全 文 ：第 34 卷第 17 期
2014年 9月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.17
Sep.,2014
http: / / www.ecologica.cn
基金项目:国家杰出青年科学基金项目(40825003); 国家高技术研究发展计划项目(2013AA122003)
收稿日期:2013鄄01鄄05; 摇 摇 网络出版日期:2014鄄03鄄05
*通讯作者 Corresponding author.E鄄mail: yue@ lreis.ac.cn
DOI: 10.5846 / stxb201301050031
赵明伟,岳天祥,孙晓芳,赵娜.基于草地综合顺序分类系统(IOCSG)的中国北方草地地上生物量高精度模拟.生态学报,2014,34(17):4891鄄4899.
Zhao M W, Yue T X, Sun X F, Zhao N.High accuracy simulation of aboveground biomass in Northern China based on IOCSG.Acta Ecologica Sinica,2014,
34(17):4891鄄4899.
基于草地综合顺序分类系统( IOCSG)的
中国北方草地地上生物量高精度模拟
赵明伟1,2,岳天祥1,*,孙晓芳3,赵摇 娜1,2
(1. 中国科学院地理科学与资源研究所 资源环境信息系统国家重点实验室,北京摇 100101;
2. 中国科学院大学,北京摇 100049; 3. 曲阜师范大学地理与旅游学院,日照摇 276800)
摘要:草地生态系统是陆地生态系统中分布最广泛的生态系统类型之一,草地生物量的精确估算一直是陆地生态学研究的重点
问题。 针对目前草地生物量估算方法的不确定性问题,提出了不依赖于遥感植被指数,而是通过分析草地生物量影响因素的方
法去构建草地生物量估算模型。 根据年积温(>0益)和湿润度指标将研究区域划分为 4种潜在植被类型,即微温干旱温带半荒
漠类、微温微干温带典型草原类、微温微润草甸草原类和微温湿润森林草原类,然后对每一种潜在植被类型的草地生物量分析
其内在影响因素,研究结果发现,微温干旱温带半荒漠类的草地生物量与年积温存在较好的线性关系,微温微干温带典型草原
类的草地生物量可以用表层土壤粘粒含量的二次多项式来模拟,后两种潜在植被类型的草地生物量则随着潜在 NPP 的变化呈
现先减小后增大的变化趋势。 对 4种潜在植被类型区域分别建立草地生物量与其影响因素之间的回归关系确定研究区域草地
生物量的趋势面,结合 HASM模型实现研究区域草地生物量的高精度模拟,结果显示上述 4种潜在植被类型区的草地平均生物
量分别为 76.62、110.94 、142.69 、184.40 g / m2。
关键词:草地综合顺序分类系统 IOCSG;地上生物量;年积温;湿润度;潜在植被类型;HASM
High accuracy simulation of aboveground biomass in Northern China based
on IOCSG
ZHAO Mingwei1, 2, YUE Tianxiang1,*, SUN Xiaofang3, ZHAO Na1, 2
1 State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy
of Sciences, Beijing 100101, China
2 University of Chinese Academy of Sciences, Beijing 100049, China
3 School of Geography and Tourism, Qufu Normal University, Rizhao 276800, China
Abstract: Since grassland ecosystem is one of the most widely distributed terrestrial ecosystems, the accurate statistic of the
biomass of the grassland ecosystem is a key issue in terrestrial ecological studies. Presently, the primary methods to compute
the biomass of the grassland are almost based on various vegetation indexes, of which the NDVI is employed most frequently.
However, the calculation of vegetation indexes contains many uncertainties, which can be brought into the grassland
biomass estimation. In order to avoid these uncertainties in the vegetation indexes, this paper tries to build a new model to
compute grassland biomass which is independent of various vegetation indexes. Firstly, this research divides the study area
into four kinds of potential vegetation types according to the annual cumulative temperature ( > 0益) and the K鄄value
(humidity index) based on Integrated Orderly Classification System of Grassland (IOCSG). The first kind of the potential
http: / / www.ecologica.cn
vegetation type is Cool temperate鄄arid temperate zonal semi鄄desert, the second kind is Cool temperate鄄semiarid temperate
typical steppe, the third is Cool temperate鄄subhumid meadow steppe and the last one is Cool temperate鄄humid forest steppe,
deciduous broad leaved forest. Then, correlation analysis was applied between aboveground biomass of the grassland and
some selected impacts for each potential vegetation type. The criteria of the impacts selection aim to make sure that the
factor surely has some impacts on the biomass estimation, but not the one that reflects the biomass. For example, both the
temperature and the rainfall belong to the former, while the NDVI belongs to the later. In this paper, annual cumulative
temperature, the K鄄value, potential NPP, slope, aspect, clay content of the surface layer and sand content of the surface
layer are selected, of which the potential NPP is calculated according to annual cumulative temperature and the K鄄value.
The analysis results show that the main impact of the aboveground biomass of the grassland on each potential vegetation type
is different. For Cool temperate鄄arid temperate zonal semi鄄desert, the main impact is annual cumulative temperature; On the
part of Cool temperate鄄semiarid temperate typical steppe, the main impact is the clay content of the surface layer; and to
Cool temperate鄄subhumid meadow steppe and Cool temperate鄄humid forest steppe, deciduous broad leaved forest, the main
impact is potential NPP. However, the relationship between the biomass and the potential NPP is different for the above two
potential vegetation types. Since the main impacts of the grassland biomass for each potential vegetation type is confirmed,
mathematical relationship is built respectively. Finally, High Accuracy Surface Model (HASM) was employed to simulate
the biomass of the grassland in the study area. Simulation results show that the aboveground biomass density of the grassland
in the four potential vegetation types is 76.62, 110.94, 142.69 g / m2 and 184.40 g / m2 respectively.
Key Words: Integrated Orderly Classification System of Grassland ( IOCSG); aboveground biomass; annual cumulative
temperature; humidity index; potential vegetation type; HASM
摇 摇 草地生态系统是陆地植被中最重要、分布最广
泛的生态系统类型之一,在全球碳循环和气候调节
中起重要作用[1]。 草地生物量的估算具有重要意
义,一方面是因为生物量是生态系统碳库的重要组
成部分[2],准确估算草地生物量对于准确评估草地
生态系统的碳源汇功能具有重要意义[3鄄5]。 另一方
面,我国拥有非常丰富的草地资源,分布范围占国土
面积 1 / 3以上[6],因而准确估计我国草地生态系统
的生物量及其分布,对于发展畜牧业、维持生物多样
性、保持水土和维护生态系统平衡具有重要
意义[7鄄9]。
当前估算区域尺度上的草地生物量主要是采用
遥感技术,根据地面实测样点草地生物量与遥感指
数(主要是各种植被指数)之间的回归关系,进而推
测区域尺度上的草地生物量[10鄄14]。 这种方法可以较
容易估算大尺度上草地生物量,但是由于遥感自身
以及植被反射等问题,基于遥感植被指数的草地生
物量计算仍然存在较大的不确定性[15鄄18]。 这种不确
定性产生的原因可能在于遥感植被指数只是草地生
物量的一种外在反映,而不是决定草地生物量的内
在影响因素,这也导致了只能估算当前或过去的草
地生物量,而难以对草地生物量未来的变化趋势做
出有效预测。 近年来相关学者开始逐渐重视草地生
物量的内在影响因素分析,例如地形因子[19鄄21]、年均
温、相对湿度、日照时数等水热因子[22鄄24]。 这些研究
考虑了不同草地生物量的影响因素,但是一方面这
些研究主要侧重于定性分析,缺乏结合影响因素的
定量生物量模型构建,另一方面,这些研究没有考虑
到不同区域草地生物量影响因素的差异性,而是对
所研究的区域统一做相关性分析。
为了分析草地生物量的内在影响因素,并顾及
这种影响因素的区域差异性,本研究首先依据草地
综合顺序分类系统将所研究的区域划分为不同的潜
在植被类型,将每种潜在植被类型区域内的水热条
件控制在同一个水平,然后进一步分析各区域的草
地生物量的内在影响因素,最后借助 HASM 理论模
拟了研究区域的草地生物量的空间分布情况。
1摇 研究方法
1.1摇 研究区概况与数据采集
根据草地生物量实测点的分布划定的研究区域
如图(1)所示,包括内蒙古中部大部分区域、河北省
2984 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
北部以及东北三省(黑龙江,吉林和辽宁)的西部地
区。 经度范围为 106. 5毅—125. 5毅 E, 纬度范围
37郾 5毅—49. 5毅 N。 该区域年平均温度变化范围为
-1.8毅—9.1毅,年均降雨量变化范围为 146—511 mm,
主要植被类型为温性荒漠草原、温性草原和温性草
甸草原。
本文的研究数据主要包括草地生物量实测数据
和气候数据。 其中气候数据为研究区域内部及周围
共计 104个气象站点的观测数据(1990—2000年,数
据来源:http: / / cdc.cma.gov.cn / home.do),主要包
括月平均温度和月平均降雨量。 草地生物量数据来
自中国农业科学院北方样地考察数据,采样时间为
1992—1994年[25]。 生物量的测定方法为在草地生
物量最高的 8—9 月,沿拟定的调查路线,采用收割
法进行测定,每个样地内根据地形和土壤条件、草地
组成和分布格局等因素设置 5—10 个代表样方,其
中草本植物样方尺寸为 1 m伊1 m,半灌木或高大草
本样方尺寸为 2 m伊2 m。 调查数据记录了各样地的
图 1摇 草地生物量实测样点分布
Fig.1摇 Sample stations in the study area
经纬度信息、植被类型、地上生物量最大时期的植被
高度、植被盖度和地上生物量,收割草本植物地上部
分,进行风干称重。 根据本研究的需要舍弃了部分
样点数据(主要是包含灌木的样点以及异常值点),
最后保留了共计 165个样点的数据(图 1)。
1.2 摇 潜在植被类型确定及净初级生产力 ( Net
Primary Productivity, NPP)估计
草地综合顺序分类系统 ( Integrated Orderly
Classification system of Grassland, IOCSG)最初由任
继周等提出[26],随后在草地类型划分、潜在草地生
产力估计中得到广泛应用[27鄄28]。 草地综合顺序分类
法根据气候特征来划分草原植被类型,这是因为地
带性的生物气候条件是生物立地条件本质的体现,
并且在一定的历史时期相对稳定,因此水热状况作
为生物气候条件的核心,也被用来区别草原植被类
型。 任继周等最初将我国全年积温(>0益)分为 8个
级别,将湿润度分为 6 个级别,因此全国共计 48 种
类型[26]。 后来又作了修正,将全年积温分为 7 个级
别,将湿润度分为 6 个级别,因此全国共计 42 种类
型[27]。 本研究采用修正后的分类方案,其中本文所
采用的实测数据大部分集中于最后分类结果中的 4
种,分别是微温干旱温带半荒漠类、微温微干温带典
型草原类、微温微润草甸草原类和微温湿润森林草
原类(表 1)。
根据 IOCSG理论,确定潜在植被类型的依据是
年积温( >0益)和湿润度。 统计每月的温度可计算
年积温(>0益)记为移兹 ,然后再根据年平均降水量
计算湿润度:
k = R
0.1移兹
(1)
式中, k为湿润度, R为年平均降水量,0.1 为模型调
整参数。
表 1摇 草地植被类型划分[27]
Table 1摇 Attributes for different grassland classes
湿润度 Humidity index
0.3—0.9 0.9—1.2 1.2—1.5 1.5—2.0
年积温 / 益
Annual cumulative temperature 2300—3700
微温干旱温带
半荒漠类
微温微干温带
典型草原类
微温微润
草甸草原类
微温湿润
森林草原类
摇 摇 林慧龙等根据水热综合条件,建立了以年积温
和湿润度为指标的草地植被生产力估算模型[29],该
模型由周广胜等建立的植物净第一性生产力模
型[30]推导得出,由于该模型仅仅使用相对较容易获
3984摇 17期 摇 摇 摇 赵明伟摇 等:基于草地综合顺序分类系统(IOCSG)的中国北方草地地上生物量高精度模拟 摇
http: / / www.ecologica.cn
取的年积温和湿润度作为指标,因此被很多学者采
用[31鄄32]。 对于本研究而言,因为它综合考虑了水热
因素,因此计算潜在植被 NPP 的目的是将其作为一
个草地植被生物量的影响因子。 估计 NPP 的基本
公式为:
NPP = L2(k)
0.1移兹 k6 + L(k)k3 + L2(k[ ])
k6 + L2(k[ ]) k5 + L(k)k[ ]2
e - 13.55+3.17k -1-0.16k -2+0.0032k -3 (2)
式中, L(k) = 0.58802k3 + 0.50698k2 - 0.0257081k +
0郾 0005163874, k为湿润度。 这里需要指出的是,对
于上式中 L(k) 的计算,赵军等计算公式的 k 的系数
为 0.257081[32] .这样计算得出的 NPP 在 k 值较小的
地区会出现负值,追溯建立该模型的文献[29],发现
这其实是作者当时的个人疏忽造成的错误,作者的
推导过程没有问题,但是在最后却将系一次项的系
数记为 0.257081,本文对此处错误作了更正。
1.3摇 高精度曲面模拟方法
高精度曲面建模方法(HASM)是近年来针对困
扰曲面建模的误差问题和多尺度问题发展起来的一
种基于微分几何学曲面理论的曲面建模方法,已经
成功运用于土壤插值领域、气候模拟和建立 DEM 等
领域[33鄄36]。
根据曲面论基本定理,一个空间曲面完全由其
第一类基本量和第二类基本量决定,其中曲面第一
类基本量、第二类基本量需满足如下的高斯方程:
fxx = 祝111 fx + 祝211 fy +
L
E + G - 1
fyy = 祝122 fx + 祝222 fy +
N
E + G - 1
fxy = 祝112 fx + 祝212 fy +
M
E + G -
ì
î
í
ï
ï
ï
ï
ï
ï
ï
ï 1
(3)
式中, E , G为曲面第一类基本量; L , M , N为曲面
第二类基本量, 祝111 , 祝211 , 祝122 , 祝222 , 祝112 , 祝212 称为
曲面的第二类克里斯托弗尔变量。 曲面第一类基本
量、第二类基本量以及第二类克里斯托弗尔变量的
计算公式可参见参考文献[33]。
HASM以上述高斯方程为基础,首先将空间曲
面离散格网化,根据曲面驱动场建立空间曲面上的
差分方程组,然后以空间实测点信息作为精度控制
条件,逐步迭代求解,最后使模拟曲面最为接近真实
曲面,达到最优。
首先在各潜在植被类型区建立草地生物量与其
影响因素的回归模型,然后以所建模型计算得到的
研究区域生物量作为驱动场,以实测点草地生物量
作为精度控制条件,建立 HASM 的草地生物量的高
精度模拟模型:
Biograss(xi,y j) = Reg(xi,y j) + HASM(error(xi,y j))
(4)
式中, Biograss(xi,y j) 表示空间位置 (xi,y j) 的草地生
物量值, Reg(xi,y j) 该位置上草地生物量的回归值,
HASM(error(xi,y j)) 代表由 HASM模型模拟的相应
空间位置上的生物量残差值。 为了对比分析该方法
的估算精度,本文选择两个对照模型,第一个是指数
函数模型,其中自变量是 NDVI 最大值;第二个对照
模型是 HASM鄄GB 模型,模型相关说明可参见
文献[37]。
2摇 结果和分析
2.1摇 潜在植被类型划分与潜在 NPP 分析
潜在植被类型的划分需要计算研究区域的年积
温(>0益)和湿润度,而根据式(1)湿润度的计算需
要研究区域的年平均降雨量,因而需要对研究区域
内气象观测站点的气候数据(月平均温度及年降雨
量)进行空间插值得到气候变量在区域中的分布。
根据前人的研究结果,温度的主要影响因素是高程
和纬度,降水的主要影响因素则是经度和坡向[38]。
首先根据研究区域内部及其周围共计 104 个气象站
点 2001—2010年的观测数据,分别建立温度和降水
与各自影响因素之间的回归关系,得到研究区域的
气温(每月平均)和降水(年平均)的趋势面,然后对
观测值与趋势值之间的残差进行克里格插值,得到
研究区域每月的温度和年平均降水量。
得到每月的温度后则可计算年积温( >0益)记
为移兹 ,然后再根据公式(1)计算湿润度。 计算得
到的研究区域的年积温和湿润度如图 2 和图 3 所
示。 计算出积温和湿润度以后,依据积温和湿润度
的不同取值范围(表 1),可以确定研究区域的潜在
植被类型(图 4)。 可以看出,由于 4 种潜在植被类
型区域的年积温处于同一个水平,因此湿润度指标
的大小决定了潜在植被类型的差异,四种潜在植被
4984 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 2摇 研究区域的年积温
Fig.2摇 Thermal >0益 annual cumulative temperature
图 3摇 研究区域的湿润度
Fig.3摇 Humidity of the study area
图 4摇 研究区域的潜在植被类型划分
Fig.4摇 Distribution map for grassland classes of the study area
类型的空间分布与湿润度的分布格局基本一致。 具
体而言,毛乌素沙地、鄂尔多斯高原及内蒙古高原北
部属于微温干旱温带半荒漠类,阴山南侧、大兴安岭
山脉两侧(浑善达克沙地和科尔沁沙地)及呼伦贝尔
高原西部属于微温微干温带典型草原类,黄河沿岸、
大兴安岭地区、呼伦贝尔高原东部及松辽分水岭北
部和东部属于微温微润草甸草原类,而研究区域的
东部边缘靠近西辽河及嫩江流域,属于微温湿润森
林草原类。
图 5摇 研究样区的潜在 NPP估值
Fig.5摇 NPP estimation of the study area
基于修正后的 NPP 估算模型,计算得到研究样
区的 NPP 值如图 5 所示。 可以看出,研究区域的潜
在 NPP 估值从西向东 NPP 估值逐渐增加,并且存在
变化明显的界线,变化趋势与潜在植被类型对应良
好。 同时,对比研究区域的年积温和湿润度(图 2,
图 3)可以看出,潜在 NPP 值与湿润度具有更高的相
似度,两者的在空间中的变化趋势基本一致,说明湿
润度是影响潜在 NPP 值的主要影响因素。
2.2摇 生物量影响因素分析
将年积温、湿润度和潜在 NPP 值作为草地生物
量的影响因素,此外还考虑了地形因素,主要是坡度
和坡向,土质因素主要是,表层土壤沙砾含量和表层
土壤粘粒含量(数据来源:http: / / globalchange. bnu.
edu.cn / research / soil)。 分析不同潜在植被类型区的
草地生物量与上述影响因素的关系,结果如图 6
所示。
可以看出,对于研究样区的四种潜在植被类型,
微温干旱温带半荒漠类中的草地生物量与年积温呈
正相关,两者存在近似的线性关系,表明在该区域年
积温的增加会增加草地生物量。 微温微干典型草原
类中的草地生物量与表层土壤粘粒含量呈正相关,
两者的关系可以用二次多项式近似模拟,表明该区
域在水热条件近似一致的情况下,土质因素是影响
5984摇 17期 摇 摇 摇 赵明伟摇 等:基于草地综合顺序分类系统(IOCSG)的中国北方草地地上生物量高精度模拟 摇
http: / / www.ecologica.cn
草地生物量的主要因素。 微温微润草甸草原类和微
温湿润草原类中的草地生物量则均随各自类型区域
的潜在 NPP 值的变化呈现出先减小后增大的趋势,
反映了水热因素对该两类潜在植被类型区域的草地
生物量的综合影响。
图 6摇 不同潜在植被类型区域草地生物量影响因素分析
Fig.6摇 Impact factors analysis of biomass for different grassland classes
摇 摇 对于四类潜在植被类型区域,根据各自区域的
草地生物量实测值与各自影响因素的所建立的回归
方程,统计了每种区域的回归误差(表 2)。 为了对
比分析该方法的估算精度,本文将精度分析结果与
孙晓芳[37]的结果作对比,其中表 2 中的对照模型 1
是指数函数模型,对照模型 2是 HASM鄄GB模型。 可
以看出,4种潜在植被类型区域分别建立的回归模型
计算结果的平均误差和平均误差绝对值均小于对照
模型 1 和对照模型 2;均方根误差小于对照模型 1,
但大于对照模型 2;4个回归关系式的相关系数均优
于两个对照模型。 因此,根据潜在植被类型分别建
立的草地生物量的回归模型优于其它模型。
表 2摇 精度分析
Table 2摇 Accuracy analysis of different models
模拟方法
Simulation model
平均误差
Mean error
平均误差绝对值
Absolute mean error
均方根误差
Root mean square error
相关系数
Correlation coefficient
潜在植被类型 1
Potential vegetation type 1 0.1012 25.9316 31.9836 0.8060
潜在植被类型 2
Potential vegetation type 2 0.0041 29.0267 33.9251 0.7086
潜在植被类型 3
Potential vegetation type 3
-0.0902 38.4635 44.4029 0.7454
潜在植被类型 4
Potential vegetation type 4
-0.3896 66.0154 87.0799 0.8132
对照模型 1Contrast model 1 45.62 101.33 129.31 0.45
对照模型 2Contrast model 2 3.5 72.81 28.03 0.62
6984 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
2.3摇 不同植被类型生物量分析
对于本研究中的 4 种潜在植被类型,根据前面
所建立的草地生物量与其影响因素之间的回归关
系,可以建立相应区域的基于 HASM 的草地生物量
的高精度模拟模型:
当潜在植被类型为微温干旱温带半荒漠类时:
Reg(xi,y j) = 0.1503x(xi,y j) - 400.23 (5)
式中, x(xi,y j) 为对应空间位置的年积温。
当潜在植被类型为微温微干温带典型草原
类时:
Reg(xi,y j) = 0.2237x (xi,y j) 2 - 2.8148x(xi,y j) +
94郾 71 (6)
式中, x(xi,y j) 为对应空间位置的表层土壤粘粒含
量百分数。
当潜在植被类型为微温微润草甸草原类时:
Reg(xi,y j) = 149.51x (xi,y j) 2 - 1600.3x(xi,y j) +
4368.5 (7)
式中, x(xi,y j) 为对应空间位置的潜在 NPP 估值。
当潜在植被类型为微温湿润森林草原类时:
Reg(xi,y j) = 145.61x (xi,y j) 2 - 1788x(xi,y j) +
5591.9 (8)
式中, x(xi,y j) 为对应空间位置的潜在 NPP 估值。
图 7摇 研究区域草地生物量高精度模拟
Fig.7 摇 High accuracy biomass simulation of grassland in the
study area
对于每一种潜在植被类型区域,根据回归模型
计算的生物量趋势面值与运用 HASM模型计算的残
差值相加便得到每种潜在植被类型区域的生物量,
然后将 4个区域进行综合便得到本文研究区域的草
地生物量高精度模拟分布(图 7)。 根据计算结果,4
种潜在植被类型区域所对应的草地生物量密度分别
是:微温干旱温带半荒漠类为 76.62g / m2,微温微干
温带典型草原类为 110.94 g / m2,微温微润草甸草原
类为 142.69 g / m2,微温湿润森林草原类为 184.40 g /
m2。 由于四种潜在植被类型对应的湿润度是递增
的,因此生物量密度同样呈现递增变化。
3摇 结论和讨论
当前大区域尺度上草地生物量的估算集中于根
据遥感植被指数进行计算,但是由于卫星遥感本身
及植被反射等各种问题,基于遥感数据计算的植被
指数受到很多因素的干扰而产生一定的不确定性,
此外,基于植被指数的草地生物量估算方法难以实
现对未来草地生物量的有效预估计。 针对上述问
题,本研究尝试构建不依赖于遥感指数,而是依据相
对稳定的气候、土壤质地等因素构建草地生物量估
算模型。 水热条件是影响草地植被立地生长的核心
因素,因此本研究首先采用草地植被综合顺序分类
法(IOCSG)依据年积温和湿润度指标将研究区域划
分为四种潜在植被类型:微温干旱温带半荒漠类、微
温微干温带典型草原类、微温微润草甸草原类和微
温湿润森林草原类。 在此基础上对每一种潜在植被
类型区域,分析草地生物量的主要影响因素,结果表
明微温干旱温带半荒漠类的草地生物量与年积温存
在较好的线性关系,微温微干温带典型草原类的草
地生物量可以用表层土壤粘粒含量的二次多项式来
模拟,后两种潜在植被类型的草地生物量则随着潜
在 NPP 的变化呈现先减小后增大的变化趋势。 然
后对于每种潜在植被类型区,根据草地生物量与其
影响因素的关系生成各个区域的草地生物量趋势
面,最后根据 HASM 理论模拟生成的趋势面与地面
实测生物量之间的残差分布并最终得到研究区域的
草地生物量高精度模拟。 最后的模拟结果显示,上
述四类潜在植被类型区域的草地生物量密度值分别
是:76.62、110.94 、142.69 、184.40 g / m2。
将计算结果与马文红等[39]提供的实测数据进
行对比,其研究的草原类型为荒漠草原、典型草原和
草甸草原,其中荒漠草原对应本研究的微温干旱温
带半荒漠类,典型草原对应本研究的微温微干温带
典型草原类和微温微润草甸草原类,而草甸草原对
应本研究的微温湿润森林草原类。 其 3 种草原类型
的草地生物量实测平均值分别为 56.6,133.4,196.7
7984摇 17期 摇 摇 摇 赵明伟摇 等:基于草地综合顺序分类系统(IOCSG)的中国北方草地地上生物量高精度模拟 摇
http: / / www.ecologica.cn
g / m2,可以发现与本研究得出的结果趋势相同,数值
上差别也不大,表明本研究得到的区域尺度上的草
地地上生物量具有较高的精度。
由于实测数据的限制,本研究的研究区域主要
集中在内蒙古及其与其他省相邻的边界地区。 中国
的草地分布范围非常广泛,从东北平原,越过大兴安
岭,经辽阔的内蒙古高原,再经鄂尔多斯高原、黄土
高原,一直到青藏高原,绵延约 4500km,其分布范围
占国土面积 1 / 3 以上,在不同区域草地生物量的影
响因素可能不尽相同,因此,下一步的工作重点一方
面是根据全国范围内的草地生物量实测数据,分析
全国范围内各个潜在植被类型区域的草地生物量的
影响因素,并在此基础上实现全国范围的草地生物
量高精度模拟。 另一方面,根据中国大陆气候未来
情景的变化趋势分析模拟中国大陆草地生态系统生
物量的未来变化趋势,是今后工作的重点。
References:
[ 1 ]摇 Hall D O, Scurlock J M O. Climate change and productivity of
natural grasslands. Annals of Botany鄄London, 1991, 67 ( S1):
49鄄55.
[ 2 ] 摇 Schlesinger W H. Carbon balance in terrestrial detritus. Annual
Review of Ecology and Systematics, 1977, 8(1): 51鄄81.
[ 3 ] 摇 Sala O E, Lauenroth W K, Burke I. Carbon budgets of temperate
grasslands and the effects of global change / / Breymeyer A I, Hall
D O, Melillo J M, eds. Global Change: Effects on Coniferous
Forests and Grasslands. London: John Wiley & Sons Ltd, 1996.
[ 4 ] 摇 Scurlock J M O, Johnson K, Olson R J. Estimating net primary
productivity from grassland biomass dynamics measurements.
Global Change Biology, 2002, 8(8): 736鄄753.
[ 5 ] 摇 Parton W J, Scurlock J M O, Ojima D S, Schimel D S, Hall D O.
Impact of climate change on grassland production and soil carbon
worldwide. Global Change Biology, 1995, 1(1): 13鄄22.
[ 6 ] 摇 The Department of Animal Husbandry and Veterinary and the
General Station of Animal Husbandry and Veterinary of the
Ministry of Agriculture, P. R. China. Rangeland Resources of
China. Beijing: Chinese Science and Technology Press, 1996.
[ 7 ] 摇 Xie G D, Zhang Y L, Lu C X, Zheng D, Cheng S K. Study on
valuation of rangeland ecosystem services of China. Journal of
Natural Resources, 2001, 16(1): 47鄄53.
[ 8 ] 摇 Hudak A T, Brockett B H. Mapping fire scars in a southern
African savannah using Landsat imagery. International Journal of
Remote Sensing, 2004, 25(16): 3231鄄3243.
[ 9 ] 摇 Mutanga O, Skidmore A K. Integrating imaging spectroscopy and
neural networks to map grass quality in the Kruger National Park,
South Africa. Remote Sensing of Environment, 2004, 90 ( 1):
104鄄115.
[10] 摇 Piao S L, Fang J Y, Zhou L M, Tan K, Tao S. Changes in
biomass carbon stocks in China忆 s grasslands between 1982 and
1999. Global Biogeochemical Cycles, 2007, 21(2): GB2002.
[11] 摇 Fang J Y, Guo Z D, Piao S L, Chen A P. Terrestrial vegetation
carbon sinks in China, 1981—2000. Science in China Series D:
Earth Sciences, 2007, 50(9): 1341鄄1350.
[12] 摇 Xie Y C, Sha Z Y, Yu M, Bai Y F, Zhang L. A comparison of
two models with Landsat data for estimating above ground
grassland biomass in Inner Mongolia, China. Ecological
Modelling, 2009, 220(15): 1810鄄1818.
[13] 摇 Xin X P, Zhnag B H, Li G, Zhang H B, Chen B R, Yang G X.
Variation in spatial pattern of grassland biomass in China from
1982 to 2003. Journal of Natural Resources, 2009, 24 ( 9 ):
1583鄄1592.
[14] 摇 Jin Y X, Xu B, Yang X C, Li J Y, Wang D L, Ma H L. Remote
sensing dynamic estimation of grass production in Xilinguole,
Inner Mongolia. Scientia Sinica ( Vitae ), 2011, 45 ( 12 ):
1185鄄1195.
[15] 摇 Wen J, Wang J M. A modified soil鄄adjusted vegetation index
obtained from satellite remote sensing data. Climatic and
Environmental Research, 1997, 2(3): 302鄄309.
[16] 摇 Kogan F N, Zhu X. Evolution of long鄄term errors in NDVI time
series: 1985—1999. Advances in Space Research, 2001, 28
(1): 149鄄153.
[17] 摇 Trishchenko A P, Cihlar J, Li Z Q. Effects of spectral response
function on surface reflectance and NDVI measured with moderate
resolution satellite sensors. Remote Sensing of Environment,
2002, 81(1): 1鄄18.
[18] 摇 Zhang Y N, Niu J M, Zhang Q, Yang Y, Dong J J. A discussion
on applications of vegetation index for estimating aboveground
biomass of typical steppe. Acta Prataculturae Sinica, 2012, 21
(1): 229鄄238.
[19] 摇 Perelman S B, Leon R J C, Oesterheld M. Cross鄄scale vegetation
patterns of Flooding Pampa grasslands. Journal of Ecology, 2001,
89(4): 562鄄577.
[20] 摇 L佼pez I F, Lambert M G, Mackay A D, Valentine I. The
influence of topography and pasture management on soil
characteristics and herbage accumulation in hill pasture in the
North Island of New Zealand. Plant and Soil, 2003, 255 ( 2):
421鄄434.
[21] 摇 Bennie J, Hill M O, Baxter R, Huntley B. Influence of slope and
aspect on long鄄term vegetation change in British chalk grasslands.
Journal of Ecology, 2006, 94(2): 355鄄368.
[22] 摇 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
8984 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
model. Global Change Biology, 2003, 9(2): 161鄄185.
[23] 摇 Ni J. Estimating net primary productivity of grasslands from field
biomass measurements in temperate northern China. Plant
Ecology, 2004, 174(2): 217鄄234.
[24] 摇 Hu Z M, Fan J W, Zhong H P, Yu G R. Spatiotemporal dynamics
of aboveground primary productivity along a precipitation gradient
in Chinese temperate grassland. Science in China ( Series D),
2006, 50(5): 754鄄764.
[25] 摇 Institute of Grassland Research of CAS. Reserch on Dynamics
Monitoring of Grazing Ecosystem in the North of China: The
Dataset of Dynamics Monitoring of Grazing Ecosystem in the North
China. Hohhot: Inner Mongolia Press, 1996.
[26] 摇 Ren J Z, Hu Z Z, Mou X D, Zhang P J. Comprehensive and
sequential classification system of grasslands and its significance
analysis. Chinese Journal of Grassland, 1980, 1(1): 12鄄24.
[27] 摇 Ren J Z, H u Z Z, Zhao J, Zhang D G, Hou F J, Lin H L, Mu X
D. A grassland classification system and its application in China.
The Rangeland Journal, 2008, 30(2): 199鄄2091.
[28] 摇 Zhang M L, Chen Q G, Jiang W L, Liu X N. An improved CASA
model based on comprehensive and sequential classification system
of grasslands. Chinese Journal of Grassland, 2011, 33(4): 5鄄11.
[29] 摇 Lin H L, Wang J, Xu Z. Study on grassland net primary
productivity ( NPP ) model using 逸 0 益 annual average
cumulative temperature ( 移 兹 ) and moisture index ( K ).
Pratacultural Science, 2005, 22(6): 8鄄10.
[30] 摇 Zhou G S, Zhang X S. A natural vegetation NPP model. Acta
Phytoecologica Sinica, 1995, 19(3): 193鄄200.
[31] 摇 Gong Y M, Hu Y K, Adeli M D, Li K H, Yi W, Zhang W,
Wang J Y. Analysis of adaptation of a climate productivity model
on alpine grassland. Acta Prataculturae Sinica, 2010, 19 ( 2):
7鄄13.
[32] 摇 Zhao J, Shi Y F, Wang D W. Analysis of spatial distribution
features of potential vegetation NPP in Inner Mongolia based on
the IOCS. Journal of Natural Resources, 2012, 27 ( 11 ):
1870鄄1880.
[33] 摇 Yue T X. Surface Modeling: High Accuracy and High Speed
Methods. Beijing: CRC Press, 2011.
[34] 摇 Yue T X, Wang S H. Adjustment computation of HASM: a high鄄
accuracy and high鄄speed method. International Journal of
Geographical Information Science, 2010, 24(11): 1725鄄1743.
[35] 摇 Yue T X, Du Z P, Song D J, Gong Y. A new method of surface
modeling and its application to DEM construction.
Geomorphology, 2007, 91(1 / 2): 161鄄172.
[36] 摇 Shi W J, Liu J Y, Song Y J, Du Z P, Chen G F, Yue T X.
Surface modelling of soil pH. Geoderma, 2009, 150 ( 1 / 2 ):
113鄄119.
[37] 摇 Sun X F. High Accuracy Surface Modeling of Vegetation
Aboveground Biomass in the Major Terrestrial Ecosystems [ D].
Beijing: Institute of Geographical Sciences and Natural Resources
Research, Chinese Academy of Sciences.
[38] 摇 Wang C L, Yue T X, Fan Z M, Zhao N, Sun X F. HASM鄄based
climatic downscaling model over China. Journal of Geo鄄Information
Science, 2012, 14(5): 599鄄610.
[39] 摇 Ma W H, Fang J Y, Yang Y H, Mohammat A. Biomass carbon
stocks and their changes in northern China忆 s grasslands during
1982—2006. Science China Life Sciences, 2010, 53 ( 7 ):
841鄄850.
参考文献:
[ 6 ] 摇 中华人民共和国农业部畜牧医司, 全国畜牧兽医总站. 中国
草地资源. 北京: 科学出版社, 1996.
[13] 摇 辛晓平, 张保辉, 李刚, 张宏斌, 陈宝瑞, 杨桂霞. 1982鄄 2003
年中国草地生物量时空格局变化研究. 自然资源学报, 2009,
24(09): 1583鄄1592.
[14] 摇 金云翔, 徐斌, 杨秀春, 李金亚, 王道龙, 马海龙. 内蒙古锡
林郭勒盟草原产草量动态遥感估算. 中国科学: 生命科学,
2011, 45(12): 1185鄄1195.
[15] 摇 文军, 王介民. 一种由卫星遥感资料获得的修正的土壤调整
植被指数. 气候与环境研究, 1997, 2(3): 302鄄309.
[18] 摇 张艳楠, 牛建明, 张庆, 杨艳, 董建军. 植被指数在典型草原
生物量遥感估测: 应用中的问题探讨. 草业学报, 2012, 21
(1): 229鄄238.
[25] 摇 中国农业科学院草原研究所. 中国北方草地畜牧业动态监测
数据集: 中国北方草地畜牧业动态监测研究(二). 呼和浩特:
内蒙古大学出版社, 1996.
[26] 摇 任继周, 胡自治, 牟新待, 张普金. 草原的综合顺序分类法及
其草原发生学意义. 中国草地学报, 1980, 1(1): 12鄄24.
[28] 摇 张美玲, 陈全功, 蒋文兰, 柳小妮. 基于草地综合顺序分类法
的 CASA模型改进. 中国草地学报, 2011, 33(4): 5鄄11.
[29] 摇 林慧龙,王军,徐震. 草地净第一性生产力与逸0益年积温、湿
润度指标间的关系. 草业科学, 2005, 22(6): 8鄄10.
[30] 摇 周广胜, 张新时. 自然植被净第一性生产力模型初探. 植物生
态学报, 1995, 19(3): 193鄄200.
[31] 摇 公延明, 胡玉昆, 阿德力·麦地, 李凯辉, 尹伟, 张伟, 王吉
云. 高寒草原对气候生产力模型的适用性分析. 草业学报,
2010, 19(2): 7鄄13.
[32] 摇 赵军, 师银芳, 王大为. 基于 IOCS的内蒙古潜在植被 NPP 空
间分布特征研究. 自然资源学报, 2012, 27(11): 1870鄄1880.
[37] 摇 孙晓芳. 主要陆地生态系统植被地上生物量高精度曲面建模
[D]. 北京: 中国科学院研究生院, 2012.
[38] 摇 王晨亮, 岳天祥, 范泽孟, 赵娜, 孙晓芳. 高精度曲面建模的
中国气候降尺度模型. 地球信息科学学报, 2012, 14( 5):
599鄄610.
9984摇 17期 摇 摇 摇 赵明伟摇 等:基于草地综合顺序分类系统(IOCSG)的中国北方草地地上生物量高精度模拟 摇