基于地理国情普查的佛山植被碳汇能力评估

王海云，陈 媛，于 洋

（1.广东省国土资源测绘院，广东 广州 510500；2.华南师范大学 地理科学学院 广东省智慧国土工程技术研究中心，广东 广州 510631）

基于地理国情普查的佛山植被碳汇能力评估

王海云1，陈 媛2，于 洋2

（1.广东省国土资源测绘院，广东 广州 510500；2.华南师范大学 地理科学学院 广东省智慧国土工程技术研究中心，广东 广州 510631）

应用CASA模型，以广东省佛山市为研究区域，探索了基于地理国情普查的广东省市县级林业碳汇能力评估方法。结果表明，由于地理国情普查获得的林业植被数据精度比传统遥感手法获得的高，因此基于地理国情普查数据成果，利用CASA模型可以对区域范围内的林业碳汇能力进行精确估算，从而为政府在碳排放和温室气体管理方面的决策提供科学依据，为地理国情监测成果提供一个典型的应用示范。

CASA模型；净初级生产力；NDVI；光能利用率

随着各种化石燃料的消耗,农垦发展、森林面积缩减以及土地开发等土地利用方式的改变，大气中CO2、CH4和CO等温室气体浓度不断上升，引起温室效应[1]。联合国政府间气候变化专门委员会（IPCC）预测表明：到2100年，全球平均温度将增加1.4～5.8℃，比20世纪观测到的增温幅度（0.6℃）高2～10倍。1970～2004年，全球温室气体排放量增加了约70%，其中CO2的排放量增加了约80%，是温室效应加剧的主要原因[2]。控制和减少温室气体排放，发展低碳经济，已成为全球应对气候变化所关注的焦点和国际社会制定和实施环境经济政策的重要导向。降低大气中温室气体浓度不外乎采取两种办法：减少温室气体排放（源）；增加对温室气体的吸收（汇），即增加碳汇。然而，减少温室气体排放就意味着需要减少能耗、提高能效，这将对国家的经济、社会发展产生重大影响；而增加对大气中温室气体的吸收，则可以通过植树造林增加植被覆盖、改变农业生产方式等措施来实现。林业碳汇更是《京都议定书》认可的一种温室气体减量方式。植被净初级生产力（NPP）是表征植物活动的关键变量，对于光合作用将植被可吸收的太阳能转换成植物有机碳量的能力有重要的指示意义。探明NPP的时空变化可以指示碳汇格局的变化趋势和特征，为制定碳汇增强政策提供科学指导，为城市的低碳经济决策提供支持[3]。

目前，很多学者进行了林业碳汇能力估测的研究，取得了较多的研究成果，但都不能直接应用于市县级区域范围内林业碳汇能力的评估。因为这些成果一方面只适用于局部区域，不适于广东省亚热带气候植被，如林业部门编制的《造林项目碳汇计量与监测指南》中，碳汇统计模式没有考虑林业的空间差异性和城镇区域的植被，也不适用于林业碳汇的地理模拟与规划；另一方面其主要集中于全国范围等较大空间尺度的林业碳汇量评估，对政府在微观尺度上进行碳汇调控的指导意义并不明显，如孙睿[4]等在1 km×1 km空间分辨率上，借助植被指数与植被吸收的光合有效辐射比例之间的线性关系，利用光能利用率模型估算了中国陆地NPP并分析了其季节变化；朱文泉[5]在8 km×8 km空间分辨率上，估算了中国陆地生态系统NPP并分析其与气候变化的关系；刘海桂[6]等采用GLO-PEM模型，在8 km×8 km空间分辨率下，估算了广东省NPP，并分析了1981～2000年期间的时空动态。因此，为了更加精确地评估全省的林业碳汇水平，建立以市县级区域为单位的年度林业碳汇权威发布机制，需要引入更为全面、科学和精确的林业碳汇数据及评估方法。

目前在全国范围内全面实施的地理国情普查和监测为林业碳汇能力精确估算提供了可能。地理国情监测通过对地理国情进行动态地测绘、统计，从地理的角度综合分析和研究国情，为政府、企业和社会各方面提供真实可靠和准确权威的地理国情信息。地理国情普查和监测数据涵盖了详尽的自然植被和人工植被（园地、草地、人工林、城市绿地）等信息。利用地理国情普查数据可对研究区域林区进行更为详尽地细分，不同树种计算所得的林业碳汇量更为精确；也可修正林业碳汇模拟模型，为林业碳汇规划提供科学可靠的数据，但目前还没有涉及这方面的研究内容。因此，本文探索了基于地理国情监测的广东省市县级林业碳汇能力评估方法。

1 研究区域与数据

1.1 研究区域

广东省佛山市位于广东省中南部，珠江三角洲腹地；东倚广州市，西接肇庆，南邻江门和中山，邻近港澳，大致呈“人”字形，全境总面积为3 848.48 km2[7]；研究区（除顺德区）面积为2 993.05 km2。佛山地势西高东低，北高南低，以平原为主。西部的高明区、北部的三水区有连绵山体，为丘陵-低山地貌，地势陡峻，相对高差大，山谷纵横，植被茂密。佛山市植被资源丰富，已查明并有较大经济价值的树种有50多科，约200种[7]。目前，研究区植被覆盖面积占研究区总面积的54.89%，碳汇潜力大。

1.2 研究数据

1）地表覆盖数据。地理国情普查所获取的地表覆盖成果将用于提取植被覆盖类型和植被覆盖度信息，并最终用于NPP的估算。

2）基础空间地理数据，将作为整套数据集的空间标准。

3）野外调查数据，用于对遥感分类、植被覆盖度估算和NPP估算结果进行精度评价。设置矩形样方，矩形样方短边长应大于林分优势树木的高，样方大小尽量与估算单元相同。调查内容主要包括：样点的植被覆盖类型；样点的植被覆盖度；乔木：每棵树木的树高（H）和胸径（D）；草本层和灌木层：样方内植被的平均高度（H）和盖度（P）。

4）气象数据。CASA模型中需要输入多个气象参数，采用的气象数据为：监测区域2014年各气象站点逐月降雨量（mm），监测区域2014年各气象站点逐月平均气温（℃）；监测区域2014年各气象站点逐月日照时数（h）。

5）其他专题数据。第一次、第二次全国土地利用调查成果以及土地利用现状更新数据，覆盖监测范围全境，可用于地表覆盖分类提取和补充。

2 CASA模型

植被碳汇估测模型的构建受到学者们的广泛关注。现在比较成熟的NPP估算模型主要有气候相关模型、过程模型和光能利用率模型[8-13]。

1）气候相关模型。具有代表性的相关模型有：Miami模型[14]、Thornthwaite Memorial模型、Chikugo模型[4]等。

气候相关模型估算过程简单，但其只考虑气候因素（如气温、降水、蒸散等），估算的是陆地植被潜在NPP（不受人为干扰，气候状态最佳条件下的NPP）。在当今社会发展迅速，城市化水平不断提高，城市化速度加剧的大环境下，气候相关模型对于城市植被NPP估算存在较大误差，估算结果并不具有代表性。

2）过程模型。具有代表性的相关模型有BIOMEBGC模型[15]、BEPS模型、TEM模型等。

过程模型有着完善的理论基础，依据植被生长机理模拟，结果较为准确。但模型模拟过程非常复杂，众多参数不易获取。此外，此类方法模拟结果时间尺度小，不便于分析，限制了模型的发展。

3）光能利用率模型。它是基于资源平衡原理进行陆地植被NPP估算，假定生态过程趋于调整植被特性以响应环境，植被生长是充分利用各种资源的结果，各种资源对植被的生长同样起到限制作用。在极端条件下或环境变化迅速时，植被生长受最紧缺资源的限制，引起NPP变化。基于上述理论，可以通过限制性资源的评估来估算植被NPP。具有代表性的此类模型有CASA模型[10]、GLO-PEM模型[16]等。CASA模型是目前应用最广泛的模型之一。

借助于遥感技术的优势，光能利用率模型已经成为估算陆地植被NPP的主要模型。近年来，许多学者已经用CASA模型做了相关研究。孙睿[17]等利用光能利用率中植被指数与植被可吸收光合有效辐射比例之间的关系对中国陆地植被NPP进行估算；朴世龙[3]等也对1997年中国陆地植被NPP进行估算。二者估算结果与我国陆地植被NPP的分布呈现从东南到西北递减的趋势相符合，证明了光能利用率模型估算NPP的可行性。但遥感驱动的光能利用率模型同样受多种因素影响，如大气状况、地气系统对太阳辐射反射的非各向同性等因素会影响植被指数等参数的准确计算[18]，估算准确性有待进一步提高。

综合考虑，本文选择CASA模型估算研究区域的NPP，其总体思路及公式如下：

即

式中，x表示空间位置；t表示时间；APAR（x，t）表示像元x在时间段t内吸收的光合有效辐射，单位为MJ·m-2·t-1；FPAR（x，t） 表示植被冠层可吸收的光合有效辐射吸收比例，无单位；PAR（x，t） 表示入射光的光合有效辐射，单位为MJ·m-2·t-1；ε（x，t）表示像元x在时间段t内的实际光能利用率，单位为gC·MJ-1。

2.1 FPAR的计算

式中，NDVIi，max和NDVIi，min分别表示植被类型i所对应的NDVI最大值和最小值；FPARmin和FPARmax分别为0.001和0.95，与植被类型无关；SR（x，t）表示像元x在t时刻的比值植被指数；SRi，max和SRi，min分别为植被类型i所对应的SR最大值和最小值。研究表明，基于NDVI估算的FPAR模型比实测值高，而基于SR估算的FPAR模型比实测值低，且其误差小于直接由NDVI所估算的结果，因此将二者结合起来，取其平均值，作为最终FPAR的估算值[5]，α为调整系数，统一取0.5。

2.2 光能利用率的计算

其中，

式中，Tε1（x，t）[10]和Tε2（x，t）[10,19]表示低温和高温对光能利用率的影响，无单位；Wε（x，t）是水分胁迫影响系数，无单位，反映水分的影响；Topt（x）表示某一区域1 a内NDVI值达到最高时当月平均气温，单位为℃。当某一月平均温度≤-10℃时，Tε1（x，t）取0；当某一月的平均温度T（x，t）比最适宜温度 Topt（x）高10℃或低13℃时，该月的Tε2（x，t）值等于月平均温度T（x，t）为最适宜温度Topt（x）时Tε2（x，t）值的一半；εmax为理想状况下最大光能利用率，单位为gC·MJ-1，本文采用较为通用的Running[15]等的研究成果。

Wε（x，t）反映植物所能利用的有效水分条件对光能利用率的影响，随着环境中有效水分的增加，Wε（x， t）逐渐增大，其取值范围为0.5～1，表示从极端干旱条件下到非常湿润条件下的变化。

式中，E（x，t）表示区域实际蒸散量，单位为mm；Ep（x，t）为区域潜在蒸散量，单位为mm。区域实际蒸散量和潜在蒸散量可由如下公式计算：

式中，P（x，t）为像元x在时间段t内的降水量，单位为mm；Rn（x，t）为像元x在时间段t内的地表净辐射量，单位为mm；Ep0（x，t）为局地潜在蒸散量，单位为mm。

2.3 入射光的光合有效辐射计算

太阳辐射中能被绿色植物用来进行光合作用的能量称为光合有效辐射（PAR），是形成生物量的基本能源，是植物生长的驱动力，直接影响植物的生长、发育、产量以及产品质量，PAR与太阳总辐射有关，可表示为[20-21]：

式中，SOL（x，t）表示像元x在时间段t内太阳总辐射量，单位为MJ·m-2·t-1，0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例。杜尧东[22]等根据广东省太阳辐射观测站数据以及气象资料，总结了国内外太阳辐射气候学计算方法，找到了适合广东省太阳总辐射量的计算公式：

式中，Q0表示月天文辐射总量，单位为MJ·m-2·month-1；s表示日照百分率；a、b为月经验系数，是依据1961～2002年月总辐射数据和日照百分率，采用最小二乘法拟合得到（表1）。

表1 不同月份月经验系数

月天文辐射总量由日天文辐射总量和精确累积得到，可用公式表示为：

式中，Q0'为日天文辐射总量，单位为MJ·m-2·d-1；T为周期（24×60×60 s）；I0为太阳常数，数值为13.67×10-4MJ·m-2·s-1；ρ为日地相对距离；ω0为日落时角，单位为rad；φ为地理纬度；δ为太阳赤纬，单位为rad，各个参数计算公式如下：

式中，J为年内天数。

2.4 NDVI和SR最值的选取

最值选取基于MOD13Q1 NDVI合成的产品数据。其中，NDVI最大值是指植被达到全覆盖下的NDVI值，而非实际最大值。为消除植被分类误差以及NDVI数据本身误差，在估算NPP时，需要考虑分类精度影响。具体操作如下：

1）求各植被类型NDVI最大值的概率分布。

3）对选出的像元再计算一次NDVI概率分布，在概率分布区间[0.05，0.95]内选出该植被类型NDVI最大值和最小值。

步骤1）、2）实际上是消除分类所带来的误差，步骤3）在一定程度上消除了遥感图像噪声所带来的误差。不同植被类型NDVI、SR最小值统一采用荒漠或裸地5%下侧分位数，NDVI最小值为0.023，SR最小值为1.05。

3 基于CASA模型的佛山市NPP估算

在ENVI 4.8和IDL环境支持下，根据 CASA模型，利用地理国情普查获得的植被数据、滤波重建后的NDVI时间序列数据、气温、降水和日照时数等气象数据，逐像元计算佛山市2014年的月NPP和年NPP（图 1）。估算过程中，借助于ENVI插件“植被净初级生产力（NPP）软件模块V1.0”[5]完成NPP估算。该模型是基于CASA模型，在IDL软件平台下开发的。

经测算，佛山市NPP最大值为1 343.48 gC·m-2·a-1，NPP平均值为418.60 gC·m-2·a-1，分布较散；2014 年NPP总量为124.5万吨。其中高明区固碳最多，为68.91万吨，其次是三水区28.97万吨，南海区24.76 万 吨，禅城区固碳量最少，为1.86万吨。从NPP均值看，高明区NPP均值最高，为735.06 gC·m-2·a-1，其次是三水区349.96 gC·m-2·a-1，南海区和禅城区NPP均值都较低，分别为231.18 gC·m-2·a-1和120.58 gC·m-2·a-1。禅城区也是唯一一个NPP最大值低于佛山市NPP最大值的行政区，只有1 190.12 gC·m-2·a-1，但禅城区NPP分布比其他行政区集中（表2）。

图1 佛山市（不含顺德区）NPP空间分布图

表2 佛山市各行政区NPP统计表

为了方便将NPP与气候对比，将相关气象数据，平均温度、总降水和太阳总辐射与每月NPP归一化处理，其曲线图如图2所示。

图2 NPP与气象数据对比曲线图

可见NPP走势与气象数据大体一致，通过相关性分析，NPP与温度、太阳辐射的相关性系数分别为0.947和0.897，通过了显著性检验；而NPP与降水相关性系数为0.663（图3），没有通过显著性检验。

图3 NPP与降水对比曲线图

从地类来看（图4），阔叶林对佛山市NPP贡献最大，约52%的碳汇为阔叶林所贡献，其次是高覆盖度草地、农用地和针叶林。佛山市绿地以阔叶林分布最为广泛，占地约561.5 km2，其次是高覆盖度草地，占地约326.47 km2，针叶林占地约165.83 km2，苗圃占地约110.29 km2，旱地约121.31 km2（图5）。虽然高覆盖度草地的平均NPP并不高，但分布较广，面积总数大，因此其固碳贡献较高。2012年，佛山市碳排放量为1 001.06万吨，而佛山市2014年固碳为124.5万吨，占碳排放的12.4%，则佛山市实际排放量为876.56万吨。

图4 不同植被NPP贡献统计饼图

图5 佛山市2004年不同植被面积统计直方图

4 结 语

本文选取广东省佛山市作为研究区域，利用高精度地理国情普查与监测数据，应用CASA模型，在较小空间尺度（高空间分辨率）上估算了该行政区域范围内的林业碳汇分布格局和林业碳汇总量，形成了一套基于地理国情普查成果的市县级林业碳汇能力评估技术体系，可较为精确地以市县区为单位计算整个广东省时空林业碳汇能力；并在此基础上进行了科学地林业碳汇规划，从而为推进生态环境保护、建设环境友好型社会，为省政府在全省碳排放和温室气体管理方面的决策提供科学依据。

1）从空间分布来看，禅城区碳汇量最少，而高明区最多，这与城市化有一定的关系。高明区和三水区北部地区，地处山区，落叶林占比较大，故碳汇量较大。三水区大部分地区和南海区大部分地区主要是以草地、农用地为主，固碳量贡献主要是草地和农用地，其中西樵山和其他森林公园阔叶林固碳贡献较高。禅城区固碳贡献主要是草地和城市绿地，城市用地的扩张，导致绿地减少。因此高明区、三水区北部山区及南海区西樵山可继续发展自然生态，保护阔叶林等林地面积，保障研究区碳汇能力。三水区大部分地区和南海区可发展新型农业，培育苗圃、幼林，保障森林公园绿地，增加果园面积，增加研究区碳汇能力。禅城区应保障城市绿化、公园等绿地面积；城市绿化可种植高碳汇贡献的植被，以此增加研究区碳汇能力。

2）基于国内现有碳汇估算方法， 2013年广东省耕地平均NPP为451.35 gC·m-2，佛山市2015年全市耕地平均NPP为587.25 gC·m-2。2013年广东省林地平均NPP为477.02 gC·m-2，佛山市2015年全市林地平均NPP为842.22 gC·m-2。2013年广东省园地平均NPP为451.72 gC·m-2，佛山市2015年全市园地平均NPP为568.32 gC·m-2。可见地理国情监测对绿地的精细分类，有利于改善碳汇低估，提高碳汇估算的精度。

本文研究数据中气象数据站点存在不足，只有三水区和南海区的平均温度、平均降水和实际日照总时数数据，两个站点数据并不足以完成插值，模拟整个研究区气象数据变化。若有更多站点气象数据且气象数据全面，可更好提高研究区NPP估算精度。此外，高覆盖度草地虽然单位固碳量不高，但在城市中高覆盖度草地总面积大，因此固碳总量大。国内学者研究多注重在自然环境，重点研究对象在阔叶林、针叶林和乔木等。城市地区绿化用地更多为高覆盖度草地，因此对高覆盖度草地固碳情况需要更进一步研究。

[1] 管东生,陈玉娟,黄芬芳.广州城市绿地系统碳的贮存、分布及其在碳氧平衡中的作用[J]. 中国环境科学,1998,18(5): 53-57[2] 耿元波,董云社,孟维奇.陆地碳循环研究进展[J].地理科学进展,2000,19(4):297-306

[3] 朴世龙,方精云,郭庆华.利用CASA模型估算我国植被净第一性生产力[J].植物生态学报,2001,25(5):603-608

[4] 孙睿,朱启疆.陆地植被净第一性生产力的研究[J].应用生态学报,1999(6):757-760

[5] 朱文泉.中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究[M]. 北京:北京师范大学,2005

[6] 刘海桂,唐旭利,周国逸,等. 1981～2000年广东省净初级生产力的时空格局[J].生态学报,2007,27(10):4 065-4 074

[7] 佛山年鉴编纂委员会.佛山年鉴[M].佛山:佛山年鉴社,2014

[8] Ruimy A,Saugier B,Dedieu G. Methodology for the Estimation of Terrestrial Net Primary Production from Remotely Sensed Data[J]. Journal of Geophysical Research: Atmospheres(1984-2012),1994,99(D3):5 263-5 283

[9] Christopher S. Potter,James T. Randerson,Christopher B. Field, et al. Terrestrial Ecosystem Production: a Process Model Based on Global Satellite and Surface Data[J]. Global Biogeochemical Cycles,1993,7(4):811-841

[10] Cramer W,Kicklighter D,Bondeau A. Comparing Global Models of Terrestrial Net Primary Productivity(NPP): Overview and Key Results[J]. Global Change Biology,1999,5(S1):1-15

[11] Ruimy A,Kergoat L,Bondeau A. Comparing Global Models of Terrestrial Net Primary Productivity (NPP): Analysis of Differences in Light Absorption and Light-use Efficiency[J]. Global Change Biology,1999,5(S1):56-64

[12] Lieth H. Modeling the Primary Productivity of the World[J]. Indian Forest,1972,14(1):237-263

[13] Steven W. Running,Peter E. Thornton,Ramakrishna Nemani, et al. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System[J]. Springer New York,2000:44-57

[14] Prince S D, Goward S N. Global Primary Production: a Remote Sensing Approach[J]. Journal of Biogeography,1995, 22(4/5):815-835

[15] 孙睿,朱启疆.中国陆地植被净第一性生产力及季节变化研究[J].地理学报,2000,55(1):216-225

[16] 林广发.景观尺度植被净初级生产力遥感估算方法研究[D].广州:中山大学,2008

[17] Field C B, Randerson J T, Malmstrom C M. Global Net Primary Production: Combining Ecology and Remote Sensing[J]. Remote Sensing of Environment,1995,51(1) :74-88

[18] 朱文泉,潘耀忠,张锦水.中国陆地植被净初级生产力遥感估算[J].植物生态学报,2007,31(3):413-424

[19] 杜尧东,毛慧琴,刘爱君,等.广东省太阳总辐射的气候学计算及其分布特征[J].资源科学,2003,25(6):66-70

P208

B

1672-4623（2016）07-0030-05

10.3969/j.issn.1672-4623.2016.07.009

王海云，硕士，主要从事3S技术应用、地理国情普查及监测、数字城市地理空间框架建设等方面研究和工作。

2016-03-17。