郾 2 荫、阳叶的辐射传输 摇 辐射入射量决定不同
叶片的光电子传递过程. 根据 Norman[17]的荫阳叶
辐射传输模型,荫阳叶的不同辐射入射量表示如下:
Ssunlit = Sdircos琢 / cos兹 + Sshaded (9a)
Sshaded = (Sdif - Sdif,under) / LAI + C (9b)
C = 0郾 07赘Sdir(1郾 1 - 0郾 1LAI)exp( - cos兹)
(10)
Sdif,under = Sdifexp( - 0郾 5赘LAI / cos軃兹) (11)
cos軃兹 = 0郾 537 + 0郾 025LAI (12)
式中:Ssunlit、Sshaded、Sdir、Sdif、Sdif,under分别为阳叶、荫叶、
直接入射、散射、冠层下散射的辐射量(W·m-2);C
为多次散射辐射量(W·m-2);赘 为丛聚指数,值为
0 ~ 1,表示植被的丛聚效应,值越小,植被越丛聚,荫
叶叶面积越大;LAI 为冠层的叶面积;琢 和 兹 分别为
平均叶和太阳天顶角.
根据荫、阳叶不同的入射辐射量由以上过程计
算荫、阳叶瞬时的羧化及光同化量.
1郾 2郾 3 叶片尺度的日步长积分摇 根据叶片 Farquhar
光合模型(式 1 ~ 4,式 8)和光合气孔模型(式 5 ~
7), 代替 C i,得到如下方程:
摇 摇 Ac =
1
2 (Ca + kco)g + Vm - Rd - [(Ca + kco)g + Vm - Rd]
2 - 4[Vm(Ca - 祝) - (Ca + kco)Rd]{ }g
(13a)
Aj =
1
2 (Ca + 2郾3祝)g + 0郾2J - Rd - [(Ca + 2郾3祝)g + 0郾2J - Rd]
2 - 4[0郾2J(Ca - 祝) - (Ca + 2郾3祝)Rd]{ }g (13b)
9032 期摇 摇 摇 摇 摇 摇 摇 张方敏等: 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征摇 摇 摇 摇 摇
式中:Ac 为受 Rubisco 活性限制的光合速率(mol·
m-2·s-1); Aj 为依赖电子传递的光合速率(mol·
m-2·s-1). 其中,对于 Ac,a = (kco +Ca) 2、b = 2(2祝+
kco-Ca)Vm+2(Ca+kco)Rd、c= (Vm-Rd) 2;对于 Aj,a =
(2郾 3祝+Ca) 2、b=0郾 4(4郾 3祝-Ca)J+2(Ca+2郾 3祝)Rd、
c=(0郾 2Jm-Rd) 2;对于 Ac 和 Aj,d = (agn+bgn+c) 1 / 2、
e=(agmin+bgmin+c) 1 / 2 . Ac 和 Aj 中,用荫、阳叶不同的
辐射入射量及参数可以得到不同叶子的相应光合同
化量.
光合作用受环境条件的影响,求解考虑所有影
响日变化下的 A的时间积分时,需要大量的计算机
资源,并且很难得到其数值解析解. Chen 等[12]通过
试验发现,由于辐射、水汽压造成的气孔导度的变化
对 A的日变化为第一影响因子,其他因子为第二影
响因子并且受到辐射日变化的影响. 假定光合同化
参数随环境条件发生线性变化、辐射决定气孔导度
的日变化、辐射的日变化遵循太阳天顶角的余弦函
数,对气孔导度积分可得:
A = 10郾 5仔 / 2乙
仔/ 2
0
cos兹d兹· 12(gn - gmin)乙
gn
gmin
Agdg
= 1郾 272(gn - gmin)
[a
1 / 2
2 (g
2
n - g2min) + c1 / 2(g2n -
摇 g2min) -
2agn + b
4a d +
2agmin + b
4a e
1 / 2 +
摇 b
2 - 4ac
8a3 / 2
ln
2agn + b + 2a1 / 2d
2agmin + b + 2a1 / 2e
] (14)
式中:gn和 gmin分别为中午 CO2气孔导度和最小气孔
CO2导度.
1郾 2郾 4 冠层光合速率摇 由于荫、阳叶属性的不同,其
辐射传输、气孔导度及光合作用也不相同.将冠层看
做荫、阳两部分分别计算叶片的同化速率:
Acanopy =AsunlitLAIsunlit+AshadedLAIshaded (15)
Lsunlit =2cos兹[1-exp(-0郾 5赘LAI / cos兹)] (16a)
Lshaded =LAI-Lsunlit (16b)
式中:LAI、LAIsunlit和 LAIshaded分别为冠层、阳叶和荫叶
的叶面积;Acomopy、Ashaded和 Asunlit分别为冠层、阳叶、荫
叶的净同化速率(mol·m-2·s-1);赘 为丛聚指数;兹
为太阳高度角.
1郾 2郾 5 自养呼吸 摇 自养呼吸(Ra)包括维持性呼吸
(Rm)和生长性呼吸(Rg),其分别包括叶、茎、细根和
粗根 4 个库( i),其算式如下:
Ra = Rm + Rg =移
i
(Rm,i + Rg,i) (17a)
Rm,i = Mirm,iQ10,i (17b)
Rg,i = rg,ira,iGPP (17c)
式中:Mi为不同碳库的生物量;rm,i、rg,i和 ra,i分别为
不同碳库的维持性呼吸系数、生长性呼吸系数和碳
分配系数;GPP为总初级生产力;Q10,i为温度敏感系
数.
1郾 2郾 6 区域 NPP
NPP = GPP - Ra (18)
1郾 3摇 输入资料
运行模型前,对所有输入资料进行插值和投影
变换处理,输入资料的空间分辨率为 0郾 07272毅 伊
0郾 07272毅,投影方式为经纬度地理投影,整个研究区
共有 1308伊896 个像元.
1郾 3郾 1 地表覆盖分类 摇 BEPS 模型中,最大气孔导
度、最大羧化速率、植物呼吸速率和丛聚指数等影响
GPP和 NPP计算的关键参数都与地表植被覆盖类
型有关.本研究的地表植被覆盖数据采用美国马里
兰大学 GLCF(Global Land Cover Facility)生成的空间
分辨率为 0郾 07272毅的全球地表覆盖分类图(http: / /
www郾 glcf郾 umd郾 edu) [18],该套数据共有 13 种地表分
类 ,截取后的亚洲东部范围的分类结果如图1所示.
图 1摇 研究区地表覆盖分类图
Fig. 1摇 Land cover map of East Asia.
黑色圆点代表用于模型验证的通量站点 The black solid circles repre鄄
sented sites at which the model was validated using measured GPP. a)常
绿针叶林 Evergreen needle leaf forest; b)常绿阔叶林 Evergreen broad鄄
leaved forest; c)落叶针叶林 Deciduous needle leaf forest; d)落叶阔叶
林 Deciduous broad鄄leaved forest; e)混交林 Mixed forest; f)疏林地
Woodland; g)稀树草原 Wooded grassland; h)密灌木林 Closed shrub鄄
land; i)稀疏灌木林 Open shrubland; j)草地 Grassland; k)农田 Crop鄄
land; l)裸地 Bare land; m)城镇和建筑用地 Urban and built鄄up郾
SMF:濑户站 Seto station; MMF:母子里混交林站 Moshiri mixed forest
station; MBF:母子里桦树站 Moshiri Birch forest station; TSE:天盐站
Teshio CC鄄LaG station; TKY:高山站 Takayama deciduous station;
MSE:茨城站 Mase station; TMK:苫小牧站 Tomakomai station; SKT:
肯特站 Southern Khentei Taiga station; NMG:内蒙古站 Inner Mongolia
station; YC:禹城站 Yucheng station; CBS:长白山站 Changbaishan sta鄄
tion; QYZ:千烟洲站 Qianyanzhou station;QHB:青海站 Qinghai sta鄄
tion; MKL:美功站 Mae Klong station; SKR:沙卡站 Sakaerat station.
下同 The same below.
013 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
该地表分类数据对东亚地区的分类精度较好[3] .
1郾 3郾 2 叶面积指数 摇 根据 Myneni 等[19]的算法,由
GIMMS NDVI 资料 ( http: / / www郾 glcf郾 umd郾 edu / da鄄
ta / gimms)转换生成每 15 天的 LAI 数据.该套 NDVI
数据的空间分辨率为 0郾 07272毅,由 NOAA / AVHRR
数据经过几何校正、大气纠正、传感器订正和去云处
理后合成[20] .尽管 GIMMS NDVI 已经进行了大气纠
正和去云处理,但在一个空间分辨率为 0郾 07272毅的
像元内可能存在部分被云覆盖的现象,导致 LAI 出
现非真实性波动,所以对生成的 LAI 序列采用局部
调整的三次样条帽盖算法(LACC) [21]进行平滑处
理.通过 4 个代表站点 LAI 平滑前后的比较可以发
现,LACC方法有效地消除了 LAI 的非正常性波动,
在低纬度地区,LAI平滑的效果尤为明显,如在位于
亚热带的千烟洲(QYZ),植被类型为常绿针叶林,
未进行平滑前,生长季节相邻 15 d 的 LAI 值的变化
高达 3郾 0 以上,LAI 的这种不合理波动经平滑处理
后得到了去除(图 2).在运行模型时,假设每月两次
的 LAI分别生成于 1 日和 15 日,对其进行线性插值
得到每天的 LAI.
1郾 3郾 3 气象资料 摇 逐日气象资料 (最高和最低气
温、湿对湿度、太阳辐射、气压和日降水量) 来源于
美国环境预测中心(NCEP)的再分析资料,采用双
线性方法进行插值处理. 对于最高、最低温度和降
水,将插值结果与由分辨率为 30 s (赤道地区为
0郾 93伊0郾 93 = 0郾 86 km2 ) 的 WorldClim[22] ( http: / /
www. worldclim. org ) 数据采样生成分辨率为
0郾 07272毅 的温度和降水月值进行融合,以考虑地形
对温度和降水的影响效应,即:
T( i,j,d,m) = 軈Twc( i,j,m) + Tnc( i,j,d,m) -
摇 摇 摇 摇 摇 摇 軈Tnc( i,j,m)
R( i,j,d,m) = 軈Rwc( i,j,m)·Rnc( i,j,d,m) /
摇 摇 摇 摇 摇 摇 軈Rnc( i,j,m
ì
î
í
ï
ïï
ï
ï )
(19)
式中:T( i,j,d,m)为最终生成的第 m月第 d 天的日
最高或最低气温;軈Twc( i,j,m)为 WorldClim数据集生
成的第 m月的最高 /最低气温平均值;Tnc( i,j,d,m)
和 Tnc( i,j,m)分别为根据 NCEP数据插值生成的第
m月第 d 天最高 /最低气温和对应的当月平均值;
R( i,j,d,m)为最终插值生成的第 m 月第 d 天的降
水量;軈Rwc( i, j,m)为 WorldClim 数据集生成的第 m
月降水量;Rnc( i,j,d,m)和 軈Rnc( i, j,m)分别为根据
NCEP数据插值生成的第 m月第 d天的降水量和当
月的降水量.
图 2摇 4 个典型站点 LAI经 LACC平滑前后的比较
Fig. 2摇 Comparison of LAI before and after smoothing using the LACC method at 4 sites.
A:常绿针叶林 Evergreen needle leaf forest; B:落叶阔叶林 Deciduous broad鄄leaved forest; C:高山草甸 Alpine meadow; D:亚寒带针叶林 Asian bore鄄
al coniferous forest. 玉:平滑前 Before smoothing; 域:平滑后 After smoothing.
1132 期摇 摇 摇 摇 摇 摇 摇 张方敏等: 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征摇 摇 摇 摇 摇
摇 摇 由于 NCEP 数据高估了北半球地区的太阳辐
射[7],参照 Feng等[15]的方法对该数据进行订正.每
天的平均相对湿度由温度、比湿和气压计算生成.
1郾 3郾 4 土壤有效持水量摇 土壤有效持水量等于田间
持水量与永久凋萎系数之差,指能被植被利用的最
大土壤水分,该数据来自 IGBP鄄DIS ( http: / / www.
daac. ornl. gov) 的土壤属性数据库.
1郾 3郾 5 通量数据及统计数据 摇 亚洲通量网(http: / /
www. asiaflux. net)集合了亚洲地区不同国家的通量
网数据,为区域碳循环研究和模型验证提供通量观
测数据.本文下载研究区内亚洲通量网的 15 个可利
用站的通量资料进行 GPP的验证,15 个通量站包括
日本的濑户站(SMF)、母子里混交林站(MMF)、母
子里桦树站(MBF)、天盐站(TSE)、高山站(TKY)、
茨城站(MSE)和苫小牧站(TMK),蒙古的肯特站
(SKT),中国的内蒙古站(NMG)、禹城站(YC)、长
白山站(CBS)、千烟洲站(QYZ)、青海站(QHB),泰
国的美功站(MKL)和沙卡站(SKR). 这 15 个站点
的分布(图 1)贯穿于亚寒带、温带、亚热带和热带,
植被类型包括针叶林、阔叶林、混交林、灌木林、草地
和农田,且树种年龄、树高等有一定差异. 土壤类型
包括典型的新成土、粘土、红壤等. 通量站点的详细
介绍见亚洲通量网.
用于 NPP验证的实测数据来源于 2 个数据集,
一是 IGBP鄄DIS的 GPPDI(Global Primary Productivity
Initiative)的 NPP 实测资料[23] ( http: / / www鄄eosdis.
ornl. gov),覆盖了各种植被类型的代表性样点,该数
据被广泛用于全球模型参数化和结果验证等;另一
个来源于罗天祥[24]的 NPP 实测资料. 对两个资料
进行编译处理,最后得到研究区内 1300 个站点的
NPP实测数据.
2摇 结果与分析
2郾 1摇 模拟与实测 GPP的比较
15 个站点的植被和气候类型虽然不同,但 GPP
的季节变化特征相似. GPP 在春季随着温度的上升
而迅速上升,在 6 月末至 8 月初达最大;到了秋季,
GPP随着气温下降和叶子掉落(落叶林)而迅速下
降;在冬季,温带和亚寒带站点的 GPP 基本为零,而
亚热带站点(如 QYZ 站)的 GPP 仍大于零,为 1 ~ 3
g C·m-2·d-1,热带站点(如 MKL 和 SKR 站)的
GPP很高,为 3 ~ 10 g C·m-2·d-1;在夏季,15 个站
点的 GPP存在着较大差别, 最小值出现在内陆的草
地 NMG和 QHB站,为 4郾 5 ~ 5郾 5 g C·m-2·d-1,植
被为落叶松的日本 TMK站的 GPP最大,为 20 g C·
m-2·d-1 . YC站的农作物为一年两熟,GPP 呈双峰
变化.由图 3 可以看出,BEPS 模型能较好地模拟出
GPP的季节变化及其对异常气候条件的响应,如在
QYZ站,模型模拟出了 2003 年夏季高温干旱导致
的 GPP下降,但模拟的 GPP下降幅度比观测数据略
小;BEPS也能很好地模拟 YC站农田 GPP季节性变
化,但模拟的夏熟作物成熟导致的 GPP 下降速度快
于观测数据;在日本的 MBF 站,模拟的 GPP 在冬季
系统性低于观测值;在 TMK 站,模型能模拟夏季极
端天气造成的 GPP波动,但绝对值存在一定偏差.
总体上,模型与观测的日 GPP 之间的 R2为
0郾 86 ~ 0郾 99,模拟 GPP 的均方根误差 ( RMSE)为
0郾 2 ~ 1郾 2 g C·m-2 ·d-1, 最大值出现在 TKY 站
(2002 年),最小值出现在 QHB 站(2003 年). 模拟
结果与观测数据之间线性回归方程的斜率大部分接
近于 1郾 0,表明模型能较好地模拟各站点 GPP的高值
和低值. 在年尺度上,实测的年 GPP 为 402 ~ 1822
g C·m-2·a-1,而模拟结果为 395 ~1905 g C·m-2·
a-1 .模拟的年 GPP与观测数据的偏差在 QYZ、QHB、
TMK、CBS站较小,相对误差 (RE)为 0依10% ,其中,
TMK和 QYZ 站的 RE 为(0依5% ). 在 QHB 和 QYZ
站,模型低估了年 GPP(RE<0),而在 TMK、TKY 和
SKT站,模型高估了年 GPP,在 TKY 站的高估较明
显,达 10% ~ 19% . 在 TKY 站,观测的 2004 年 GPP
较前 3 年的平均值下降 32% ,模拟的 GPP虽然也较
前 3 年平均值明显下降,但降幅小于观测数据.
摇 摇 通过 BEPS模拟的 1300 个样点的年 NPP 与实
测数据的对比可以看出,BEPS 模型能够解释 78%
的 NPP在不同样点的变化(RMSE=118 g C·m-2·
a-1,P<0郾 01) (图 4). 但模拟 NPP 的平均值比实测
NPP低 7郾 9% ,当 NPP>1300 g C·m-2·a-1时,模拟
NPP的偏低现象尤为明显. 模型结果与观测数据存
在偏差的可能原因主要包括模型与观测样地尺度的
差别、模型输入数据(LAI 和气候数据)的不确定性
以及模型参数取值的误差. 总体而言,BEPS 模型能
较好地模拟亚洲东部 NPP.
2郾 2摇 NPP模拟值与其他模型结果的比较
不同模型模拟的中国不同生态系统 NPP 值存
在较大差距(表 1).本文模拟的 2000—2005 年中国
NPP平均值为 277 g C·m-2·a-1,年总量为 2郾 49
Pg C·a-1,与 Feng 等[15]、李贵才[25]的结果比较相
近,高于朴世龙等[26]的结果,低于刘明亮[27]、王军
邦[28]的结果.本研究得到的针叶林、阔叶林、混交林、
213 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
图 3摇 BEPS模型模拟的 15 个通量站的日 GPP与观测数据的对比
Fig. 3摇 Comparison of simulated daily GPP using BEPS with measured values at 15 sites.
玉:实测 GPP Measured GPP;域:模拟 GPP Simulated GPP.
草地和农田的 NPP分别为 487、609、537、211 和 405
g C·m-2·a-1,而以往相应的研究结果范围分别为
150 ~ 824、 114 ~ 1669、 250 ~ 1000、 122 ~ 348 和
239 ~ 760 g C·m-2·a-1,说明本研究模拟得到的不
同植被类型 NPP在以往模拟结果范围之内.
不同模型模拟结果不一致的主要原因在于:1)
时间序列不一致,本文中 NPP平均值为 2000—2005
年数据,表 1 中其他数据主要为 1 a 数据或多年平
均的 NPP结果;2)模型本身的差异,不同模型在结
构、光合和呼吸过程的模拟方法和关键模型参数取
值等方面存在差异,遥感驱动模型的 NPP 模拟值一
般低于生态模型,这是因为后者没有充分考虑人类
活动对 NPP 的影响,所得结果为潜在 NPP;3)模型
的输入数据及时空分辨率的不同. Feng等[15] 、王军
3132 期摇 摇 摇 摇 摇 摇 摇 张方敏等: 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征摇 摇 摇 摇 摇
表 1摇 不同模型对中国几种主要植被类型 NPP模拟结果的比较
Table 1摇 Comparison of simulated NPP for main vegetation types in China by different models
模型
Model
针叶林
Needle
leaf
forest
(g C·
m-2·
a-1)
阔叶林
Broad鄄
leaved
forest
(g C·
m-2·
a-1)
混交林
Mixed
forest
(g C·
m-2·
a-1)
草地
Grass
land
(g C·
m-2·
a-1)
农田
Crop
land
(g C·
m-2·
a-1)
均值
Mean
(g C·
m-2·
a-1)
年总量
Annual
NPP
(Pg C·
a-1)
分辨率
Resolution
年份
Year
文献
Reference
BEPS 487 6 09 537 211 405 277 2郾 49 0郾 07272毅 2000—2005 本研究 This study
光能利用模型
LUE model
445 620 718 122 359 235郾 2 2郾 24 1 km 2001 [15]
Biome鄄BGC 447 643 469 237 427 323郾 8 2郾 66-3郾 64 8 km 1982—2000 [29]
CASA 586 950 870 271 752 - 4郾 72 10 km 1993—1999 [27]
NEPARS 393 415 370 200 250 250-450 1郾 5-2郾 1 0郾 04毅 1992—1999 [26]
AVIM 408 789 924 244 742 337郾 7 3郾 25 1 km 2001 [28]
CASA 447 422 481 194 390 272郾 1 2郾 53 1 km 2001 [25]
AVIM 430 528 434 281 482 349郾 7 - 0郾 5毅 1971—2000 [30]
CEVSA 416 749 423 348 606 342 2郾 89 ~ 3郾 37 0郾 5毅 1981—1998 [31]
光能利用模型
LUE model
475 716 403 116 445 - 2郾 65 1 km 1992 [32]
Miami 485 596 402 277 636 - 7郾 44 1 km 1992 [32]
MODIS算法
(https: / / lpdaac郾 usgs郾 gov)
488 771 602 192 412 282 2郾 71 1 km 2000—2005 [7]
图 4摇 模拟的年 NPP与样地观测数据的对比
Fig. 4摇 Comparison of simulated annual NPP with measured val鄄
ues at samping sites.
邦[28]和李贵才[25]采用 MODIS 的 LAI、NDVI、土地
覆盖和中国境内的气象站观测资料模拟 2001 年 1
km的 NPP;朱文泉等[29]采用考虑水分胁迫作用的
光能利用率模型估算 1982—2000 年 NPP,模型分辨
率为 0郾 07272毅,NDVI 数据来自美国地球资源观测
系统(EROS)数据中心的 PAL 数据集,月气象资料
由台站的观测资料用 Kriging方法插值生成;朴世龙
等[26]采用 CASA 模型估算 1982—1999 年 NPP 时,
数据包括源于美国地球资源观测系统(EROS)数据
中心的 PAL NDVI 数据集和气象台站的观测资料;
何勇等[30]和陶波等[31]根据 0郾 5毅的月气象资料分别
采用 AVIM 和 CEVSA 生态模型估算了 1971—2000
年和 1981—1998年的 NPP;孙睿和朱启疆[32]采用光
能利用率模型和 Miami 模型估算了 1992 年的中国
NPP,这两种方法所得结果存在着较大差异. MODIS
算法计算的 NPP年总量比本研究中 NPP年总量高约
8% .上述研究中,仅 Feng 等[15]在进行气象资料的插
值时考虑了地形对温度和降水分布的影响.
2郾 3摇 亚洲东部地区生产力分布特征
研究区 GPP和 NPP 的空间分布特征基本一致
(图 5),呈现从东南向西北、从沿海向内陆递减的趋
势,高值区出现在东南亚的海岛国家(马来西亚、印
度尼西亚、菲律宾、新加坡). 在东部季风气候区,
GPP和 NPP基本分别在 1000 和 600 g C·m-2·a-1
以上,表现出从南向北、从东向西递减的分布特征,
这与受季风影响的气候分布密切相关. 在东南亚的
海岛国家、中南半岛北部和东部森林地区(越南、老
挝、缅甸、泰国、柬埔寨)及中国的海南岛和台湾岛,
年 GPP基本均高于 2000 g C·m-2·a-1,年 NPP 基
本均高于 1000 g C·m-2·a-1;中国中南部、东南部和
东北部地区、朝鲜半岛及日本,年 GPP在 1000 ~ 2000
g C·m-2·a-1,年 NPP 在 600 ~1300 g C·m-2·a-1;
在印度半岛,年 GPP 低于 1000 g C·m-2·a-1,植被
的自养呼吸消耗相对较高,造成 NPP 普遍小于 400
g C·m-2·a-1 .年 GPP的低值区出现在中国的西北
沙漠地区和青藏高原地区,由于植被稀少,年 GPP
低于 100 g C·m-2 ·a-1,年 NPP 低于 30 g C·
m-2·a-1 ;但青藏高原南麓存在一个高NPP的窄长
413 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
图 5摇 2000—2005 年亚洲东部地区平均 GPP(a)和 NPP(b)
的分布
Fig. 5摇 Distribution of simulated annual averaged GPP (a) and
NPP (b) from 2000 to 2005 in East Asia (g C·m-2·a-1).
带(年 GPP 高于 1000 g C·m-2·a-1,年 NPP 高于
600 g C·m-2·a-1),与青藏高原其他地区形成极大
反差.俄罗斯东部寒带地区森林覆盖面积广,虽属于
高寒气候区,但由于森林生长状况良好,LAI 较高,
年 GPP 普遍在 800 ~ 1500 g C·m-2·a-1,NPP 在
400 ~ 800 g C·m-2·a-1 .
摇 摇 在亚洲东部地区的不同国家,平均 NPP 存在着
较大差别,由高到低依次为东南亚海岛国家>老挝>
朝鲜>日本>韩国>缅甸>越南>柬埔寨>泰国>中国>
印度>蒙古(图 6),其中,东南亚海岛国家的平均
NPP最高,为 1254 g C·m-2·a-1,蒙古的平均 NPP
最低,为 110 g C·m-2·a-1 . 由于各国人口密度的
差异显著,人均 NPP由高到低依次为蒙古>老挝>缅
甸>柬埔寨>东南亚海岛国家>泰国>朝鲜>越南>日
本>中国>韩国>印度(图 6). 蒙古的平均 NPP 虽然
最低,但其人口密度较低,使该国人均 NPP 在亚洲
东部地区国家中最高,达到 70217 kg C·a-1,印度的
平均 NPP虽然高于蒙古,但由于较高的人口密度使
其人均 NPP在上述国家中最低,为 757 kg C·a-1 .
在所有的国家中,中国的 NPP 总量最大,但单位面
积的NPP仅高于印度和蒙古,为277 g C·m-2·
图 6摇 主要国家和地区的平均 NPP和人均 NPP
Fig. 6摇 Mean NPP and NPP per capita in different countries or
regions of East Asia.
CH:中国 China; JP:日本 Japan; ID:印度 India; PEA:东南亚群岛:
Southeast island countries; NK:朝鲜 North Korea; SK:韩国 South
Korea; MG:蒙古 Mongolia; LS:老挝 Laos; BM:缅甸 Burma; VN:越
南 Vietnam; CB:柬埔寨 Cambodia; TH:泰国 Thailand. 人均 NPP 用
对数表示 NPP per capita was expressed in log form.
a-1,人均 NPP为 1921 kg C·a-1,仅高于印度.
2郾 4摇 亚洲东部地区生产力的年际变化特征
模拟的 2000—2005 年研究区平均 GPP 和 NPP
总量分别为 21郾 7 和 10郾 5 Pg C·a-1,其中,森林的
GPP和 NPP最大,分别为 12郾 6 和 6郾 8 Pg C·a-1;亚
洲东部各国 NPP总量的波动范围为 10郾 2 ~ 10郾 7 Pg
C·a-1(图 7),变异系数为 2郾 2% . NPP 的年际波动
在空间上存在差异,取决于气候波动的空间特征.
NPP的年际变化为-150 ~ 150 g C·m-2 ·a-1(图
8) . 2000年,NPP的负距平主要出现在中国东北、
图 7摇 2000—2005 年亚洲东部地区 NPP总量的变化
Fig. 7摇 Changes of annual NPP from 2000 to 2005 in East Asia.
5132 期摇 摇 摇 摇 摇 摇 摇 张方敏等: 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征摇 摇 摇 摇 摇
图 8摇 2000—2005 年亚洲东部 NPP距平分布
Fig. 8摇 Distributions of the anomalies of NPP from 2000 to 2005 in East Asia (g C·m-2·a-1).
东南亚部分地区及青藏高原南麓狭长地带,正距平
主要出现在中南半岛;2001 年,NPP 在中国华北和
东北北部地区显著低于平均值,在俄罗斯、韩国、中
南半岛、马来西亚及青藏高原南麓狭长地带显著高
于平均值;2002 年,NPP在我国的山东、中南半岛和
印度半岛低于平均值,在中国的大兴安岭、长白山、
长江中游、东南部等地显著高于平均值;2003 年,
NPP在俄罗斯和我国东北部分地区显著低于平均
值,在我国的东南部、长江中游和中南半岛显著偏
高;2004 年,NPP在中南半岛、青藏高原南麓狭长地
带、中国东南部、东北平原向西延伸至俄罗斯贝加尔
湖地区明显低于平均值,在中国的环渤海地区较常
年偏高 150 g C·m-2 ·a-1以上;2005 年,GPP 和
NPP的负距平中心向东移至中南半岛东部和中国的
东南部地区,中国东北地区和印度半岛的 NPP 较
2000—2004 年显著升高.
亚洲东部地区 NPP 年际变化的地域性差异显
著,NPP年际波动较大的地区主要集中在亚洲东部
季风气候区、北部森林地区和青藏高原南麓狭长地
带.这种变化主要由气侯条件的波动所引起,特别是
极端气候事件的发生对 NPP具有很大影响.中国国
家气候中心对全球重大气候事件概述指出,2000—
2005 年亚洲东部区域性气候异常事件不断发
生[33-38],2000—2002 年在中国的东北地区、华北至
东北地区、胶州湾地区分别发生了严重干旱,从而导
致该地区模拟计算的 NPP值显著下降;在南亚和东
南亚地区,2001 年的降水增加,缓解了干旱,使 NPP
增加,但 2002 年的洪水灾害又造成 NPP 减少;
2003—2004 年,中高纬度地区受到不同程度的暴雪
和低温冻害冷害的影响,导致 NPP 减小;2004—
2005 年,中国东部到东南亚地区的降水偏多,辐射
不足,使 NPP减少.
3摇 讨摇 摇 论
BEPS模型可实现遥感资料与光合机理模型的
有机结合,从而提高 NPP 模拟结果的可靠性. 本文
模拟的亚洲东部地区和中国的 NPP 与前人的研究
结果具有相似性,但也存在一定差别. 有研究发现,
气候条件和人口密度是决定不同国家人均 NPP 高
低的主要因素,亚洲东部 NPP的年际变化存在较大
的空间和时间变异性,主要由当年的气候条件所决
定,异常气候事件会引起 NPP 的强烈波动[3] . 随着
全球变暖,极端气候事件发生的概率将增加,可以预
见亚洲东部地区 NPP的波动将加大,而各国 NPP的
变化趋势特征将存在差异.
由于气象、LAI 和地表覆盖类型输入数据的误
差,本研究结果存在一定的不确定性.本文 NCEP再
分析气象资料具有获取方便的优点,但其本身的误
差会影响模拟 NPP的季节变化特征[7] .此外,NCEP
资料的分辨率较低(200 km),进行常规的双线性插
值生成高分辨率数据时,不可避免地存在误差.本研
究在生成温度和降水资料时,进行了 NCEP 数据与
WorldClim 数据的融合,但由于缺少高分辨率的相
对湿度和太阳辐射资料,无法对这 2 个关键气象要
613 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
素进行进一步的订正. 如 NCEP 的再分析气象资料
存在低估温度和高估相对湿度的现象[7],误差的随
机性给订正带来了困难.如在千烟洲 2003 年夏季干
旱时段,NCEP 再分析资料的日最高气温较实际观
测数据偏低 1 ~ 2 益,相对湿度高 10% ~ 15% ,高温
和干旱胁迫造成 GPP 减小,故此采用 NCEP 资料造
成模型低估该站 2003 年夏季 GPP. 因此,如何利用
地面和卫星数据生成可靠的气象输入数据是今后应
该努力的方向.地表覆盖数据决定模型模拟光合和
呼吸过程的关键参数值,目前,有 4 套 1 km 分辨率
和 1 套 300 m的全球地表覆盖数据可以免费获取使
用,但这些数据在地表覆盖复杂地区的一致性较差,
精度还需提高. 本文采用了分辨率为 0郾 07272毅的
GLCF地表植被分类图,虽然其具有相对较高的可
靠性,但还需进一步评价该数据误差和 NPP 模拟结
果的不确定性(将 0郾 07272毅伊0郾 07272毅模拟单元处
理为均一覆盖类型所致). 本文使用的 LAI 由
GIMMS NDVI数据转换生成[19],其与通量数据之间
的尺度差异也会导致模型结果与观测数据的不同,
如在 TKY点,GIMMS NDVI生成的 LAI 明显高于通
量塔观测值,是模型对该点 GPP 高估的主要原因.
虽然 GIMMS NDVI 数据集的时间和空间分辨率低
于现有的 MODIS LAI 产品,但其时间较长(1982—
2006 年),可以用来研究气候变化和人类活动导致
的 NPP变化特征.尽管该 GIMMS NDVI 数据已进行
了一系列订正,但还需要对生成的 LAI 序列进行平
滑处理,以消除残留的云覆盖效应.
模型模拟的 GPP 与观测数据之间存在差异的
原因除以上分析的气象和 LAI 输入数据因素外,模
型假设与观测事实的不一致是另一个重要原因. 如
BEPS模型假设白天平均温度在 0 益以下时,气孔关
闭,光合作用停止,而 CBS站的 GPP观测数据表明,
即使冬季气温低于 0 益,森林仍能进行微弱的光合
作用,模型采用的假设是否需要修正,值得深入研
究.由于热带地区实测资料比较少,导致该类地区的
模拟还需进一步验证.
4摇 结摇 摇 论
本研究以 NCEP气象资料和 GIMMS NDVI 资料
生成的 LAI对 BEPS 生态模型进行驱动,基于通量
观测数据及生态系统清单数据的验证表明,BEPS模
型能较好地模拟东亚地区不同生态系统 GPP 和
NPP的季节和年际变化.通过分析 GPP和 NPP的时
空分布特征,探讨了引起 NPP变化的可能气候驱动
因素,为以后的生态系统碳收支估算奠定了基础.主
要结论如下:1) BEPS 模型能较好地模拟亚洲东部
地区不同典型生态系统 GPP 的年际和季节变化特
征.模拟的亚洲东部和中国的 NPP 分布特征与前人
的结果具有较好的一致性. 可以利用该模型分析亚
洲东部 NPP 的变化特征及其驱动因子,但输入气
象、LAI 和地表覆盖数据的误差会使区域模拟结果
存在一定的不确定性. 2)年 NPP 在亚洲东部地区存
在显著的空间变化,在中国西北干旱沙漠和青藏高
原部分地区年 NPP 不到 30 g C·m-2·a-1,而在东
南亚海岛国家则普遍高于 1000 g C·m-2·a-1;不同
国家的人均 NPP 差别更大,蒙古的人均 NPP 高达
70217 kg C·a-1,而印度仅为 757 kg C·a-1,主要由
人口密度差异所致. 3 ) 2000—2005 年,亚洲东部
年 GPP和 NPP 的 平 均 值 分 别 为 21郾 7 和 10郾 5
Pg C·a-1,森林生态系统分别占 58%和 64% ;NPP
总量为 10郾 2 ~ 10郾 7 Pg C·a-1, 变异系数为 2郾 2% ,
NPP的年际波动幅度在空间和时间上存在差异,与
当年气候异常事件发生的时间和区域紧密相关.
致谢摇 感谢 H郾 Kondo和 Y郾 Fujinuma教授提供 TKY和 TMK
站点的通量观测资料,感谢亚洲通量网及中国、日本、韩国共
享相关通量资料,感谢审稿专家提出的宝贵意见.
参考文献
[1]摇 Le Qu佴r佴 C, Aumont O, Bopp L, et al. Two decades of
ocean CO2 sink and variability. Tellus Series B: Chemi鄄
cal and Physical Meteorology, 2003, 55: 649-656
[2] 摇 Cao MK, Prince SD, Small J, et al. Remotely sensed
interannual variations and trends in terrestrial net prima鄄
ry productivity 1981-2000. Ecosystems, 2004, 7: 233-
242
[3]摇 Akihiko I. The regional carbon budget of East Asia sim鄄
ulated with a terrestrial ecosystem model and validated
using AsiaFlux data. Agricultural and Forest Meteorolo鄄
gy, 2008, 148: 738-747
[4]摇 Yu GR, Zhang LM, Sun XM, et al. Advances in car鄄
bon flux observation and research in Asia. Science in
China Series D, 2005, 48: 11-16
[5]摇 Li W (李摇 伟), Zhang G鄄M (张国明), Li Z鄄J (李兆
君). The spatio鄄temporal pattern of net primary produc鄄
tivity of terrestrial ecosystem in East Asia region. Acta
Ecologia Sinica (生态学报), 2008, 28 (9): 4173 -
4185 (in Chinese)
[6]摇 Matsushita B, Tamura M. Integrating remotely sensed
data with an ecosystem model to estimate net primary
productivity in East Asia. Remote Sensing of Environ鄄
ment, 2002, 81: 58-66
[7]摇 Zhao MS, Running SW. Sensitivity of moderate resolu鄄
tion imaging spectroradiometer (MODIS) terrestrial pri鄄
mary production to the accuracy of meteorological reanal鄄
yses. Journal of Geophysical Research, 2006, 111:
G01002 doi: 10. 1029 / 2004JG000004
7132 期摇 摇 摇 摇 摇 摇 摇 张方敏等: 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征摇 摇 摇 摇 摇
[8]摇 Wu C, Munger JW, Niu Z, et al. Comparison of multi鄄
ple models for estimating gross primary production using
MODIS and eddy covariance data in Harvard Forest, Re鄄
mote Sensing of Environment, 2010, 114: 2925-2939
[9]摇 Liu J, Chen JM, Cihlar J, et al. A process鄄based boreal
ecosystem productivity simulator using remote sensing
inputs. Remote Sensing of Environment, 1997, 62:
158-175
[10]摇 Liu J, Chen JM, Cihlar J, et al. Net primary productiv鄄
ity distribution in the BOREAS region from a process
model using satellite and surface data. Journal of Geo鄄
physical Research, 1999, 104: 735-754
[11]摇 Liu J, Chen JM, Cihlar J, et al. Net primary productiv鄄
ity mapped for Canada at 1 km resolution. Global Ecolo鄄
gy, 2002, 11: 115-129
[12]摇 Chen JM, Liu J, Cihlar J, et al. Daily canopy photo鄄
synthesis model through temporal and spatial scaling for
remote sensing applications. Ecological Modelling,
1999, 124: 99-119
[13]摇 Farquhar GD, von Caemmerer S, Berry JA. A biochem鄄
icalmodel of photosynthetic CO2 assimilation in leaves of
C3 species. Planta, 1980, 149: 78-90
[14]摇 Amthor JS, Chen JM, Clein JS, et al. Boreal forest CO2
exchange and evapotranspiration predicted by nine eco鄄
system process models: Intermodel comparisons and re鄄
lationships to field measurements. Journal of Geophysical
Research, 2001, 106: 623-648
[15]摇 Feng X, Liu G, Chen JM, et al. Net primary productiv鄄
ity of China爷s terrestrial ecosystems from a process mod鄄
el driven by remote sensing. Journal of Environmental
Management, 2007, 85: 563-573
[16]摇 Zhang F鄄M (张方敏), Ju W鄄M (居为民), Chen J鄄M
(陈镜明), et al. Preliminary study on evapotranspira鄄
tion in East Asia using the BEPS ecological model.
Journal of Natural Resources (自然资源学报), 2010,
25(9): 1596-1606 (in Chinese)
[17]摇 Norman JM. Simulation of microclimates / / Hatfield JL,
ed. Biometeorology in Integrated Pest Management. New
York: Academic Press, 1982: 65-99
[18]摇 Hansen MC, DeFries RS, Townshend JRG, et al. Glob鄄
al land cover classification at 1 km spatial resolution
using a classification tree approach. International Jour鄄
nal of Remote Sensing, 2000, 21: 1331-1364
[19]摇 Myneni RB, Hoffman S, Knyazikhin Y, et al. Global
products of vegetation leaf area and fraction absorbed
PAR from year one of MODIS data. Remote Sensing of
Environment, 2002, 83: 214-231
[20]摇 Zhou LM, Tucker CJ, Kaufmann RK, et al. Variations
in northern vegetation activity inferred from satellite data
of vegetation index during 1981 to 1999. Journal of Geo鄄
physical Research, 2001, 106: 20069-20083
[21]摇 Chen JM, Deng F, Chen MZ. Locally adjusted cubic鄄
spline capping for reconstructing seasonal trajectories of
a satellite鄄derived surface parameter. IEEE Transactions
on Geoscience & Remote Sensing, 2006, 44: 2230-2237
[22]摇 Hijmans RJ, Cameron SE, Parra JL, et al. Very high
resolution interpolated climate surfaces for global land
areas. International Journal of Climatology, 2005, 25:
1965-1978
[23] 摇 Zheng D, Prince S, Wright R. Terrestrial net primary
production estimates for 0. 5毅 grid cells from field obser鄄
vations: A contribution to global biogeochemical model鄄
ing. Global Change Biology, 2003, 9: 46-64
[24] 摇 Luo T鄄X (罗天祥). Patterns of Biological Production
and Its Mathematical Models for Main Forest Types of
China. PhD Thesis. Beijing: Chinese Academy of Sci鄄
ences, 1996 (in Chinese)
[25]摇 Li G鄄C (李贵才). Estimation of Chinese Terrestrial Net
Primary Production Using LUE Model and MODIS Data.
PhD Thesis. Beijing: Chinese Academy of Sciences,
2004 (in Chinese)
[26] 摇 Piao S鄄L (朴世龙), Fang J鄄Y (方精云), Guo Q鄄H
(郭庆华). Application of CASA model to the estima鄄
tion of Chinese terrestrial net primary productivity. Acta
Phytoecologica Sinica (植物生态学报), 2001, 25
(5): 603-608 (in Chinese)
[27]摇 Liu M鄄L (刘明亮). Land鄄use / cover Change and Ter鄄
restrial Ecosystem Phytomass Carbon Pool and Produc鄄
tion in China. PhD Thesis. Beijing: Chinese Academy
of Sciences, 2001 (in Chinese)
[28]摇 Wang J鄄B (王军邦). Chinese Terrestrial Net Ecosys鄄
tem Productive Model Applied Remote Sensing Data.
PhD Thesis. Hangzhou: Zhejiang University, 2004 ( in
Chinese)
[29] 摇 Zhu W鄄Q (朱文泉), Pan Y鄄Z (潘耀忠), Zhang J鄄S
(张锦水). Estimation of net primary productivity of
Chinese terrestrial vegetation based on remote sensing.
Chinese Journal of Plant Ecology (植物生态学报),
2007, 31(3): 413-424 (in Chinese)
[30]摇 He Y (何摇 勇), Dong W鄄J (董文杰), Guo X鄄Y (郭晓
寅), et al. The Chinese terrestrial NPP simulation from
1971-2000. Journal of Glaciology and Geocryology (冰
川冻土), 2007, 29(2): 226-232 (in Chinese)
[31]摇 Tao B (陶摇 波), Li K鄄R (李克让), Shao X鄄M (邵雪
梅), et al. Temporal and spatial pattern of net primary
production of terrestrial ecosystems in China. Acta Geo鄄
graphica Sinica (地理学报), 2003, 58(3): 372-380
(in Chinese)
[32]摇 Sun R (孙摇 睿), Zhu Q鄄J (朱启疆). Distribution and
seasonal change of net primary productivity in China
from April, 1992 to March, 1993. Acta Geographica
Sinica (地理学报), 2000, 55(1): 36 -45 ( in Chi鄄
nese)
[33]摇 Liu C鄄F (刘传凤). Significant climate events over the
globe in 2000. Meteorological Monthly (气象), 2001,
26(4): 16-19 (in Chinese)
[34]摇 Li X鄄Y (李晓燕). A survey of significant climate
events in the world in 2001. Meteorological Monthly (气
象), 2002, 28(4): 25-28 (in Chinese)
[35]摇 Li X鄄Y (李晓燕). Significant climate events in the
world during 2002. Meteorological Monthly (气象),
2003, 29(4): 28-31 (in Chinese)
[36]摇 Wang L鄄H (王丽华). Significant climate events in the
world during 2003. Meteorological Monthly (气象),
2004, 30(4): 25-28 (in Chinese)
[37]摇 Guo Y鄄J (郭艳君), Ren F鄄M (任福民). Significant
climate events in the world during 2004. Meteorological
Monthly (气象), 2005, 31(4): 32-34 (in Chinese)
[38]摇 Liang X鄄Y (梁潇云), Ren F鄄M (任福民). Global
significant climate events in 2005. Meteorological
Monthly (气象), 2006, 32(4): 74-77 (in Chinese)
作者简介摇 张方敏,女,1983 年生, 博士.主要从事应用气象
与生态遥感研究. E鄄mail: zfmnuist@ hotmail. com
责任编辑摇 杨摇 弘
813 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷