国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于葉面積指數(shù)估算植被總初級(jí)生產(chǎn)力

2016-08-09 06:06徐博軒陳報(bào)章車明亮
生態(tài)學(xué)報(bào) 2016年12期
關(guān)鍵詞:生產(chǎn)力不確定性站點(diǎn)

徐博軒,陳報(bào)章,*,許 光,陳 婧,車明亮

1 中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院,徐州 221116 2 中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100101 3 中國(guó)科學(xué)院大學(xué),北京 100049

?

基于葉面積指數(shù)估算植被總初級(jí)生產(chǎn)力

徐博軒1,2,陳報(bào)章1,2,*,許光2,3,陳婧2,車明亮2,3

1 中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院,徐州221116 2 中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京100101 3 中國(guó)科學(xué)院大學(xué),北京100049

摘要:長(zhǎng)時(shí)間序列的陸地碳通量數(shù)據(jù)在全球生態(tài)環(huán)境變化研究中具有重要意義。采用MODIS GPP (Gross Primary Productivity) 算法,基于GIMMS LAI3g,MODIS15和Improved-MODIS15三種葉面積指數(shù)(LAI),估算了全球2000至2010年的植被總初級(jí)生產(chǎn)力(GPP)。該估算的GPP數(shù)值經(jīng)過(guò)全球20個(gè)通量站點(diǎn)的驗(yàn)證,并結(jié)合MODIS17分析了它們?cè)跁r(shí)空變化上的異同。結(jié)果表明:(1)4 種GPP精度如下:GPPMOD17>GPPimpro_MOD15>GPPLAI3g>GPPMOD15。(2)4種GPP整體上具有一致的季節(jié)波動(dòng),冬季和夏季整體好于春季和秋季。GPPLAI3g的4個(gè)季節(jié)精度較相近,而GPPMOD17除了春秋季外其它季節(jié)都較好。(3)GPPLAI3g在中等GPP值分布區(qū)的估值相對(duì)較高,其全球總GPP大體為(117±1.5)Pg C/a,GPPMOD17和GPPimpro_MOD15相近且都低于該值。(4)GPPLAI3g和GPPimpro_MOD15在大約63.29%的陸面上呈顯著(P<0.05)的正相關(guān)關(guān)系,它們和GPPMOD17在LAI不確定性小的地區(qū)呈顯著的正相關(guān)關(guān)系。GPPLAI3g和GPPMOD15正相關(guān)分布面積占比為40.61%。

關(guān)鍵詞:總初級(jí)生產(chǎn)力(GPP); MODIS GPP模型; GIMMS LAI3g; MODIS15; Improved-MODIS15

全球碳循環(huán)議題不僅是全球變化研究中的關(guān)鍵問(wèn)題,而且可以為經(jīng)濟(jì)發(fā)展規(guī)劃和氣候政策制定提供科學(xué)支撐。植被總初級(jí)生產(chǎn)力(GPP)是指植物在單位時(shí)間內(nèi)通過(guò)光合作用吸收太陽(yáng)能產(chǎn)生有機(jī)物的總量[1],是全球生態(tài)環(huán)境變化研究中的重要內(nèi)容。大約一半的GPP被植物自養(yǎng)呼吸消耗,剩余的凈吸收碳量被稱為凈初級(jí)生產(chǎn)力(NPP)[2- 3]。生產(chǎn)力與光合有效輻射間關(guān)系的理論[4- 5]建立起來(lái)的光能利用率模型是當(dāng)前模擬生產(chǎn)力的主要方法之一。光能利用率模型中重要的輸入數(shù)據(jù)包括氣候數(shù)據(jù)和LAI,后者被作為與森林冠層能量和CO2交換密切相關(guān)的植被結(jié)構(gòu)參數(shù)。目前,許多研究也驗(yàn)證了生態(tài)系統(tǒng)生產(chǎn)力和植被指數(shù)之間存在著密切的關(guān)系[6- 8]。當(dāng)前常用的MODIS(Moderate resolution Imaging Spectroradiometer)GPP[9]只能提供自2000年至今的數(shù)據(jù)且存在一定的精度問(wèn)題[2,10- 11],而GIMMS(Global Inventory Modeling and Mapping Studies)LAI3g[12- 15]能夠提供過(guò)去30a的葉面積指數(shù)數(shù)據(jù),研究GPPLAI3g與其它LAI模擬的全球GPP在時(shí)空分布上的異同,有助于分析更長(zhǎng)時(shí)間序列的全球生產(chǎn)力。

本文首先采用歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的再分析資料,基于GIMMS LAI3g,MODIS15(MODIS LAI)以及Improved-MODIS15這3種LAI數(shù)據(jù),驅(qū)動(dòng)MODIS GPP模型進(jìn)行全球GPP的估算,并使用通過(guò)特定的準(zhǔn)則挑選的20個(gè)通量塔站點(diǎn),在月尺度上對(duì)這3種GPP和MODIS17A2 GPP數(shù)據(jù)進(jìn)行驗(yàn)證,分析了這4種GPP在時(shí)空分布上的異同,評(píng)價(jià)GIMMS LAI3g估算的GPP相比現(xiàn)有其他LAI估算的優(yōu)劣性。

1數(shù)據(jù)來(lái)源與研究方法

1.1數(shù)據(jù)

1.1.1全球通量觀測(cè)網(wǎng)絡(luò)

全球通量觀測(cè)網(wǎng)絡(luò)FLUXNET(http://fluxnet.ornl.gov/)采用渦度相關(guān)技術(shù),實(shí)時(shí)連續(xù)監(jiān)測(cè)陸地生態(tài)系統(tǒng)與大氣間CO2,水和能量交換量[16- 17]。全球通量觀測(cè)網(wǎng)絡(luò)目前已經(jīng)包括分布在歐洲(CarboEurope),美洲(AmeriFlux和Fluxnet-Canada),亞洲(AsiaFlux和ChinaFLUX)等地區(qū)的超過(guò)500個(gè)可供長(zhǎng)期觀測(cè)的通量站點(diǎn)。為了降低來(lái)自于觀測(cè)值的潛在誤差,通過(guò)排除圖像上提取到空值的站點(diǎn)以及遵循如下3個(gè)準(zhǔn)則對(duì)獲得的站點(diǎn)數(shù)據(jù)進(jìn)行挑選[18- 19]:能夠提供4年或者更多年的連續(xù)數(shù)據(jù),能提供至少一年90%以上半小時(shí)的各種氣象和通量數(shù)據(jù),以及基本能夠達(dá)到能量平衡。最終選取了代表6種植被功能類型和2種氣候帶的來(lái)自20個(gè)通量站點(diǎn)95個(gè)站點(diǎn)年的數(shù)據(jù)(表1)。這些站點(diǎn)主要分布于北半球,其中13個(gè)站點(diǎn)分布于溫帶地區(qū),7個(gè)站點(diǎn)分布于北方森林區(qū)。

表1 研究站點(diǎn)描述

a: 站點(diǎn)ID從FLUXNET獲得;b: 生物類型:常綠針葉林(NEF),落葉針葉林(NDF),常綠闊葉林(BEF),落葉闊葉林(BDF),落葉闊葉灌木(BDS),以及草地(GRA);c: 每個(gè)站點(diǎn)挑選出的年份

1.1.2GPP數(shù)據(jù)集

MODSI17是美國(guó)蒙大拿大學(xué)使用MODIS GPP模型,基于MODIS15以及NASA的資料同化部(Data Assimilation Office,DAO)再分析氣候[20]計(jì)算得出。該數(shù)據(jù)從http://www.ntsg.umt.edu免費(fèi)獲取,提供2000年至2013年,空間分辨率為1km的全球GPP/NPP數(shù)據(jù)。土地覆蓋使用MODIS12Q1,由于MODIS17算法的生物屬性查找表(Biome Properties Lookup Table,BPLUT)使用UMD(University of Maryland)分類方案[21],這里提取UMD數(shù)據(jù)集。氣候數(shù)據(jù)選取ECMWF氣象數(shù)據(jù),包括2.5°×2.5°的下表面太陽(yáng)輻射,VPD(Vapor pressure deficit)以及2m高氣溫[22]。

GIMMS LAI3g由GIMMS NDVI3g推導(dǎo)得出[23]。GIMMS NDVI3g數(shù)據(jù)是美國(guó)國(guó)家航空航天局基于NOAA衛(wèi)星上的AVHRR傳感器于2013年11月份發(fā)布的最新全球植被指數(shù)變化數(shù)據(jù),能夠提供1981年7月份至2011年12月份的數(shù)據(jù)。MODIS15A2[24- 25]空間分辨率為1km,在每個(gè)像素點(diǎn)上都有一個(gè)質(zhì)量控制(Quality Control,QC)信息。為了消除云,季節(jié)性冰雪覆蓋以及儀器和模型不確定性所導(dǎo)致的LAI數(shù)據(jù)在時(shí)空上的不連續(xù)不一致等問(wèn)題,Yuan等[26]使用改進(jìn)的瞬時(shí)空間濾波(modified Temporal Spatial Filter,mTSF)結(jié)合背景值以及QC信息對(duì)質(zhì)量較低的值做簡(jiǎn)單的模擬,然后在此基礎(chǔ)上使用SG濾波(Savitzky-Golay filter)得到Improved-MODSI15,改進(jìn)后的數(shù)據(jù)相比MODIS15在時(shí)空上更連續(xù)一致。

1.2GPP遙感反演算法

本文使用的MODIS GPP模型[10,22]根據(jù)GPP與植被吸收的光合有效輻射間的線性關(guān)系理論建立[4- 5,27- 28],描述如下[14]:

GPP=εmax×f(Tamin)×f(VPD)×APAR

(1)

APAR=SWRad×0.45×(1-ek×LAI)

(2)

式中,GPP為總初級(jí)生產(chǎn)力(gC m-2s-1);εmax為最大光能利用率(kg C/MJ);APAR為植被吸收的光合有效輻射(MJ m-2s-1),表示為45%的入射短波輻射(SWRad)和植被冠層吸收的光合有效輻射比的乘積,該輻射比通過(guò)簡(jiǎn)單的Beer定律使用LAI求出,k為冠層消光系數(shù),一般取0.5;(1)中的f(VPD)和f(Tamin)分別是蒸汽壓差和2m高氣溫的訂正因子,計(jì)算如下:

(3)

(4)

式中,VPDmax和Tmin_max分別是在光合利用效率最大時(shí)的日最大蒸汽壓差(Pa)和日最高氣溫(℃),VPDmin和Tmin_min是當(dāng)光合作用為0時(shí)的最小蒸汽壓差(Pa)和最小氣溫(℃),這些參數(shù)使用的都是BPLUT表中的默認(rèn)參數(shù)。

1.3分析方法

在預(yù)處理階段針對(duì)相應(yīng)月份11a的數(shù)據(jù),使用線性回歸的方法插值出部分缺失的像元值,并將全部數(shù)據(jù)使用3×3像元窗口的均值插值法統(tǒng)一到0.0833°×0.0833°的分辨率。數(shù)據(jù)和站點(diǎn)對(duì)比驗(yàn)證階段再次使用到線性回歸分析,R2能夠表征方程的回歸效果。Pearson相關(guān)系數(shù)[29]使用在相關(guān)性分析中對(duì)應(yīng)像素點(diǎn)上的相關(guān)性分析,采用0.05的顯著性水平檢驗(yàn)。為綜合評(píng)定相關(guān)性與偏差的分析效果,使用量值Taylor skill[19],計(jì)算公式如下:

(5)

(6)

S=2×(1+R)/(σnorm+1/σnorm)2

(7)

2結(jié)果與討論

2.1站點(diǎn)比對(duì)分析

使用線性回歸分析比較了各個(gè)站點(diǎn)的GPP數(shù)據(jù)集同通量塔觀測(cè)數(shù)據(jù)的一致性程度(圖1)。GPPMOD17、GPPLAI3g、GPPimpro_MOD15以及GPPMOD15這4種GPP的斜率變化區(qū)間分別是:0.414—1.588、0.35— 1.26、0.373— 1.322以及0.101—1.178,相應(yīng)R2的變化區(qū)間是:0.39— 0.91、0.43—0.83、0.53—0.82以及0.06—0.82。在落葉針葉林、常綠闊葉林、落葉闊葉林和草地上GPPMOD17的斜率都大于GPPLAI3g和GPPimpro_MOD15,其中針葉落葉林的4種GPP估算效果都很好,GPPMOD17的斜率達(dá)到0.978,R2達(dá)到0.91,GPPLAI3g的斜率達(dá)到0.877,R2為0.82。估算效果最差的是草地,模擬較好的GPPMOD17斜率也只有0.414,R2只有0.59,而GPPLAI3g斜率只有0.35,R2是0.59。Sj?str?m等[30]比較12個(gè)站點(diǎn)數(shù)據(jù),發(fā)現(xiàn)10個(gè)植被類型為熱帶草原和草原站點(diǎn)的εmax高于MOD17A2中生物屬性查找表的值,其中6個(gè)站點(diǎn)的εmax相當(dāng)于查找表中對(duì)應(yīng)值的兩倍,導(dǎo)致MODIS17在草地等低估生產(chǎn)力。此外,MODIS15A2中草地的錯(cuò)誤分類也可能導(dǎo)致生物屬性查找表中查找到錯(cuò)誤的εmax;在常綠針葉林和落葉闊葉灌木叢上雖然GPPLAI3g比GPPMOD17回歸效果稍好,但R2卻小于GPPMOD17,RMSE大于GPPMOD17,Turner[11]研究發(fā)現(xiàn)MODIS GPP傾向于在低生產(chǎn)力的站點(diǎn)高估。這通常是因?yàn)镸ODIS GPP模型中輸入的植被冠層吸收的光合有效輻射值較高,又由于MODIS GPP模型的模型自身存在光能利用率偏低的問(wèn)題,進(jìn)而低估高生產(chǎn)力的站點(diǎn)。所以落葉闊葉灌木叢的GPPMOD17過(guò)分高估,斜率達(dá)到1.588,R2也能達(dá)到0.9,GPPLAI3g在這種植被類型上也高估。在生產(chǎn)力較高的站點(diǎn)如常綠針葉林、落葉針葉林、落葉闊葉林,幾乎所有的估算值都比站點(diǎn)低估。GPPLAI3g與GPPimpro_MOD15在某些植被類型上更好,整體較相近??傮w上,這四種GPP中GPPMOD17的回歸效果最好,而GPPLAI3g和GPPimpro_MOD15回歸效果相當(dāng),GPPMOD15的最差。

圖1  GPPLAI3g, GPPMOD15, GPPimpro_MOD15 和GPPMOD17與通量觀測(cè)值在不同植被類型的比較Fig.1  Comparison of the observed and estimated GPP from GPPLAI3g, GPPMOD15, GPPimpro_MOD15 and GPPMOD17 for different biome types

2.2GPP時(shí)空變化分析

2.2.1GPP年際變化分析

因?yàn)樵嫉腖AI數(shù)據(jù)存在部分像元值缺失以及分辨率統(tǒng)一過(guò)程中出現(xiàn)的一些問(wèn)題,這里無(wú)法反應(yīng)真實(shí)的GPP全球整體變化趨勢(shì)。但是,通過(guò)統(tǒng)計(jì)4種GPP全球總值能夠?qū)Ρ确治稣w的估計(jì)效果。如表2,GPPLAI3g大約(117±1.5)PgC/a,比MODIS17的估計(jì)更大,GPPMOD15則大約(98±2)PgC/a,比GPPMOD17小。Zhao[31]分析了MODIS GPP模型對(duì)3種氣候數(shù)據(jù)的響應(yīng)特性,發(fā)現(xiàn)美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)氣象數(shù)據(jù)過(guò)度估計(jì)表面太陽(yáng)輻射,并且低估氣溫和水汽壓差,ECMWF氣象數(shù)據(jù)準(zhǔn)確度最高但其表面太陽(yáng)輻射在熱帶地區(qū)更低,DAO氣象數(shù)據(jù)準(zhǔn)確度在這兩種數(shù)據(jù)之間,與之相對(duì)應(yīng)估算的GPP中,GPPNCEP最高,GPPECMWF最低,而GPPDAO則介于這兩者之間。Improved-MODIS15是在MODIS15基礎(chǔ)上改進(jìn)了LAI值并且補(bǔ)全了某些缺值,其估計(jì)的全球GPP值(大約(107±1.5)PgC/a)與GPPMOD17(大約(107.5±1.5)Pg C/a)相當(dāng)。關(guān)于全球GPP總值的研究大多認(rèn)為GPP大約為120 Pg C/a[32],所以整體上GPPLAI3g的年均全球GPP總值更接近該值。

表2 2000至2010年全球GPP總值

圖2 4種GPP在常綠林上不同季節(jié)Taylor skill (S)的箱線圖Fig.2 Boxplots of Taylor skill (S) for monthly GPP by models and seasons across evergreen forests,Panels show the interquartile range (box), mean (square), median (solid line), range (whiskers), and outliers (cross)圖中表示了四分位距(箱),均值(正方形),中值(實(shí)線),間距(須線)以及極端值(交叉)

2.2.2GPP季節(jié)變化分析

根據(jù)公式7可知,Taylor skill為1時(shí)表明估計(jì)的GPP和站點(diǎn)最相近,但是因?yàn)楦鞣N不確定性使得只能盡可能的接近1。將4種GPP按照4個(gè)季節(jié)做箱線圖,并且按中值從大到小排列。如圖2,4種GPP對(duì)夏季6—8月份和冬季12—2月份模擬的效果最好,最差的是秋季9—11月份;GPPMOD17的Taylor skill除了秋季外其它季節(jié)相比其它數(shù)據(jù)都較大且集中,秋季的GPPMOD17值最低,中值為0.5。GPPimpro_MOD15和GPPMOD15的4個(gè)季節(jié)上模擬的效果相差比較大,GPPimpro_MOD15在冬季上最好,但是相比其它3種GPP四個(gè)季節(jié)分散更開(kāi);GPPLAI3g在4個(gè)季節(jié)上的均值在0.63±0.05,而且數(shù)據(jù)各季節(jié)模擬的相對(duì)比較集中,不同的是GPPLAI3g的秋季模擬效果比春季3—5月份好。MODIS GPP模型能夠較好的捕獲生長(zhǎng)季節(jié)時(shí)期的季節(jié)動(dòng)態(tài)變動(dòng)[9,33],而且4種GPP大體上具有相近的季節(jié)動(dòng)態(tài)。在夏季,上層灌木層活躍,MOD15模型中有更少的不確定性,GPP模擬效果最好;冬季是一個(gè)低產(chǎn)時(shí)期,此時(shí)的GPP模擬效果也較好;春季開(kāi)始萬(wàn)物復(fù)蘇,也是生長(zhǎng)季節(jié)的開(kāi)始,由冬轉(zhuǎn)春的生態(tài)系統(tǒng)變化迅速,由此也會(huì)帶來(lái)更多的不確定性,尤其是氣溫以及葉面積指數(shù)所帶來(lái)的不確定性;而秋季是由熱轉(zhuǎn)冷的過(guò)程,葉落所帶來(lái)的影響應(yīng)該被認(rèn)為是較大的,所以春季和秋季的估計(jì)效果相比來(lái)說(shuō)是最差。Heinsch[10]的結(jié)果也表明GPPMOD17在夏季上與站點(diǎn)數(shù)據(jù)最接近,而春季估計(jì)的效果最差。

2.2.3GPP年均值空間分布對(duì)比

取2000至2010年的均值分析4種GPP數(shù)據(jù)在全球尺度上的分布,如圖3,4種GPP數(shù)據(jù)大體上都有相同的空間分布,年均GPP較高的都分布在亞馬遜流域、非洲中部以及亞洲東南部地區(qū),這些地方的溫度和濕度使得該地區(qū)的植物具有較高光合作用。較溫暖的地區(qū)為中等的GPP值,低值則主要分布于氣溫低并且干旱地區(qū)。北半球中高緯度地區(qū)的GPP普遍在400—1200gC m-1a-1之間,這是全球GPP分布比較均勻的地區(qū),且該地區(qū)數(shù)值占到全球GPP總量較大比重。不同點(diǎn)在于,GPPMOD15在北美北部,俄羅斯北部以及西亞地區(qū)的估值更低;GPPMOD17與GPPimpro_MOD15的分布更相近,而GPPLAI3g在中等GPP值地區(qū)的估值相對(duì)較高,尤其是北半球中高緯地區(qū)這也導(dǎo)致4種全球GPP中,GPPLAI3g的最高,GPPMOD17和GPPimpro_MOD15相近,GPPMOD15的最低。

使用光能利用率模型估計(jì)大尺度或者全球的生產(chǎn)力值時(shí)需要考慮模型的不確定性。這種不確定性主要來(lái)源于2方面:(1)輸入數(shù)據(jù)的不確定性,包括觀測(cè)誤差,預(yù)處理模型的誤差以及數(shù)據(jù)缺失時(shí)插值所導(dǎo)致的誤差;氣候數(shù)據(jù)不確定性帶來(lái)的影響比植被類型分類誤差的影響及其它的影響因素更大;(2)模型的不確定性,如最大光能利用率(εmax)在時(shí)空上是動(dòng)態(tài)變化的,本文使用的卻是不同植被某一固定的值;生物屬性查找表中的一些參數(shù)值也待驗(yàn)證[34]。結(jié)合前面的分析,MODIS GPP模型能合理的模擬不同生物和氣候類型的空間分布以及時(shí)間動(dòng)態(tài)變化。

圖3 分辨率為0.0833°的全球11a(2000—2010)平均GPPFig.3 Eleven-year (2000—2010) mean global0.0833degree

圖4 4種GPP間的相關(guān)性分析Fig.4 There are four pictures to show the correlation between the four GPP data

2.3相關(guān)性分析

使用Pearson相關(guān)分析方法,并且給出顯著性為0.05的檢驗(yàn)。4種GPP(2000—2010年)兩兩之間的相關(guān)系數(shù)如圖4所示。最顯著的相關(guān)性表現(xiàn)在GPPLAI3g和GPPimpro_MOD15之間,大約63.29%的陸地面積呈顯著的相關(guān)關(guān)系;GPPLAI3g和GPPMOD17有較差的相關(guān)關(guān)系,大約只有25.74%的陸地面積顯著相關(guān),相比之下GPPimpro_MOD15和GPPMOD17顯著相關(guān)的面積能達(dá)到48.85%;GPPLAI3g和GPPMOD15這一面積比為40.61%。以上分析表明GPPLAI3g與GPPimpro_MOD15是最相關(guān)的,這可能是因?yàn)闅夂驍?shù)據(jù)對(duì)MODIS GPP模型的影響最大所導(dǎo)致的。

圖4,大約占比97.95%的GPPLAI3g和GPPMOD17之間顯著相關(guān)面積中是正相關(guān)關(guān)系,而只有大約2.05%的顯著相關(guān)區(qū)域是負(fù)相關(guān)關(guān)系。正相關(guān)主要分布在稀疏灌木叢和熱帶稀樹(shù)草原,正相關(guān)分布與圖4相似,因?yàn)樵谶@些地方的LAI具有更低的不確定性[35]。負(fù)相關(guān)主要分布于LAI不確定性較大的區(qū)域,F(xiàn)ang[35]等結(jié)果表明在北方森林和熱帶區(qū)域MODIS LAI具有較大的不確定性。氣象數(shù)據(jù)的不同也可能導(dǎo)致顯著的負(fù)相關(guān)。圖4 顯示GPPLAI3g和GPPimpro_MOD15之間有顯著的相關(guān)性,尤其在植被覆蓋度高的地區(qū)相關(guān)性更加明顯,比如亞馬遜流域,和非洲中部地區(qū)。在北半球中高緯度地區(qū)(50°—70°N),如拉斯維加斯和加拿大部分地區(qū),出現(xiàn)較明顯的負(fù)相關(guān)性,這些地方LAI的不確定性是所有緯度中最大的[35],使用對(duì)MODIS15改進(jìn)后模擬的GPPimpro_MOD15,能得到更好的正相關(guān)關(guān)系(圖4)。

3結(jié)論

(1)站點(diǎn)數(shù)據(jù)驗(yàn)證顯示,4種GPP的精度如下: GPPMOD17>GPPimpro_MOD15> GPPLAI3g> GPPMOD15。GIMMS LAI3g各站點(diǎn)的精度與GPPimpro_MOD15相近。4種GPP在高產(chǎn)量的生物類型都能有較好的精度,在草地上精度都最低,為了提高這種植被類型的精度,建議將MODIS15與其它可靠土地覆被數(shù)據(jù)進(jìn)行融合分析且對(duì)εmax參數(shù)進(jìn)行優(yōu)化。

(2)4種GPP模擬的冬季和夏季整體好于春季和秋季,而后兩個(gè)季節(jié)都是由冷轉(zhuǎn)熱或者由熱轉(zhuǎn)冷這種不確定性因素較高的時(shí)期??傮w上,GPPMOD17的4個(gè)季節(jié)除春季季外估算效果都較好,GPPLAI3g的4個(gè)季節(jié)精度較相近且較好。

(3)4種GPP年均值空間分布大體相近。不同點(diǎn)出現(xiàn)在:GPPMOD15在低生產(chǎn)力地區(qū)更低,尤其在北美北部,俄羅斯北部以及西亞地區(qū)的GPP值估值更低; GPPimpro_MOD15與GPPMOD17的總值都大約(107±1.5)Pg C/a,空間分布也更接近,而GPPLAI3g在中高緯的估值相對(duì)較高,總值大約(117±1.5)Pg C/a。

(4)相關(guān)性分析表明GPPLAI3g和GPPimpro_MOD15大約63.29%的陸地面積呈顯著(P<0.05)的正相關(guān)關(guān)系,它們和GPPMOD17在LAI不確定性小的地區(qū)呈顯著的正相關(guān)關(guān)系。GPPLAI3g和GPPMOD15正相關(guān)分布面積占比為40.61%。

綜上所述,GIMMS LAI3g能夠較好地模擬全球GPP,并且在時(shí)空上與現(xiàn)有的MODIS17數(shù)據(jù)有較相近的水平。當(dāng)然,為了提高模擬的精度,應(yīng)該結(jié)合前面的分析對(duì)模擬的數(shù)據(jù)和參數(shù)加以改進(jìn)和優(yōu)化。

致謝:ECMWF提供再分析資料,美國(guó)NASA 戈達(dá)德航天中心提供GIMMS和MODIS數(shù)據(jù),馬里蘭大學(xué)提供MODIS17數(shù)據(jù),感謝北京師范大學(xué)提供Improved-MODIS LAI數(shù)據(jù),特此致謝。

參考文獻(xiàn)(References):

[1]方精云, 柯金虎, 唐志堯, 陳安平. 生物生產(chǎn)力的“4P”概念、估算及其相互關(guān)系. 植物生態(tài)學(xué)報(bào), 2001, 25(4): 414- 419.

[2]Chapin F S III, Chapin M C, Matson P A, Vitousek P M. Principles of Terrestrial Ecosystem Ecology. New York: Springer, 2011: 127- 128.

[3]曾慧卿, 劉琪璟, 馮宗煒, 王效科, 馬澤清. 基于 BIOME-BGC模型的紅壤丘陵區(qū)濕地松 (Pinus elliottii) 人工林GPP和NPP. 生態(tài)學(xué)報(bào), 2008, 28(11): 5314- 5321.

[4]Monteith J L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, 1972, 9(3): 747- 766.

[5]Monteith J L. Climate and the efficiency of crop production in Britain. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 1977, 281(980): 277- 294.

[6]Tucker C J, Fung I Y, Keeling C D, Gammon R H. Relationship between atmospheric CO2variations and a satellite-derived vegetation index. Nature, 1986, 319(6050): 195- 199.

[7]Fung I Y, Tucker C J, Prentice K C. Application of advanced very high resolution radiometer vegetation index to study atmosphere-biosphere exchange of CO2. Journal of Geophysical Research, 1987, 92(D3): 2999- 3015.

[8]Box E O, Holben B N, Kalb V. Accuracy of the AVHRR vegetation index as a predictor of biomass, primary productivity and net CO2flux. Vegetatio, 1989, 80(2): 71- 89.

[9]趙晶晶, 劉良云, 徐自為, 焦全軍, 彭代亮, 胡 勇, 劉紹民. 華北平原冬小麥總初級(jí)生產(chǎn)力的遙感監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(增刊1): 346- 351.

[10]Heinsch F A, Zhao M S, Running S W, Kimball J S, Nemani R R. Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1908- 1925.

[11]Turner D P, Ritts W D, Cohen W B, Gower S T, Running S W, Zhao M S, Costa M H, Kirschbaum A A, Ham J M, Saleska S R. Ahl D E. Evaluation of MODIS NPP and GPP products across multiple biomes. Remote Sensing of Environment, 2006, 102(3/4): 282- 292.

[12]Bala G, Joshi J, Chaturvedi R K, Gangamani H V, Hashimoto H, Nemani R. Trends and variability of AVHRR-Derived NPP in India. Remote Sensing, 2013, 5(2): 810- 829.

[13]Ichii K, Kondo M, Okabe Y, Ueyama M, Kobayashi H, Lee S J, Saigusa N, Zhu Z C, Myneni R B. Recent changes in terrestrial gross primary productivity in Asia from 1982 to 2011. Remote Sensing, 2013, 5(11): 6043- 6062.

[14]Wang J, Dong J, Liu J, Huang M, Li G, Running S W, Smith W K, Harris W, Saigusa N, Kondo H, Liu Y F, Hirano T, Xiao X M. Comparison of gross primary productivity derived from GIMMS NDVI3g, GIMMS, and MODIS in southeast Asia. Remote Sensing, 2014, 6(3): 2108- 2133.

[15]Zhu L K, Southworth J. Disentangling the Relationships between Net Primary Production and precipitation in southern Africa savannas using satellite observations from 1982 to 2010. Remote Sensing, 2013, 5(8): 3803- 3825.

[16]王健, 孫林. 使用FLUXNET數(shù)據(jù)驗(yàn)證GLASS地表反照率. 山東建筑大學(xué)學(xué)報(bào), 2013, 28(1): 50- 53.

[17]王紹強(qiáng), 陳蝶聰, 周蕾, 何洪林, 石浩, 閆慧敏, 蘇文. 中國(guó)陸地生態(tài)系統(tǒng)通量觀測(cè)站點(diǎn)空間代表性. 生態(tài)學(xué)報(bào), 2013, 33(24): 7715- 7728.

[18]Wilson K B, Goldstein A, Falge E, Aubinet M, Baldocchi D, Berbigier P, Bernhofer C, Ceulemans R, Dolman H, Field C, Grelle A, Ibrom A, Law B E, Kowalski, Meyers T, Moncrieff J, Monson R, Oechel W, Tenhunen J, Valentini R, Verma S. Energy balance closure at FLUXNET sites. Agricultural and Forest Meteorology, 2002, 113(1/4): 223- 243.

[19]Chen J, Zhang H, Liu Z, Che M, Chen B. Evaluating parameter adjustment in the MODIS gross primary production algorithm based on eddy covariance tower measurements. Remote Sensing, 2014, 6(4): 3321- 3348.

[20]DAO. Data Assimilation Office (DAO) Algorithm Theoretical Basis Document (ATBD). Greenbelt, MD: Data Assimilation Office, Goddard Space Flight Center, Greenbelt, MD, 2002.

[21]Hansen M, DeFries R, Townshend J R G, Sohlberg R. UMD Global Land Cover Classification, 1 Kilometer, 1.0. Maryland: Department of Geography, University of Maryland, College Park, Maryland, 1998: 1981- 1994.

[22]Jung M, Vetter M, Herold M, Churkina G, Reichstein M, Zaehle S, Ciais P, Viovy N, Bondeau A, Chen Y M, Trusilova K, Feser F, Heimann M. Uncertainties of modeling gross primary productivity over Europe: A systematic study on the effects of using different drivers and terrestrial biosphere models. Global Biogeochemical Cycles, 2007, 21(4): GB4021.

[23]Zhu Z C, Bi J, Pan Y, Sangram Ganguly, Alessandro Anav, Xu L, Arindam Samanta, Piao S L, Nemani RR, Myneni RB. Global data sets of vegetation Leaf Area Index (LAI)3g and Fraction of Photosynthetically Active Radiation (FPAR)3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the period 1981 to 2011. Remote Sensing, 2013, 5(2): 927- 948.

[24]Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment, 2004, 91(3/4): 490- 507.

[25]Myneni R B, Hoffman S, Knyazikhin Y, Privette J L, Glassy J, Tian Y, Wang Y, Song X, Zhang Y, Smith G R, Lotsch A, Friedl M, Morisette J T, Votava P, Nemani R R, Running S W. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 2002, 83(1/2): 214- 231.

[26]Yuan H, Dai Y J, Xiao Z Q, Ji D Y, Shangguan W. Reprocessing the MODIS leaf area index products for land surface and climate modelling. Remote Sensing of Environment, 2011, 115(5): 1171- 1187.

[27]Running S W, Nemani R R, Heinsch F A, Zhao M S, Reeves M, Hashimoto H. A continuous satellite-derived measure of Global terrestrial primary production. Bioscience, 2004, 54(6): 547- 560.

[28]Mekonnen Gebremichael, Ana P Barros. Evaluation of MODIS Gross Primary Productivity (GPP) in tropical monsoon regions. Remote Sensing of Environment, 2006, 100(2): 150- 166.

[29]Maselli F, Barbati A, Chiesi M, Chirici G, Corona P. Use of remotely sensed and ancillary data for estimating forest gross primary productivity in Italy. Remote Sensing of Environment, 2006, 100(4): 563- 575.

[30]Sj?str?m M, Zhao M, Archibald S, Arneth A, Cappelaere B, Falkf U, de Grandcourt A, Hanan N, Kergoat L, Kutsch W, Merbold L, Mougin E, Nickless A, Nouvellon Y, Scholes R J, Veenendaal E M, Ard? J. Evaluation of MODIS gross primary productivity for Africa using eddy covariance data. Remote Sensing of Environment, 2013, 131(4): 275- 286.

[31]Zhao M S, Running S W, Nemani R R. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of meteorological reanalyses. Journal of Geophysical Research, 2006, 111(G1): G01002.

[32]Ciais P, Denning A S, Tans P P, Berry J A, Randall D A, Collatz GJ, Sellers P J, White J W C, Trolier M, Meijer H A J, Francev R J, Monfrav P, Heimann M. A three-dimensional synthesis study of δ18O in atmospheric CO2: 1. Surface Fluxes. Journal of Geophysical Research, 1997, 102(D5): 5857- 5872.

[33]Nightingale J M, Coops N C, Waring R H, Hargrove W W. Comparison of MODIS gross primary production estimates for forests across the U.S.A. with those generated by a simple process model, 3-PGS. Remote Sensing of Environment, 2007, 109(4): 500- 509.

[34]Zhao M S, Heinsch F A, Nemani R R, Running S W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164- 176.

[35]Fang H L, Wei S S, Jiang C Y, Scipal K. Theoretical uncertainty analysis of global MODIS, CYCLOPES, and GLOBCARBON LAI products using a triple collocation method. Remote Sensing of Environment, 2012, 124(124): 610- 621.

基金項(xiàng)目:中國(guó)科學(xué)院氣候變化:碳收支與相關(guān)問(wèn)題項(xiàng)目(XDA05040403); 中國(guó)國(guó)家高新技術(shù)研究與發(fā)展計(jì)劃項(xiàng)目(2013AA122002)

收稿日期:2014- 10- 13; 網(wǎng)絡(luò)出版日期:2015- 10- 10

*通訊作者

Corresponding author.E-mail: baozhang.chen@igsnrr.ac.cn

DOI:10.5846/stxb201410132015

Estimated gross primary productivity based on global leaf area index

XU Boxuan1,2, CHEN Baozhang1,2,*, XU Guang2,3, CHEN Jing2, CHE Mingliang2,3

1CollegeofEnvironmentandSpatialInformatics,ChinaUniversityofMiningandTechnology,Xuzhou221116,China2StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicalSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China3UniversityofChineseAcademyofSciences,Beijing100049,China

Abstract:Long-term, series gross primary production (GPP) data are important in carbon cycle research. The MOD17 algorithm, which is based on the radiation conversion efficiency concept of Monteith, has been used widely for estimating GPP. However, MODIS17 only provides the global GPP since 2000 due to the short time series of the MODIS leaf area index (MODIS15). LAI plays an important role in calculating the fraction of photosynthetically active radiation absorbed by plants, and errors in LAI will be propagated to GPP estimates. Three global LAI are available: MODIS15, improved-MODIS15, and Global Inventory Modeling and Mapping Studies (GIMMAS) LAI3g. The improved-MODIS15 LAI is more realistic and smoother than the MODIS15 because it uses quality control information and an integrated two-step method. The GIMMAS LAI3g is a new 30-year time series global LAI (1981—2011). In this study, we compared the global GPP estimates during 2000—2010 by using the MODIS GPP algorithm based on the three global LAI. The global GPP estimates based on GIMMAS LAI3g, MODIS15, and improved-MODIS15 are referred to as GPPLAI3g, GPPMOD15, and GPPimpro_MOD15, respectively. We also compared remote sensing-based GPP estimates with eddy covariance (EC) flux tower-measured GPP. The representative EC flux towers were selected by considering major typical plant functional types. We also analyzed spatio-temporal patterns and their correlations with the three GPP estimates as well as the MODIS17. The results showed the following. (1) The overall accuracy of the four global GPP estimates may be ranked as GPPMOD17> GPPimpro_MOD15> GPPLAI3g> GPPMOD15. (2) The four GPP estimates had high seasonal dynamic consistency. The estimated GPP values were closer to the flux tower-measured GPP in summer and winter than in spring and autumn. The accuracy of GPPLAI3gwas consistent for all seasons; GPPMOD17was more accurate than GPPLAI3gfor all seasons except for spring and fall. (3) GPPLAI3goverestimated GPP for areas with moderate GPP values, i.e., the global total GPP value estimated by GPPLAI3gwas approximately (117±1.5) Pg C/a, which was higher than GPPMOD17and GPPimpro_MOD15. (4) The annual GPP values estimated by GPPLAI3gwere positively correlated with those by GPPimpro_MOD15, and approximately 63.29% of the global vegetated area had a significant correlation (P < 0.05). The GPPLAI3gvalues were positively correlated with GPPMOD15in regions with low LAI uncertainty. Approximately 40.61% of the global vegetated area was significantly correlated with GPPLAI3gand GPPMOD15. There were also several negatively correlated areas, which may have been related to uncertainties and errors in the LAI and meteorological data. Based on our comparison, we conclude that GIMMS LAI3g is an effective dataset for GPP simulation at the global scale, and thus, the 30-year long-term GPP series estimated using the GIMMS LAI3g and MODIS GPP algorithms are reasonably acceptable.

Key Words:GIMMS LAI3g; gross primary productivity (GPP); Improved-MODIS15 LAI; MODIS15 LAI; MODIS GPP algorithm

徐博軒,陳報(bào)章,許光,陳婧,車明亮.基于葉面積指數(shù)估算植被總初級(jí)生產(chǎn)力.生態(tài)學(xué)報(bào),2016,36(12):3546- 3555.

Xu B X, Chen B Z, Xu G, Chen J, Che M L.Estimated gross primary productivity based on global leaf area index.Acta Ecologica Sinica,2016,36(12):3546- 3555.

猜你喜歡
生產(chǎn)力不確定性站點(diǎn)
法律的兩種不確定性
基于Web站點(diǎn)的SQL注入分析與防范
英鎊或繼續(xù)面臨不確定性風(fēng)險(xiǎn)
2017~2018年冬季西北地區(qū)某站點(diǎn)流感流行特征分析
首屆歐洲自行車共享站點(diǎn)協(xié)商會(huì)召開(kāi)
把“風(fēng)景”轉(zhuǎn)化成“生產(chǎn)力
怕被人認(rèn)出
具有不可測(cè)動(dòng)態(tài)不確定性非線性系統(tǒng)的控制
人口紅利與提高生產(chǎn)力
展望2014:推動(dòng)科技創(chuàng)新轉(zhuǎn)化為第一生產(chǎn)力