北京山区刺槐林净初级生产力对气候变化的响应

张 艺，余新晓，范敏锐，常 存，陆晓宇

（北京林业大学 水土保持学院 水土保持与荒漠化防治教育部重点实验室，北京10083）

植被净初级生产力（net primary productivity）是指绿色植物在单位面积、单位时间内所累积的有机物量，表现为光合作用固定的有机碳中扣除本身呼吸消耗的部分，也称净第一性生产力［1］。由于人们无法直接和全面地测量NPP，因此利用模型估算NPP己成为一种重要而被广泛接受的研究方法［2－3］。估算NPP的模型种类很多，大体上可分为统计模型、参数模型和过程模型，BIOME—BGC模型是过程模型的典型代表，可用来检验植被的NPP、C和营养元素等对气候变化的响应［4－9］。北京北部山区分布着大量的刺槐林［10］，以往对刺槐林生态系统的研究大多针对生产力、生理生态等单一方面［11－13］，缺乏对各种生态系统过程的整合和全面认识，无法预测其对未来气候变化情境下的响应，本研究在前人研究的基础上，根据实测数据，利用BIOME—BGC模型模拟北京山区刺槐林净初级生产力并利用实测数据进行模型验证，根据相关研究设置了多种气候变化情景，模拟北京山区刺槐林净初级生产力对未来不同气候情境变化的响应，可为全球气候变化条件下，北京山区刺槐林生态系统的科学经营与妥善管理提供理论依据。

1 研究区概况

北京西山实验林场位于北京西北部，北纬39°54′，东经116°28′，面积811.73hm2。最高处海拔1 150m，平均海拔350m，相对高差最大达1 000余米。主要岩石为硬砂岩，土壤以褐土为主，土层厚度40cm左右。属季风气候，气温19.6～39.7℃，年平均气温12.2℃，年降水量650～720mm，森林类型为暖温带落叶阔叶林，主要树种为油松（Pinus tabulaeform）、侧柏（Quercus L.）、栎树（Platycladus orientalis）、刺槐（Robinia pseudoacacia）和五角枫（Acer mono Maxim），已郁闭成林。

2 研究内容和实验方法

2.1 模型简介

BIOME—BGC模型是模拟全球生态系统不同尺度植被、凋落物、土壤中水、碳、氮储量和通量的生物地球化学模型［14］，主要用来模拟碳、水和营养物质循环。运行BIOME—BGC模型至少需要三类参数：样地参数、气象资料、生理生态参数。BIOME—BGC模型将自然植被划分为落叶阔叶林、常绿阔叶林、常绿针叶林、灌木林、落叶针叶林、C3草地和C4草地7种类型，不同类型需建立不同的生理参数文件。

2.2 数据来源

本研究采用解析木数据、样地调查数据结合经验模型的方法估算北京西山刺槐林的NPP。解析木资料来源为北京市林业勘查设计院于1989—1993年开展《北京郊区主要树种生长调查研究》课题，是可获取的年代最近的北京山区解析木数据。地理纬度、海拔高度、土壤深度、土壤质地状况等初始信息数据采用样地调查的方式获取。气象数据资料由国家气象信息中心提供，并利用小气候模型MT—CLIM进行地形校正等预处理。生理学参数部分参考蒙大拿大学陆地动态数字模拟研究组提供的美国各类型植被生理学参数平均值，部分数据如刺槐细根、茎对叶片的碳分配比例，凋落物、叶片、细根的碳氮比等采用样地实测值。模型参数见表1。

最后，出口热度降温，印度尿素招标结束后的沉淀期再遇国际尿素价格跌势，至于11月份巴基斯坦、斯里兰卡、孟加拉国以及印度的尿素采购预期尚未明朗，且对近日震荡的贸易商报价或有博弈情绪。

2.3 未来气候变化情景

1974—2010年年际间的平均气温波动比较大，但总体气温呈上升趋势。平均气温为12.60℃，温度范围为10.81～14.0℃。平均气温最高的年份出现在2007年，平均气温最低的年份出现在1976年，平均气温最高值与最低值相差3.19℃。气温经历了两个明显的上升期，分别为1980—1983年和1985—1989年。1980—1983年，温度由11.13℃上升至13.07℃，升温幅度达1.94℃；1985—1989年，温度由11.47℃升至13.19℃，升温幅度达1.72℃（图1）。

表1 刺槐林的BIOME－BGC模型参数值

3 结果与分析

3.1 气象资料统计与分析

根据高学杰［15］等2003年研究的结果，在2070年CO2浓度加倍时，华北地区年平均气温和降水变化为2.6℃和10%，据此，本文设置了CO2浓度不变与加倍、气温不变与气温增加2.6℃、降水不变与降水增加10%不同气候组合共8种情景以研究北京山区刺槐林NPP对不同CO2浓度和气候变化的响应。

图1 1974－2010年间平均气温变化曲线

通过降水分布曲线图可以发现（图2），降水量变化趋势较为复杂，年际间的波动比较大，平均降水量为541.4mm，降水量最低的年份出现在1999年，仅为266.9mm，而降水量最高的年份出现在1994年，为813.2mm，降水量最高的年份和降水量最低的年份相差546.3mm。1985—1988年的降水相对稳定，该时间段降水量最高年份（1985年）和最低年份（1986年）降水量仅相差55.7mm。

图2 1974－2010年间降水量变化曲线

3.2 刺槐林NPP年际变化

刺槐林NPP与降水量呈现极显著正相关关系（R＝0.83，P＜0.01）（图5），NPP与平均温度的年际变化关系较复杂，无明显的相关关系（R＝－0.26）（图6）。说明在1974—2010年研究时段内，降水量是控制北京山区刺槐林NPP年际变化的主要气候因子［17－18］。

图3 1974－2010年间刺槐的模拟NPP与实测NPP

沧海横流，方显英雄本色。他表示，在农资行业现代化大发展的今天，行业竞争日趋激烈，行业转型势在必行。山东倍丰不安于现状，不拘于眼前，在做强工业肥的基础上，紧跟集团发展方向，积极响应集团“外埠公司全面进军农业肥”号召，迅速组建团队、广纳贤才，以“倍丰加钾”为切入点，结合工业肥带动农业肥的优势，精准营销，短短1年时间，山东倍丰实现复合肥销售10万余吨。

图4 1974－2010年间刺槐林NPP变化曲线

3.3 刺槐林NPP年际变化与气候变化的关系

利用BIOME—BGC模型模拟出1974—2010年刺槐林实测NPP数据。采用1974—1992年的刺槐林实测NPP数据进行模型验证，可知实测NPP（以C计）的平均值与模型模拟出的刺槐林NPP（以C计）平均值两者相差13.81%（相差范围3.8%～24.3%），除1974—1977年、1980—1983年两段时间模型模拟的NPP值大于实测值，其他时段模型模拟的刺槐林NPP值总体低于刺槐林样地实际的测定值。这可能是由于研究区位于山区林地，且范围较小，地形、海拔、坡向、坡度、土壤等的微小变化就会对森林的NPP值有较大的影响［16］，而模型模拟时的输入参数无法细致地反映出这些细微变化，导致实测数据与模拟结果之间产生了一定的差异。但总体来说，模拟的NPP的大小和范围都与实际调查数据基本一致，模拟值与实测值的变化趋势基本相同，模拟效果整体较好。说明BIOME—BGC模型能够比较准确的模拟北京山区落叶针叶林NPP的变化（图3）。

在CO2浓度加倍，气候变化情况下：CO2浓度加倍温度升高2.6℃即C1T1P0情景，刺槐林NPP（以C计）的模拟值为629.28g／（m2·a），增加了41.60%，交互作用为1.63%；CO2浓度加倍降水增加10%（C1T0P1），刺槐林NPP（以C计）的模拟值为734.88 g／（m2·a），增加了65.36%，交互作用为2.00%，温度升高2.6℃，降水增加10%即C1T1P1情景，刺槐林NPP（以C计）的模拟值为676.25g／（m2·a），增加了52.17%，交互作用为5.10%，CO2浓度和气候变化下，NPP平均值（图8）依次为 C1T0P1＞C1T0P0＞C1T1P1＞C1T1P0。

1974—2010年间刺槐林的NPP（以C计）平均值为444.4g／（m2·a），NPP（以 C计）的变化范围为180.60～628.30g／（m2·a），最大值和最小值相差447.70g／（m2·a），无明显的整体变化趋势，但表现出明显的年际变化及低值高值波浪式变化，年际变动率为11.2%。1977年、1978年、1998年的NPP相对较大，1980年、1999年、2006年的NPP量相对较小。NPP的最大值出现在1977年，NPP的最小值出现在1999年（图4）。

图5 刺槐林模拟NPP与降水量相关分析

图6 刺槐林模拟NPP与平均温度相关分析

3.4 未来气候方案下的NPP变化

PDCA理论的应用可以不断的改进当前护理工作中所存在的不足，提高患者对医院护理的满意度，在本次的实践调查中，两组患者在接受不同的护理计划、措施中，获得明显差异的护理体验，护理组人员获得满意率为98.0%，明显高于对比组的68.0%，差异有统计学意义（P＜0.05）。由此可见其在提高护理人员的整体素质和服务质量上有着显著作用，因此是值得在实践中推广的。

图7 刺槐林不同气候情形下的NPP变化

李志勇心里特别高兴，可他没想到，拜访过程并不顺利。 “我见到那家酒店的经理时，那经理只是上下打量了我几眼，看我一身乡土气，就不耐烦地把我赶了出来。无奈的我走出酒店，恰巧碰到了另一个供货商，人家穿着西装马甲，胳膊下夹着小皮包，头发梳得溜光水滑，皮鞋擦得锃亮酒店经理看见了，赶紧连声打招呼‘老板您好您好’，我心里真不是滋味。”酒店门前的李志勇看了看自己，身上是皱巴巴的衬衫，脚上是15块一双的皮鞋，叹了一口气。

在CO2浓度加倍，气候不变（C1T0P0）的情况下，刺槐林NPP（以C计）的模拟值为686.81g／（m2·a），较原情景（C0T0P0）增加54.55%。在CO2浓度不变，气候变化的情况下：单独的温度升高2.6℃即C0T1P0情景，刺槐林模拟 NPP（以C计）较原来（C0T0P0情景）降低了14.58%，可见单独的温度升高2.6℃不利于NPP的积累，对植物自身干物质积累来说，温度的升高一方面加速了植物的光合作用，有利于植被NPP的积累，而另一方面同时也加速了枯落物的分解、土壤CO2的释放，不利于植被NPP的积累，此外，温度的升高还会导致土壤水分下降，引起植物干旱胁迫［19］；单独的降水增加10%即C0T0P1情景下，刺槐林NPP（以C计）增加8.82%，可见，降水的单独增加有利于NPP的积累。降水的增加能够缓解水分的胁迫，从而促进植被的蒸腾作用和光合作用，有利于植被的生长和NPP的积累。在温度升高2.6℃和降水增加10%即C0T1P1情景下：刺槐林的NPP（以C计）较原来（C0T0P0情景）降低了7.48%，温度和降水的交互作用为－1.72%，可见，温度和降水两者之间的交互作用较弱，且温度和降水的协同增加都不利于NPP的积累，降水增加10%对NPP的正面作用无法抵消温度升高2.6℃对NPP的负面影响。气候变化条件下不同森林类型不同情景NPP平均值（图7）依次为C0T0P1＞C0T0P0＞C0T1P1＞C0T1P0。

传统的国内考核测试，由于它涉及到试卷命题的组织，打印试卷，考试流程安排，集体阅卷等诸多方面，考试组织时间很长，效率不高;人为阅卷等主观因素，对考试公平也造成了一定程度上的影响。传统的考试方式已经无法满足高校教育教学的客观要求。

图8 CO2浓度和气候变化条件下刺槐林不同气候情景的NPP变化

4 结论与讨论

（1）1974—2010年间刺槐林的NPP（以C计）表现出明显的年际变化及低值高值波浪式变化，年际变动率为11.2%。BIOME—BGC模型能够比较准确的模拟刺槐林NPP的变化。

（2）刺槐林NPP与降水量呈现极显著正相关关系（R＝0.83），与平均温度无明显的相关关系（R＝－0.26）。

（3）气候不变，单独CO2的浓度加倍有利于刺槐林NPP的积累；CO2的浓度不变，气候变化情况下：单独的温度升高不利于NPP的积累，单独的降水增加有利于NPP的积累，温度和降水的协同增加不利于NPP的积累，温度和降水交互作用较弱。不同情景NPP平均值C0T0P1＞C0T0P0＞C0T1P1＞C0T1P0。

（4）在CO2浓度加倍，温度升高两者协同作用下，NPP积累有所增加，两因子交互作用为1.63%；CO2浓度加倍，降水增加两者协同作用下有利于NPP积累，交互作用为2%；CO2浓度加倍，温度升高，降水增加三因子共同作用下，NPP积累增加，交互作用为5.1%，可见，CO2浓度加倍、降水增加和温度增加在增加NPP方面起到了促进作用。

BIOME—BGC模型模拟所需参数的前提是生理机能在模拟时段内保持不变。本研究受实验条件限制，针对部分敏感的参数进行了实地测量，其余参数参照相关的文献以及模型本身自带的参数。由于国内相关研究较少，这种参数化方法存在一定的误差。季节的变化以及极端气候条件［20］会对模拟结果产生较大的影响，本研究模拟预测的过程中未考虑。目前有关CO2浓度和气候变化条件下的森林植被生长研究工作仍存在着很多的困难，建议今后加强CO2和气候变化对森林生态系统NPP的影响机理的相关研究，注重各生态因子随植物生长的变化情况，优化模拟结果。

［1］ 李平衡，王权，任海.马占相思人工林生态系统的碳格局及其动态模拟［J］.热带亚热带植物学报，2009，17（5）：494－501.

［2］ Cramer W，Kicklighter D W，Bondeau A，et al.Comparing global models of terrestrial net primary productivity（NPP）：overview and key results［J］.Global Change Biology，1999，1（S）：1－15.

［3］ Alexandrov G A，Oikawa T，Yamagata Y.The scheme for globalization of Process－based model explaining gradations in terrestrial NPP and its application［J］.Ecological Modelling.2002，148（3）：293－306.

［4］ 范敏锐，余新晓，张振明，等.CO2倍增和气候变化对北京山区栓皮栎林NPP影响研究［J］.生态环境学报，2010，19（6）：1278－1283.

［5］ 曾慧卿，刘琪璟，冯宗炜，等.基于BIOME—BGC模型的红壤丘陵区湿地松（Pinus elliottii）人工林GPP和NPP［J］.生态学报，2008，28（11）：5314－5321.

［6］ 范敏锐，余新晓，张振明，等.北京山区油松林净初级生产力对气候变化情景的响应［J］.东北林业大学学报，2010，38（11）：46－48.

［7］ 陈旭，林宏，强振平.中国南部样带植被NPP与气候的关系［J］.生态环境，2008，17（6）：2281－2288.

［8］ Jochheim H，Puhlmann M，Beese F，et al.Modelling the carbon budget of intensive forest monitoring sites in Germany using the simulation model BIOME—BGC［J］.iForest，2009（2）：7－10.

［9］Eastaugh C S，Elisabeth Pötzelsberger，Hubert Hasenauer，et al.Assessing the impacts of climate change and nitrogen deposition on Norway spruce（Picea abies L.Karst）growth in Austria with BIOME—BGC［J］.Tree Physiol.，2011，31（3）：262－274.

［10］ 刘世海，余新晓.京北山区刺槐林主要养分元素积累与分配的研究［J］.北京林业大学学报，2003，25（6）：20－25.

［11］ 刘增文，余清珠，王进鑫.刺槐林更新改造对林地水分环境的影响［J］.西北林学院学报，1995，10（增刊）：53－57.

［12］ 杨晓毅，李凯荣，李苗，等.陕西省淳化县人工刺槐林林分结构及林下植物多样性研究［J］.水土保持通报，2011，31（3）：194－201.

［13］ 刘建利，李凯荣，易亮，等.黄土高原丘陵区人工刺槐林林分结构及林下植物多样性研究［J］.水土保持通报，2008，28（3）：49－52，70.

［14］ 李慧.福建省森林生态系统NPP和NEP时空模拟研究［D］.福州：福建师范大学，2008.

［15］ 高学杰，赵宗慈，丁一汇，等.温室效应引起的中国区域气候变化的数值模拟：第一部分：模式对中国气候模拟能力的检验［J］.气象学报，2003，61（1）：20－28.

［16］ 曾慧卿，刘琪璟，冯宗炜，等.基于BIOME—BGC模型的红壤丘陵区湿地松（Pinus elliottii）人工林GPP和NPP［J］.生态学报，2008，28（11）：5314－5321.

［17］ 刘世荣，郭泉水，王兵.中国森林生产力对气候变化响应的预测研究［J］.生态学报，1998，18（5）：478－483.

［18］ 苏宏新.全球气候变化条件下新疆天山云杉林生长的分析与模拟［D］.北京：中国科学院研究生院，2005.

［19］ Wisley B J.Plant responses to elevated atmospheric CO2among terrestrial biomes［J］.Oikos，1996，76（l）：201－206.

［20］ Katz R W，Brown B G..Extreme events in a changing climate：variability is more important than averages［J］.Climatic Change，1992，21（3）：289－302.