大兴安岭植被净第一性生产力估算与动态分析

大兴安岭植被净第一性生产力估算与动态分析

刘正显1，李国春2，罗琳1，王维芳1*

(1.东北林业大学 林学院，哈尔滨 150040；2.黑龙江省林业监测规划院，哈尔滨 150040)

摘要：植被净第一性生产力在全球变化研究中扮演着重要的角色，NPP的估算与分析对于研究全球生态系统碳循环和区域气候变化具有重要意义。本文借助MODIS卫星传感器提供的归一化植被指数NDVI数据和大兴安岭地区的气象数据等为研究资料，通过构建CASA模型对大兴安岭地区不同类型植被的NPP进行了模拟估算，并通过地理信息系统等研究工具研究了该地区2010年生长季(5~9月份)不同植被NPP分布随时间的动态变化，和总体植被的NPP空间分布状况。大兴安岭地区植被生长期NPP总体平均值为318.29 gC/m`2·a。从空间分布格局看，全区植被NPP空间分布差异较为明显。不同植被类型的NPP具有明显差异，生长期NPP总体平均值森林>草甸>灌木>农作物。不同植被类型5~9月NPP随时间动态变化的趋势基本一致，植被NPP最大峰值出现在在6~7月份之间。最后对模型计算结果与实测植被NPP数据、Modis数据的NPP产品及其他学者的估测结果进行比较，结果基本一致。

关键词：植被净第一性生产力；大兴安岭；CASA模型；NDVI

中图分类号：S 762.1

文献标识码：A

文章编号：1001-005X(2015)02-0061-05

Abstract：Net primary productivity(NPP)plays an important role in the research of global change，which has great significance for studying carbon cycle of global ecosystem，ecological environment，and regional climate change.In this paper，a CASA model for Daxing’an Mountain was established to simulate the NPP of different types of vegetation based on the data of normalized vegetation index(NDVI)data provided by EOS satellites and meteorological data in this region.With the help of the research tool of Geographic Information System，the dynamic change of NPP of different vegetations in the growing season(from May to September)in 2010 and the whole NPP’s spatial distribution were studied.The average NPP value of the Daxing’an Mountain in the growing season was up to 318.29 gC/(a·m`2).From the spatial distribution pattern of vegetation，the spatial distribution of the total NPP was significantly different and there were obvious differences among the NPP of different vegetation types.The order of total NPP average was meadow>forest>bush>crop.The change tendency of NPP values of different vegetation types from May to September was consistent.The peak value of vegetation NPP occurred between June and July.Finally，the model estimation results were compared with the observed data，MODIS data，and other scholars’ data，and found that the results were basically the same.

Keywords：net primary productivity；Great Xing’an mountain；CASA model；NDVI

收稿日期：2014-11-01

基金项目：黑龙江省普通高校重点实验室空间地理信息综合实验室开放课题(KJKF-12-08)

作者简介：第一刘正显，硕士研究生，助教。研究方向：森林经理及3S技术应用。

通讯作者：*王维芳，博士，副教授。研究方向：森林经理及3S技术应用。E-mail：weifangwang@126.com

Estimation and Dynamic Analysis of VegetationNet Primary Productivity in Daxing’an Mountain

Liu Zhengxian1，Li Guochun2，Luo Lin1，Wang Weifang1*

(1.School of Forestry，Northeast Forestry University，Harbin 150040；

2.Heilongjiang Province Forestry Survey and Planning Institute，Harbin 150040)

引文格式：刘正显，李国春，罗琳，等.大兴安岭植被净第一性生产力估算与动态分析[J].森林工程，2015，31(2)：61-65.

近百年来，地球气候显著变暖，严重影响着全球生态环境，东北地区是我国气候显著变暖的地区之一。净第一性生产力(NPP，Net Primary Productivity)是理解地表碳循环过程不可或缺的部分，是估算地球承载能力和评价陆地生态系统可持续发展的一个重要生态指标[1]。NPP不仅是碳循环原动力，而且是判定碳源、碳汇以及调节生态过程的主要因子，目前对大尺度的NPP动态变化的估计仍有很大的不确定性，因此更准确的估算NPP、理解它与各种气候要素的相互关系，对于了解陆地生态系统的演化和判定生态系统碳汇和生态调节过程具有重要的作用[2-3]。

本文通过地理信息系统和遥感技术等科学手段，利用地面气像数据和MODIS数据，考虑到最大光能利用率在不同植被类型中的差异，根据光能利用率模型，对大兴安岭地区植被NPP进行估算，分析不同植被类型的NPP在生长季节的月变化，并对其空间分布格局，以及相关影响因子的关系进行分析。研究结果对于评价黑龙江省陆地生态系统的碳汇能力、预测环境变化具有重要意义，可为地方政府制定合理的经济发展和环境保护政策提供科学依据。

1研究区概况与研究方法

1.1　研究区域概况

大兴安岭地区隶属于我国黑龙江省，位于黑龙江省的最北端，西南与内蒙相邻，北部与俄罗斯隔黑龙江向望。大兴安岭地区区域广阔，总面积约85 000多km2，拥有人口50万，纬度方向上南起北纬50°08′，最北达到北纬53°34′，经度方向上西起东经121°11′东到东经127°02′。冬季气候寒冷，昼短夜长，冬季气温多在零下30摄氏度，建国以来历史最低气温-52.3℃。大兴安岭地区年均降水量450 mm，日照时间达到2 600 h，昼夜温差较大，无霜期80~110 d，降水季节分布不均，夏季降水量能够达到全年的一半以上，而冬季降水量仅占全年的10%左右。大兴安岭最为宝贵最为丰富的还要数其森林资源。大兴安岭地区森林植被多以针叶林为主，但其中混有少量的阔叶树[4]。全地区大约有高等植物1 200余种。大兴安岭地区共有林地面积655万hm2，活立木总蓄积达55 000万m3，大约占黑龙江省森林总蓄积的26.6%，占全国森林总蓄积的7.8%，人均占有林地面积约为12.59 hm2，森林覆盖率超过80%，大兴安岭地区是国家实施天然林保护工程的重点国有林区之一[5]。

1.2　研究方法

1.2.1数据获取

本文采用的数据主包含大兴安岭地区的气象数据、遥感数据、以及行政区划等空间数据。其中气象数据来源于中国气象数据共享网2010年5～9月份的观测数据，包括月平均气温，月总降雨量，月净辐射量和月总辐射量等；遥感数据来源于中国科学院计算机网络信息中心国际科学数据镜网站站，包括黑龙江省大兴安岭地区5～9月份的NDVI数据，是由MODIS数据计算得到的合成产品，空间分辨率为1 km2×1 km2，时间分辨率为10 d；行政区划数据来源于中国科学数据共享网。

1.2.2数据处理方法

通过遥感图像处理软件裁剪，得到大兴安岭地区的月NDVI值，象元大小为0.005 9。将各观测站的气象数据进行整理，根据气象站点的坐标信息，将其导入地理信息系统软件，生成各站点矢量数据，对矢量气象数据进行空间插值，得到分辨率为0.005 9的气象栅格数据，并定义数据的投影坐标等信息。

1.2.3NPP估算

在全球碳循环和大尺度植被NPP的研究中CASA模型被广泛应用[6-9]，在我国学者模拟植被NPP的研究中也发挥了重要作用[10-12]。本文选用CASA模型基于光能利用率来估算植被NPP值。首先构建NPP的估算模型，构建CASA模型应当四个关键要素：光能辐射量的计算、植被光能利用率的确定、不同植被NDVI数据提取、温度胁迫因子与水分胁迫因子的计算。本文通过植被类型图来确定归一化植被指数NDVI和比值植被指数SR，进而确定植被对光合有效辐射量的吸收比例FPAR，再结合根据气象数据确定光能转化率以及温度和水分胁迫因子，最终根究构建的模型估算出大兴安岭地区不同植被的NPP。

2结果与分析

2.1　NPP计算结果

基于光能利用率CASA模型估算植被NPP值的结果如图1~图6所示。

图1　5月份NPP分布 Fig.1 NPP distribution in May

图2　6月份NPP分布图 Fig.2 NPP distribution in June

图3　7月份NPP分布 Fig.3 NPP distribution in July

图4　8月NPP分布 Fig.4 NPP distribution in August

图5　9月份NPP分布 Fig.5 NPP distribution in September

图6　生长季NPP分布 Fig.6 NPP distribution in the growing season

2.2　NPP季节变化及分析

2.2.1生长季NPP时空分布分析

从大兴安岭地区整个生长期的NPP情况看，全区植被NPP空间分布差异较为明显。总体上，NPP的高产区主要是大兴安岭的西北部地区和东南部地区，而西南部分，中部和东北部地区的NPP值相对较低。这种分布状况与不同地区的降水、温度以及地形等因素有密切关系。大兴安岭地区NPP较高的地区主要集中在漠河县、塔河县尤其是两县的北部，新林和呼玛东部和南部地区。

经过计算，大兴安岭地区不同植被的NPP平均值为318.29 gC/m2·a，全区内NPP的总产量可达27 754 616 tC，如图7所示。从图7可以看出，NPP在5~9月生长期内随时间的变化呈现单峰曲线形状，5月份植被进入生长期，植被NPP维持在20 gC/m2·月，此时生产力较低，进入6月份，植被NPP变化非常显著，NPP上升速度很快，由较低水平上升到120 gC/m2·月，并且达到了全年的最高值，由此可知大兴安岭地区植被生长最快的时期在每年的6月份左右。进入7月份之后，植被NPP有所下降，但仍维持在100 gC/m2·月以上，生产水平依然很高，此时期植被枝繁叶茂，NDVI值达到最大状态；8~9月份，植被NPP逐渐降低，由8月份的84 gC/m2·月下降到9月份的17 gC/m2·月。

图7　总体NPP随月份变化图 Fig.7 The change of total NPP with months

大兴安岭地区生态系统的主体是森林，森林覆盖面积达到了75%左右，主要的森林类型主要有寒温带落叶针叶林、落叶阔叶林、常绿针叶林以及针阔混交林等。NPP计算结果见表1。

表1　森林植被NPP值 Tab.1 NPP value of different vegetations

2.2.2不同类型植被NPP的季节变化对比分析

由于不同植被对环境因素(光照、降水、温度等)敏感程度各不相同，不同的植被类型对外界环境变化的响应程度不同，在植被净第一性生产力方面表现为相同地区不同知被的NPP值大小不同。大兴安岭地区不同植被的NPP差异表现非常明显，在碳循环过程中对碳的固定能力也有所差别。如图8所示。

图8　不同植被NPP随月份变化图 Fig.8 The change of NPP of different vegetations with months

从图8可以看到，在5月份时大兴安岭地区的植被开始生长，并且植被的NPP维持在一个比较低的水平(小于20 gC/m2·月)，但是灌木的植被NPP却达到了40 gC/m2·月以上，说明大兴安岭地区某些灌木植被具有较强的低温生长能力；在5月份到六月份这段时间，植被的NPP增长速率非常明显，从20 gC/m2·月以下迅速增长到了80 gC/m2·月以上，森林植被最高超过了140 gC/m2·月；到7月份之后，植被NPP出现下降趋势，但仍然保持快速增长的趋势，值得注意的是，此时农作物植被的NPP仍然保持了增长，并且达到了全年的最高水平，超过了同时期落叶针叶林的生长速度；进入8月份，植被NPP依然呈下降趋势，此时植被NPP在40~80 gC/m2·月之间，生长速度依然较快；到了九月份的时候，大兴安岭地区气温开始低于10℃，并且在9月末开始进入冬季，植被NPP继续下降，直到进入低温休眠状态。

2.3　模型精度验证

植被净第一性生产力估测模型的精度验证一直是植被NPP模型的研究重点与难点。目前对模型模拟结果的评价方法主要有两种，分别是将模拟结果与实测数据和其他模型的的模拟结果进行对比。本文将NPP模拟数据同时与林业部实测数据、2010年Modis的NPP数据，以及其他学者的模拟数据进行数据对比，其中实测数据为中国林业部1989~1993年690个观测点的植被NPP实测数据[5]。

2.3.1与实测数据对比

中国林业部给出的的实测数据为实测数据的统计的范围值，本文的数据是模拟计算得出的平均值，见表2。由表2可以看出，本文模拟的NPP数据均落在实测数据范围的中间部分。草原与农作物的模拟值分别为277.65 gC/m2·a和258.30 gC/m2·a，草原植被的模拟值接近实测值范围的最大值，说明模拟值略微偏高；农作物的模拟值接近实测数据范围的最小值，体现出农作物的模拟偏低，但两种植被的NPP模拟值均符合实测范围，可以认为本文模拟数据的结果与实测数据基本符合。

表2　森林植被NPP模拟值与实测值的比较 Tab.2 Comparison of the estimated NPP with measured NPP

2.3.2与Modis的NPP产品对比

本文使用的NPP产品数据为来自NASA的MOD17四级处理产品，分辨率为1KM，时间观测频率为1 a产品。首先将NPP产品转换成WGS84经纬度坐标，在两份数据中随机抽取50对同一位置的NPP数据，绘制散点图进行对比分析，如图9所示。从图9可以看出，本文模拟NPP值与modis数据产品的NPP值具有较好的相关性，相关系数R2=0.630，本文模拟的NPP平均值是318.29 gC/m2·a，modis产品的NPP平均值是311.3 gC/m2·a，总体均值非常接近，但本文模拟值仅为大兴安岭地区生长季内的植被NPP值，与该地区全年的植被NPP值相比较会略低一些，因此说明modes的数据产品得到的NPP值较本文模拟结果较低。

图9估算NPP与Modis数据产品NPP比较图 Fig.9 Comparison of the estimated NPP with Modis NPP

2.3.3与其他学者研究结果对比

与其他学者模拟的NPP值比较结果见表3，由表3可以看出，本文估测的不同植被类型NPP值变化趋势与其他学者估测的结果不完全一致，但差别不是很大。出现这种结果的原因可能是由于研究区域不同，导致植被的生长环境有所差异，使得模拟结果有所不同。

表3　NPP模拟值与其他学者成果的比较 Tab.3 Comparison of the estimated NPP with the results obtained by other scholars

3结论与讨论

3.1　结　论

遥感数据具有数据获取方便、覆盖范围广、跟新周期短等优点，因此遥感数据源已成为目前全球变化研究中优先选择的数据源。本文以MODIS数据影像产品为主要数据源，同时利用2010年5~9月份的地面气象资料和同期的太阳辐射数据以及陆地植被类型分布图，计算得到了2010年5～9月份大兴安岭地区不同植被的净第一性生产力，获得了净第一性生产力的空间格局分布特征和月份变化特征。CASA模型将遥感观测数据、地面气象数据、植被类型数据等结合到一起，对植被进行NPP估算，考虑条件比较充分，并具有植被生理生态学基础，数据获取方便计算简单，适合区域及全球尺度的研究应用，值得推广。

大兴安岭地区植被生长期NPP总体平均值为318.29 gC/m2·a，从空间分布格局看，全区植被NPP空间分布差异较为明显。总体上NPP的高产区主要是大兴安岭的西北部地区和东南部地区，而西南部分、中部和东北部地区的NPP值相对较低，这种分布状况与不同地区的降水、温度以及地形等因素有密切关系。大兴安岭地区不同植被类型的NPP具有明显差异，从生长期总体平均值看，森林>草甸>灌木>农作物。不同植被类型在2010年5~9月份的NPP随时间季节变化的趋势基本一致，从五月份开始大兴安岭地区的平均气温达到零度以上，植被萌芽开始生长，植被NPP并进入快速增长期，在6~7月份植被NPP达到最大值，此时植被是一年当中最为繁茂的时期，进入8~9月份，植被NPP开始明显降低，在大兴安岭地区平均气温降到0℃下以后，植被开始进入休眠期状态，NPP降为0。将本文估测的结果分别与实测数据等其它方法获得的结果进行比较，可以弥补由于不能进行精度检验所带来的问题。

3.2　讨　论

本文利CASA模型对大兴安岭地区的植被NPP情况进行了估算，并模拟了不同植被类型的NPP分布状况和季节变化，在取得初步研究成果的同时也存在的一些问题。

(1)气象站点记录的地面气象资料都是点数据，对气象数据插值过程即以点带面的过程，且该地区气象站点较少，无法避免给本文的数据模拟精度带来的误差。

(2)在对植被进行分类时发现，只是片面的分类，因为在森林中植被是分层生存的即乔-灌-草可以同时生存在一个立体空间，遥感模型的估算只能做到对表层植被的NPP估算而忽略了森林中下层的灌木与草本植物，因此会带来部分误差。

(3)植被类型图有待提高更新速度，随着人类

活动的频繁程度的增加以及其他自然因素对陆地生态系统的不断影响，植被分布状况在不断发生着改变。人类可以在遥感技术的支持下，实现对植被定期的监测，及时的跟更新植被信息，为陆地生态系统等的研究提供服务。

【参考文献】

[1] 方精云.全球生态学[M].北京：高等教育出版社，2000.

[2]Field C B，Behrenfeld M J，Randerson J T，et al.Primary production of the biosphere：integrating terrestrialand oceanic components[J].Science，1998，281：237-240.

[3]包刚.基于MODIS数据的内蒙古陆地植被净第一性生产力遥感估算研究[D].呼和浩特：内蒙古师范大学，2009.

[4]关文彬，陈铁，董亚杰，等.东北地区植被多样性的研究Ⅰ.寒温带针叶林区域垂直植被多样性分析[J].应用生态学报，1997(05)：465-470.

[5]彭少麟，郭志华，王伯荪.利用GIS和RS估算广东植被光利用率[J].生态学报，2000，20(6)：903-909.

[6]Potter C S，Randerson J T，Field C B，et al.Terrestrial ecosystem production：a process model based on global satellite and surface data[J].Global Biogeochemical Cycles，1993，7(4)：811-841.

[7]Field C B，Randerson J T，Maelstrom C M.Global net primary production：combining ecology and remote sensing[J].Remote Sensing of Environment，1995，51(1)：74-88.

[8]Hicke J A，Asner G P，Randerson J T，et al.Satellite-drived increases in net primary productivity across North America，1982-1998[J].Geophysical Research Letters，2002，29：1427-1431.

[9]Fang J Y，Piao S L，Field C B，et al.Increasing net primary production in China from 1982 to 1999[J].Frontiers in Ecology and the Environment，2003，1(6)：293-297.

[10]Piao S L，Fang J Y，Guo Q H.Application of CASA model to the estimation of Chinese terrestrial net primary productivity[J].Acta Phytoecologica Sinica，2001，25(5)：603-608.

[11]Zhu W Q，Pan Y Z，Long Z H，et al.Estimation net primary productivity of terrestrial vegetation based on GIS and RS：a case study in inner Mongolia，China[J].Journal of Remote Sensing，2005，9(3)：300-307.

[12]Yu D Y，Shi P J，Shao H B，et al.Modelling net primary productivity of terrestrial ecosystems in East Asia based on an improved CASA ecosystem model[J].International Journal of Remote Sensing，2009，30(18)：4851-4866.

[责任编辑：胡建伟]