气候变化情景下湿地净初级生产力风险评价—以三江平原富锦地区小叶章湿地为例

刘 夏，王毅勇，范雅秋（1.中国科学院东北地理与农业生态研究所，吉林 长春 130102；2.中国科学院大学，北京 100049；3.东北师范大学，吉林 长春 130024）

气候变化情景下湿地净初级生产力风险评价—以三江平原富锦地区小叶章湿地为例

刘 夏1，2，王毅勇1*，范雅秋1，3（1.中国科学院东北地理与农业生态研究所，吉林 长春 130102；2.中国科学院大学，北京 100049；3.东北师范大学，吉林 长春 130024）

采用BIOME-BGC模型，模拟了气候变化情景下（A1B， A2， B2）三江平原富锦地区小叶章（Calamagrostis angustifolia）湿地的净初级生产力（NPP）变化，并通过NPP变化情况评价小叶章湿地风险等级.结果表明:未来30年（2013～2042年）各气候情景下富锦小叶章湿地NPP均值均高于基准期均值（1961～1990）， A1B和B2情景下未来30年间NPP波动范围变大，A2情景下NPP有降低趋势.风险评价结果表明，气候变化情景下小叶章湿地存在一定风险，尤其是在A1B情景下，未来30年中可能有6年以上的年份存在高风险，A2情景下湿地风险最低.湿地NPP变化与降水量呈显著正相关（R2=0.58，P＜0.05），说明降水量是影响区域湿地的重要因素.尽管气候变化情景下假设了存在升温、CO2浓度升高等有利于植物生长的因素，但降水量的的剧烈变化以及极端气候事件的增加，可能会导致湿地在未来气候变化情景下面临较高风险，未来湿地保护与管理过程中应重点关注水的补给和调配.

BIOME-BGC模型；气候情景；小叶章湿地；净初级生产力

IPCC报告指出气候变化对全球生态系统的影响正在不断加剧，甚至有可能威胁到人类生存环境［1］.湿地生态系统是全球最重要的生态系统之一，具有涵养水源、保护生物多样性、保持碳平衡和营养物等重要的生态功能［2］，在应对全球变化中发挥着重要作用，但湿地也是对全球变化最为敏感的生态系统之一［3-4］.评估全球变化对湿地生态系统的影响及其风险可为湿地保护提供科学依据.但目前对于未来气候变化影响及其风险评估的研究仍有较大难度，尤其是国内相关研究基础还很薄弱，气候变化风险研究亟需加强［5］.针对湿地生态系统进行的气候变化风险等级评价研究也鲜见报道.

气候变化影响陆地生态系统的最重要表现之一是引起净初级生产力（NPP）的变化［6］. Minnen等［7］曾利用NPP变化评价生态系统的风险，他们假设不能接受的气候变化对生态系统生态功能的影响是某种程度的NPP损失，即气候变化造成NPP的损失如果超过了此类生态系统NPP的自然波动范围，就认为发生了风险.因此，研究气候变化对植被NPP的影响可为预测气候变化影响及其风险提供依据［8］.

目前，利用计算机模型估算陆地植被生产力已成为一种重要且被广泛接受的研究方法，各种模型类型繁多［9-10］.针对湿地NPP变化的研究并不鲜见，基于模型的研究工作也一直受到重视，但至今仍没有针对湿地生态系统的成熟模型，而且对未来气候变化影响湿地NPP的研究十分不足.已有的模型中，以Miami模型、Chikugo模型为代表的气候生产潜力模型，形式简单，曾被广泛应用，但误差较大；以CASA模型为代表的光能利用率模型，可直接利用遥感手段获得全覆盖数据，但其生态学机理仍不清楚，且无法预测未来的NPP变化情况［11］；以BIOME-BGC、Centry模型为代表的生理生态过程模型，机理清楚，可以预测全球变化对NPP的影响.已有的针对草地、森林等其他生态系统展开的相关研究多选择过程模型作为研究工具［12］.其中，BIOME-BGC模型的应用十分广泛，但其模型结构复杂，所需参数较多，使用时有一定的局限［13］.不过，通过对模型参数进行合理的识别优化，可使模型模拟结果更加准确更具参考价值［14-15］.White等［16］曾对BIOME-BGC模型的参数调整和验证进行了详细介绍，并对各种植物类型的参数进行了整理，他们的研究为BIOME-BGC模型的广泛应用奠定了基础，曾慧卿等［17］曾在他们的研究基础上对湿地松NPP进行了模拟研究，并取得了较好效果.

东北三江平原地区是我国气候变化最剧烈，湿地类型最多，面积最大，分布最广泛的地区之一［18］，本研究选取三江平原腹地富锦地区小叶章湿地作为研究对象，利用BIOME-BGC模型对其NPP变化进行模拟，结合未来气候情景数据，分析气候变化对小叶章湿地NPP的影响及风险，以期为湿地保护与管理和应对气候变化提供理论依据.

1 材料与方法

1.1 研究区概况

三江平原位于黑龙江省东北隅，是我国最大的淡水沼泽湿地分布区，地理坐标为45°～48°N，130°～135°E，属于北温带大陆性季风气候，年均降水量550～600mm，年均气温1.9℃左右.最冷月（1月）平均气温在-18℃以下，最热月（7月）平均气温在21.22℃左右.植被类型以典型沼泽湿地植被为主，植物群落以小叶章群落和毛苔草（Carexlasiocarpa）群落为主，植被的覆盖度一般在70%～90%，主要土壤类型有泥炭沼泽土、腐殖质沼泽土、草甸沼泽土、淤泥沼泽土、草甸土、泥炭土等.

1.2 小叶章湿地NPP模拟

1.2.1 BIOME-BGC模型简介 BIOME-BGC模型由FOREST-BGC模型发展而来，用于模拟陆地生态系统的碳、氮、水分等物质的循环过程［19-20］. BIOME-BGC模型考虑生态系统内的光合、呼吸及营养物质的循环、迁移等生理生态过程，具有机理性强、综合程度高、外延性好的特点［21］.经过多年的发展，模型不断地改进，目前的BIOME-BGC模型（版本4.1.1）以日为步长对生态系统进行有效模拟.模型应用空间分布资料，包括气候、海拔高度、植被和水分条件，可对每年、每天的碳进行估算并预测气候变化对NPP的影响.

模型的主要驱动参数包括3部分:（1）初始化文件:主要包括研究地的经纬度、海拔、土壤有效深度、土壤颗粒组成、大气CO2浓度、植被类型以及对输入输出文件的设定等；（2）以日为步长的气象数据:最高温、最低温、白天平均温、降水、饱和蒸气压差、太阳辐射等；（3）生态生理指标参数:包括44个参数，如叶片碳氮比、细根碳氮比、最大气孔导度、冠层消光系数、冠层比叶面积、二磷酸核酮糖羧化酶中叶氮比例等.

表1 BIOME-BGC模型参数优化结果Table 1 Optimization results of used parameters

1.2.2 BIOME-BGC模型参数优化 本研究参考White等［16］测试参数敏感性的方法，以及以往研究采用的贝叶斯分析方法、模拟退火算法等方法，根据逐步优化的思想对模型进行参数优化［22-23］.具体步骤如下:（1）首先根据相同研究区域或相同植物类型的观测数据或直接报道数据，确定相关参数取值范围；（2）对没有上述数据的参数，则采用同一气候类型区域或类似植物类群的数据确定其大致取值范围，并通过蒙特卡洛（Monte Carlo method）算法优化参数，以确定参数的取值范围［23］；（3）最后在每个参数取值范围内选取10个数值，用实际观测值进行验证，并从中选取最优参数，由于模型参数众多，且一些参数相互影响，因此，本步骤重复一次；经过两次优化后，对最为敏感的参数重复上述步骤以达到最佳效果.本研究以中国科学院三江平原沼泽湿地生态试验站（47°35'N， 133°29'E）2002～2007年的实测NPP数据为基础，对模型进行参数校正.对参数进行逐步优化的结果见表1.部分参数在趋于最大值或最小值的时候模拟结果最佳，但最终确定值都以其合理取值范围为限，有部分参数必须为整数，按照四舍五入的原则进行取值.

1.2.3 气候数据 参数优化后，利用气象数据驱动BIOME-BGC模型模拟小叶章湿地的NPP.所选用的逐日气象资料包括日最高气温、日最低气温、日平均气温、日降水、日蒸发等.

气候情景数据由中国农业科学院农业环境与可持续发展研究所气候变化研究组提供.该小组在IPCC温室气体排放情景SRES框架下，根据未来社会经济发展的不同情景，利用英国Hadley气候中心的区域系统模式系统PRECIS分析了中国区域21世纪的气候变化.对其在中国区域气候的模拟能力进行验证，结果显示总体上PRECIS具有很强的模拟中国地面气候变化的能力［34］.本研究选用A1B、A2和B2情景作为模型的气候输入数据.A1B情景中，经济增长非常快，高新技术发展迅速，地域间差距缩小.化石能源和非化石能源使用比例更为平衡，不过分依赖某种特定能源.A2情景下，全球人口数据量峰值出现在本世纪中叶并随后下降，经济结构向服务和信息经济方向迅速调整，清洁和资源高效技术不断发展.强调经济、社会和环境可持续发展问题的全球解决方案.B2情景中，全球人口低速增长，经济发展处于中等水平，环境保护和社会公平问题重点放在区域层面来解决［35］.

本研究以1961～1990年为基准期，基准期和模型校正所需的（2002～2007年）气候数据均采用三江平原境内富锦气象站的数据，数据来自国家气象信息中心（中国气象科学共享服务平台），资料比较完整，对于个别缺测值，以缺测时刻前后相邻时步的值进行线性插值.

1.3 NPP风险评价方法

假设不能接受的气候变化对湿地生态系统生产功能的影响是某种程度的NPP损失，即气候变化造成NPP的损失如果超过了此类生态系统NPP的自然波动范围，就认为发生了风险［7］.依据世界气象组织定义，以及我国科学家验证结果，本研究选择相当于平均值10%的损失作为“不可接受的影响”的参考［36］.将湿地生态系统构建风险等级为:

式中:f（xi）为湿地生态系统NPP风险等级；Meani为湿地生态系统NPP正常值范围的均值，Mini代表生态系统NPP正常范围的最小值；0、1、2、3分别代表无风险、低风险、中风险和高风险.采用基准期的模拟NPP值为参照对未来30年进行风险评价.

1.4 数据处理与分析

气象数据的处理与分析采用Microsoft Office Excel 2007，包括各气象要素的年气候变化序列计算，多年均值，标准差分析等；参数优化与分析过程中蒙特卡洛算法通过MATLAB 7.0软件实现；采用SPSS 17.0软件进行NPP与各气象要素间逐步线性回归分析.

2 结果与分析

2.1 BIOME-BGC模型验证

模型参数优化后，模拟值与实测值6年均值相差8%，模拟值误差范围在3.8%～22.5%之间.通过对模型参数优化前后的模拟效果进行对比，发现参数优化后，模拟结果更好（图1）.模拟值与实测值相关性提升，相关系数R2从0.68提升至0.87，同时，模拟值和观测值的误差之和由449.8gC/（m2· a）降为164.1gC/（m2· a）.说明了参数优化过程对模型模拟的重要性.

图1 参数优化前、后模拟值与实测值相关性分析Fig.1 Correlations between simulated and measured NPP before and after the parameters optimization

通过对参数敏感性分析发现，最为敏感的5个参数分别为生长期、叶碳氮比、细根碳氮比、细根碳与叶碳比和表层导度，其中既有气候参数也有植物生理参数，体现了该模型考虑了不同植被在不同气候条件下的不同生理反应过程.模拟结果［均值350.15gC/（m2· a）］比实测值［324.17gC/（m2· a）］略微偏高，这可能是因为:模型模拟的情况较为理想化，所有植物生理参数采用的均是小叶章的参数，模拟的结果实际是将湿地中所有植物都当做小叶章而模拟出的NPP值，是小叶章群落100%覆盖的湿地植被NPP，但自然状态下植物群落组成不可能100%是小叶章，同时还会有其他植物种群，因此，模拟的NPP较实测值偏高.

2.2 未来气候情景下小叶章湿地NPP变化分析

模拟结果表明，基准期1961～1990年间小叶章湿地NPP平均值为362.9gC/（m2·a），NPP年总量变化在285.3～459.2gC/（m2·a）之间（表2）.30年间，NPP年总量呈略微升高的趋势，但升高趋势不明显.

表2 气候变化情景下2013～2042年小叶章湿地NPP［gC/（m2· a）］Table 2 Simulated NPP of Calamagrostis angustifolia wetlands from 2013 to 2042 under different SRES［gC/（m2· a）］

图2 气候变化情景下2013～2042年小叶章湿地NPPFig. 2 Simulated NPP of Calamagrostis angustifolia wetlands from 2013to 2042under different SRES

未来30年小叶章湿地NPP在不同气候情景下的变化情况各不相同，但均未表现出十分明显的增加或降低趋势（图2）.A1B情景下，NPP呈微弱的增加趋势，每年增加速率约为0.26gC/（m2· a），在A2和B2情景下则表现出微弱的减少趋势，其中A2情景减少趋势较为明显，但减少速率也仅为每年1.12gC/（m2·a）. A1B、A2和B2情景下未来30年的NPP均值分别为367.6，386.1和 373.1gC/（m2·a） （表2）.A2情景下NPP高于其他两个情景，且更为稳定，波动范围更小，在294.8～484.2gC/（m2·a）之间，标准差为52.38.A1B和B2情景下，NPP的变化更加剧烈，波动范围在256.9～470.4gC/（m2·a）和218.0～541.8gC/（m2·a）之间，标准差分别为60.55和72.2，比A2情景高很多.

未来30年NPP的均值较基准期均值都有所增加，A1B、A2和B2情景分别增加了1.3%、6.4%和2.8%.相对而言，在A2情景下，NPP降低速度比其他两个情景更快，但在A1B、B2情景下，NPP年际间波动加剧，尤其是在B2情景下，最低值和最高值均超出了基准期的波动范围20%左右.

2.3 未来气候情景下小叶章湿地NPP风险评价

未来气候情景下小叶章湿地NPP均值较基准期有所增加，但年际间波动剧烈.对各气候情景下小叶章湿地NPP的风险评价发现:未来30年小叶章湿地在不同气候情景下均面临着一定的风险（图3）.

其中A2情景下，湿地风险较小，30年中仅7年湿地可能面临风险，而A1B情景下有13年（接近一半的年份）湿地可能存在风险，B2情景下有9年可能存在风险.湿地面临高风险概率也是A2情景最低，仅3年风险等级较高，而A1B和B2情景下，可能出现3级风险等级的年份有6年，较A2情景高了1倍.虽然气候变化情景下未来NPP均值高于基准期，但由于其波动更加剧烈，尤其是A1B和B2情景下，小叶章湿地仍有较大概率面临风险.而在A2情景下，尽管其面临风险的概率较小，但其NPP呈降低的趋势，如果这种趋势持续下去，也将使小叶章湿地面临风险的概率升高.

采用逐步线性回归分析方法对各气象要素（年均温、＞5℃积温、年降水量和蒸发量）和NPP间相关关系进行分析，结果表明降水量对NPP影响最为显著，二者呈显著正相关关系（R2=0.58，P＜0.05）（表3），降水量和＞5℃积温共同对NPP的影响更多一些，但其影响与降水量单一因素的影响程度相差很小（R2=0.62）.说明水分是影响湿地NPP的一个重要因素，而温度变化对其影响并不明显，＞5℃积温变化对NPP有一定程度的影响.

图3 气候变化情景下未来30年小叶章湿地风险等级Fig.3 Risk levels of Calamagrostis angustifolia wetlandsfrom 2013 to 2042 under different SRES

表3 模拟NPP与气象要素间逐步回归分析结果Table 3 Stepwise regression analysis between inter-annual variation of NPP and meteorological data

气候变化情景假设了不同程度的气温升高和CO2浓度升高，这些因素均对植物生长有利，不同气候情景下未来气温增温趋势显著（图4），NPP在未来30年也整体有所增加.但风险评价结果表明气候变化情景下小叶章湿地仍面临一定风险，其主要原因在于NPP在不同气候情景下要么波动很大（A1B和B2），要么有降低趋势（A2），这种NPP变化情况可能是由于降水量的变化引起的.未来30年不同气候情景下，降水量波动很大（图4），尤其是A1B和B2情景，A2情景虽然波动较小，但其降低趋势明显，降低速率为2.93mm/a，比B2情景下降低速率高1倍.前述分析中也指出降水量是影响NPP的重要因素，因此，有理由认为降水量是导致NPP波动剧烈的主要影响因素，随着降水量剧烈波动，极端气候事件出现概率增加是其主要原因.

图4 气候变化情景下未来30年气温降水变化Fig.4 Variations of temperature and precipitation from 2013 to 2042 under different SRES

3 讨论

3.1 BIOME-BGC模型模拟湿地NPP

本研究利用BIOME-BGC模型模拟湿地生态系统NPP对未来气候变化的响应，结果表明参数调整后，BIOME-BGC模型较好的模拟了三江平原小叶章湿地的NPP变化.BIOME-BGC模型对森林生态系统NPP模拟已十分成熟，并被广泛应用［17，37］.但针对草地生态系统，由于其NPP受人类活动及当地水文、土壤等因素的影响十分显著，而BIOMEBGC无法对这些因素进行模拟，所以其在草地生态系统上的应用有一定的局限性［13］.不过，BIOME-BGC模型的应用成功与否也取决于模拟区域的具体情况，已经有很多研究成功应用BIOME-BGC模型模拟草地生态系统NPP的变化情况［38-39］.而BIOME-BGC模型在湿地上的研究并不多见，曾慧卿等［17］曾成功模拟了湿地松林的NPP变化，但对于湿地草地的模拟尚未见报道，有研究曾模拟了不同水文梯度下草原植被的NPP［39］，说明该模型在不同水文梯度下是适用的，而本研究利用BIOME-BGC模型在湿地上成功模拟小叶章群落NPP进一步为该模型在湿地上应用提供了证据.

BIOME-BGC模型运行需要大量的参数，而获得这些参数是比较困难的，尤其是一些参数在国内研究十分鲜见.虽然通过模型的改进可以用BIOME-BGC模型模拟草原、农田等生态系统，但参数的获取仍是最为困难的因素［13］，通过合理的参数优化对模型的应用至关重要［40］，本研究借鉴多种方法对模型进行参数优化，通过逐步优化的方法，一方面有效的优化了模型参数，提高了模拟精度，同时也无需过大的计算量，效果较为理想.

3.2 湿地NPP变化及其影响因素

本研究中NPP模拟结果表明未来气候变化下，由于CO2浓度升高和温度升高，对湿地植被的生长产生有利影响，这与以往研究的结论［12］较为一致.但本研究同时发现湿地生态系统中降水量对植被NPP的影响较气温更为显著，这与以往研究中NPP受气温影响显著的结论并不一致［41］，这种不一致是由生态系统类型不同而导致的［42］.湿地往往有常年积水或季节性积水的特征，如果降水量过低显然会对其植被生长产生重要影响.三江平原的小叶章湿地主要有典型草甸小叶章（地表常年无积水）和沼泽化草甸小叶章（个别月份地表存在少量积水）两种类型，后者地下生物量高于前者1.59～2.78倍［43］，而两者的主要区别就在于水分条件的差别，可见水分要素在某种程度上决定着小叶章湿地NPP的变化，这也验证了本研究中降水量对小叶章NPP影响显著的结论.此外，也有研究曾指出未来气候变化下的降水变化可能会对植被NPP增加不利［44］，由于未来气候变化下降水量呈下降趋势，将使雨养农作物减产［45］.这些研究结论均与本研究一致.

此外，本研究中1961～1990年间小叶章湿地NPP有微弱的增加趋势，这与毛德华等［46］的研究结论不同，其主要原因是本研究中模型模拟的小叶章NPP仅仅是在气候变化影响下的变化趋势，而近年来三江平原湿地除了受到气候变化影响外，还受到其他多方面因素诸如土地利用方式、区域环境等的影响［47］，尤其是人类活动对其影响十分剧烈，1954～2005年间大面积的农田开垦造成湿地面积严重萎缩［48-49］，而这些因素是本研究所未考虑的.

3.3 气候变化情景下湿地风险评价

已有的对于未来气候变化下NPP预测研究多从全球尺度上估算不同植被类型在气候变化情景下的变化，选用的模型也相对比较简单，仅粗略区分了不同的植被类型如森林、灌木、草原［12］等，并非针对某一生态系统开展，而且缺少模型的调整与验证过程.本研究仅针对小叶章湿地生态系统开展研究，选用了更为复杂也更为准确的生理生态过程模型，并通过实测数据对模型进行了校正，因此，相关研究结果有更高的准确性.但是本研究仅针对一种植被，而全球或某一区域的湿地有很多种不同的类型，因此，要开展区域化的研究仍有大量工作要做.

当前湿地风险评价仍处在起步阶段，相关研究仍存在着概念理论体系不完善、评价标准不一致、过于集中在静态评价，缺少动态评价、定量评价存在不确定性等问题，尤其是国内关于气候变化下湿地风险评价相关的研究相对薄弱，缺乏定量评价湿地对气候变化脆弱性的方法、模型、指标体系［50］.因此，本研究尝试利用表征植物活动的重要变量NPP定量化的进行湿地风险评价，研究结果表明尽管存在升温、CO2浓度升高等有利于植物生长的因素，但降水量的变化对湿地有重要影响，其在未来气候情景下变化幅度不断变大，加之未来气候变化下极端气候事件的概率增加，且我国降水量呈下降趋势［45-51］，因此，未来气候变化下湿地可能仍面临着十分严峻的挑战，未来湿地保护与管理过程中应重点关注水的补给和调配.

由于气候情景、模型参数以及社会经济情景等的不确定性，如何科学定量评价未来气候变化的影响，是气候变化研究的重要难题，导致人类在适应气候变化的行动中，很难有针对性地根据气候变化的不利影响进行有效的应对和管理［52］.但定量化评价未来气候变化对生态系统的影响是未来研究的方向.尽管本研究选取的指标和评价方法仍有需要完善的地方，但研究开始了尝试用定量化的方法评价气候变化对生态系统的影响，相比仅仅单纯分析气候、NPP或其他指标的变化来评价未来气候可能产生的影响，有了更为具体的指标和概念，研究结果的可借鉴意义更强.

4 结论

通过对BIOME-BGC模型进行参数优化，模型较好的模拟了三江平原富锦地区小叶章湿地NPP变化，说明了该模型在湿地生态系统的适用性，以及合理的参数优化对模型应用的重要性.对气候变化情景下（A1B， A2， B2）小叶章湿地NPP模拟结果表明:降水量是影响区域湿地的重要因素，未来气候情景下降水量的剧烈变化以及极端气候事件的增加，可能会导致湿地面临较高风险，湿地保护与管理过程中应重点关注水的补给和调配.定量化的评价未来气候变化对生态系统影响是未来研究的方向，但也是相关研究的难点所在，今后的研究应致力于不断提高定量研究的准确性，并将定量化研究成果区域化，且建立相对完善的评价体系.

［1］IPCC， Climate Change 2014: Synthesis Report. Contribution of Working Groups I， II and III to the fifth assessment report of the intergovernmental panel on climate change ［Core Writing Team，Pachauri R K， Meyer L A （eds.）］［R］. IPCC， Geneva， Switzerland，2014.

［2］Mitsch W J， Gosselink J G. Wetlands ［M］. Hoboken.: NJ: Wiley；2007.

［3］Finlayson C， Davis J， Gell P， et al. The status of wetlands and the predicted effects of global climate change: the situation in Australia ［J］. Aquatic Sciences， 2013，75（1）:73-93.

［4］Robarts R D， Zhulidov A V， Pavlov D F. The State of knowledge about wetlands and their future under aspects of global climate change: the situation in Russia ［J］. Aquatic Sciences， 2013，75（1）: 27-38.

［5］吴绍洪，潘 韬，贺山峰.气候变化风险研究的初步探讨 ［J］. 气候变化研究进展， 2011，7（5）:363-368.

［6］彭少麟，侯爱敏，周国逸.气候变化对陆地生态系统第一性生产力的影响研究综述 ［J］. 地球科学进展， 2000，15（6）:717-722.

［7］van Minnen J G， Onigkeit J， Alcamo J. Critical climate change as an approach to assess climate change impacts in Europe: development and application ［J］. Environmental Science and Policy， 2002，5（4）:335-347.

［8］石晓丽，吴绍洪，戴尔阜，等.气候变化情景下中国陆地生态系统碳吸收功能风险评价 ［J］. 地理研究， 2011，30（4）:601-611.

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

［10］Cramer W， Kicklighter D， Bondeau A， et al. Comparing global models of terrestrial net primary productivity （NPP）: overview and key results ［J］. Global Change Biology， 1999，5（S1）:1-15.

［11］朱文泉，陈云浩，徐 丹，等.陆地植被净初级生产力计算模型研究进展 ［J］. 生态学杂志， 2005，24（3）:296-300.

［12］Pan S， Tian H， Dangal S R S， et al. Complex spatiotemporal responses of global terrestrial primary production to climate change and increasing atmospheric CO2in the 21st Century ［J］. Plos One， 2014，9（11）:0112810.

［13］Hidy D， Barcza Z， Haszpra L， et al. Development of the Biome-BGC model for simulation of managed herbaceous ecosystems ［J］. Ecological Modelling， 2012，226:99-119.

［14］Beck M B. Water quality modeling: a review of the analysis of uncertainty ［J］. Water Resources Research， 1987，23（8）:1393-1442.

［15］Trusilova K， Trembath J， Churkina G. Parameter estimation and validation of the terrestrial ecosystem model BIOME-BGC using eddy-covariance flux measurements ［M］. Jena: MPI-BGC； 2009.

［16］White M A， Thornton P E， Running S W， et al. Parameterization and sensitivity analysis of the BIOME-BGC terrestrial ecosystem model: net primary production controls ［J］. Earth Interactions，2000，4（3）:1-85.

［17］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.

［18］李 辑，龚 强.东北地区夏季气温变化特征分析 ［J］. 气象与环境学报， 2006，22（1）:6-10.

［19］Running S W， Coughlan J C. A general model of forest ecosystem processes for regional applications I. Hydrologic balance， canopy gas exchange and primary production processes ［J］. Ecological Modelling， 1988，42（2）:125-154.

［20］Running S W， Hunt E R. Generalization of a forest ecosystem process model for other biomes， BIOME-BGC， and an application for global-scale models ［J］. Scaling Physiological Processes: Leaf to Globe， 1993:141-158.

［21］Dixon R K， Solomon A， Brown S， et al. Carbon pools and flux of global forest ecosystems ［J］. Science， 1994，263（5144）:185-190.

［22］张廷龙，孙 睿，胡 波，等.利用模拟退火算法优化Biome-BGC模型参数 ［J］. 生态学杂志， 2011，30（2）:408-414.

［23］Hidy D， Barcza Z， Haszpra L， et al. Parameter estimation for grassland carbon cycle using nonlinear inversion of Biome-BGC［J］. Cereal Research Communications， 2007，35（2）:453-456.

［24］杨文燕，宋长春，张金波.三江平原小叶章和毛果苔草两种地表覆被下的贴地气层CO2浓度垂直分布特征 ［J］. 中国科学院研究生院学报， 2006，23（5）:686-691.

［25］赵德林，洪福玉.三江平原主要土壤土体构造特点与治理途径的探讨 ［J］. 中国农业科学， 1983，1:008.

［26］窦晶鑫，刘景双，王 洋，等.土温升高对湿草甸小叶章植株碳，氮含量的影响 ［J］. 草业学报， 2010，19（1）:59-59.

［27］张养贞，黄锡畴.三江平原沼泽土壤的发生，性质与分类 ［J］. 地理科学， 1981，1（2）:171-180.

［28］刘兴土.三江平原沼泽辐射平衡与小气候基本特征 ［J］. 地理科学， 1988，8（2）:132-133.

［29］孙志高，刘景双，王金达.三江平原典型湿地系统大气湿沉降中氮素动态及其生态效应 ［J］. 水科学进展， 2007，18（2）:182-192.［30］王毅勇，杨 青，王瑞山.三江平原大豆田氮循环模拟研究 ［J］.地理科学， 1999，19（6）:555-558.

［31］钟静静，赵海洋，张振卿，等.泥炭地炭屑研究进展 ［J］. 湿地科学，2012，10（4）:507-512.

［32］孙崇玉，刘景双，王 洋，等.三江平原湿地小叶章各器官主要营养元素特征 ［J］. 湿地科学， 2011，9（2）:157-162.

［33］王 洋，刘景双，窦晶鑫，等.三江平原不同群落小叶章枯落物的季节变化及养分累积特征 ［J］. 北京林业大学学报， 2010，32（1）:74-81.

［34］许吟隆， Jones R.利用ECMWF再分析数据验证PRECIS对中国区域气候的模拟能力 ［J］. 中国农业气象， 2004，25（1）:7-11.

［35］Nakicenovic N， Swart R. IPCC special report on emissions scenarios ［R］. Cambridge Univ Press， Cambridge， 2000:612.

［36］吴绍洪.综合风险防范:中国综合气候变化风险 ［M］. 北京:科学出版社， 2011.

［37］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）:005.

［38］Han Q， Luo G， Li C， et al. Modeling grassland net primary productivity and water-use efficiency along an elevational gradient of the Northern Tianshan Mountains ［J］. Journal of Arid Land， 2013，5（3）:354-365.

［39］董明伟，喻 梅.沿水分梯度草原群落NPP动态及对气候变化响应的模拟分析 ［J］. 植物生态学报， 2008，32（3）:531-543.

［40］Wang Y P， Trudinger C M， Enting I G. A review of applications of model-data fusion to studies of terrestrial carbon fluxes at different scales ［J］. Agricultural and Forest Meteorology， 2009，149（11）:1829-1842.

［41］刘亚荣，贾文雄，黄 玫，等.近51年来祁连山植被净初级生产力对气候变化的响应 ［J］. 西北植物学报， 2015，35（3）:029.

［42］王莉雯，卫亚星.盘锦湿地净初级生产力时空分布特征 ［J］. 生态学报， 2012，32（19）:6006-6015.

［43］孙志高，刘景双，杨继松，等.三江平原小叶章湿地种群生物量结构动态与生长速率分析 ［J］. 草业学报， 2006，15（2）:21-29.

［44］Ge Z M， Kellomäki S， Peltola H， et al. Impacts of climate change on primary production and carbon sequestration of boreal Norway spruce forests: Finland as a model ［J］. Climatic Change， 2013，118（2）:259-273.

［45］陶福禄，熊 伟，许吟隆，等.气候变化情景下我国花生产量变化模拟 ［J］. 中国环境科学， 2000，20（5）:392-395.

［46］毛德华，王宗明，宋开山，等.东北多年冻土区植被NDVI变化及其对气候变化和土地覆被变化的响应 ［J］. 中国环境科学，2011，31（2）:283-292.

［47］毛德华，王宗明，罗 玲，等.1982～2009年东北多年冻土区植被净初级生产力动态及其对全球变化的响应 ［J］. 应用生态学报，2012，23（6）:1511-1519.

［48］王宗明，宋开山，刘殿伟，等.1954～2005年三江平原沼泽湿地农田化过程研究 ［J］. 湿地科学， 2009，7（3）:208-217.

［49］王宗明，张树清，张 柏.土地利用变化对三江平原生态系统服务价值的影响 ［J］. 中国环境科学， 2004，24（1）:125-128.

［50］尚二萍，摆万奇.湿地脆弱性评价研究进展 ［J］. 湿地科学，2012，10（3）:378-384.

［51］李 博，周天军.基于IPCC A1B情景的中国未来气候变化预估:多模式集合结果及其不确定性 ［J］. 气候变化研究进展， 2010，6（4）:270-276.

［52］Mackay A. Climate change 2007: impacts， adaptation and vulnerability. Contribution of working group II to the fourth assessment report of the intergovernmental panel on climate change ［J］. Journal of Environmental Quality， 2007，2（6）:2407.

致谢：本研究的NPP实测数据由中国科学院三江平原沼泽湿地生态试验站提供，气候情景数据由中国农业科学院农业环境与可持续发展研究所气候变化研究组提供，在此表示感谢.

Risk assessment of net primary productivity for wetland under climate change scenario: a case study of the Calamagrostis angustifolia wetland at Fujin in Sanjiang Plain， Northeast China.

LIU Xia1，2， WANG Yi-yong1*， FanYa-qiu1，3 （1.Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun 130102，China；2.University of Chinese Academy of Sciences， Beijing 100049， China；3.Northeast Normal University， Changchun 130024， China）. China Environmental Science， 2015，35（12）：3762～3770

Using the BIOME-BGC model， we estimated the changes of net primary productivity （NPP） of Calamagrostis angustifolia wetland at Fujin City in the Sanjiang Plain under IPCC SRES emission scenarios （A1B， A2， B2）， and assessed the wetland risk level based on the change ratios. Our results showed the optimal method significantly improved the simulation of wetland vegetation. From 2013 to 2042， wetland NPP was higher than that in 1961～1990. The NPP fluctuated strongly under A1B and B2 scenarios， while it showed a decreasing trend under A2 scenario. Risk assessment result indicates the risk of wetland under climatic change scenarios. In the A1B scenario， the number of high risk year might more than 6 in the next 30 years， and the risk of wetland might be lowest in A2scenario. In addition， precipitation was determined to be the dominant factor that affected NPP with significantly positive relationship （R2=0.58， P＜0.05）. Although the increases in temperature and CO2concentration in the future climate are beneficial to plant growth， the wetland will face risk with the increases in extreme weather events and the intense climate change， especially for the greater fluctuation of precipitation. The protection and management of wetland should focus on water supply and deployment in the future.

BIOME-BGC；climate change scenario；Calamagrostis angustifolia wetland；net primary productivity

X171，P95

A

1000-6923（2015）12-3762-09

刘 夏（1982-），女，黑龙江齐齐哈尔人，中国科学院大学博士研究生，主要从事湿地与气候变化研究.

2015-05-15

国家科技支撑计划项目（2012BAC19B05-4）；吉林省自然科学基金项目（20130101085JC）

* 责任作者， 研究员， wangyiyong@iga.ac.cn