基于BEPS模型的东北三省森林生态系统NPP模拟

毛学刚，焦裕欣，张颖

(东北林业大学 林学院，哈尔滨 150040)

基于BEPS模型的东北三省森林生态系统NPP模拟

毛学刚，焦裕欣，张颖

(东北林业大学 林学院，哈尔滨 150040)

为了精确模拟森林生态系统净初级生产力(NPP)及研究东北森林生态系统NPP分布特征，本研究选取东北三省为研究区域，应用遥感和过程模型相结合的方法，采用1km的MODIS遥感数据、逐日气象数据、土壤数据等相关数据，对2012年东北三省的森林生态系统NPP进行估算，并采用多种方法进行验证，分析东北三省森林生态系统NPP的空间分布格局及季节变化规律。结果表明：模拟的净生态系统生产力(NEP)与帽儿山通量站点测量的净生态系统碳交换量(NEE)的决定系数(R2)为0.88～0.92，均方根误差(RSME)为0.3～1.4 gC/(m·m·d)，说明BEPS模型能够较好地估算东北三省森林生态系统的NPP。估算的针叶林、阔叶林、针阔混交林NPP平均值都介于各个学者的模拟结果之间，估算结果比较合理。

净初级生产力；BEPS；东北森林；生态过程模型

0 引言

森林生态系统在全球碳循环过程中起着极为重要的作用[1-2]。森林生态系统碳平衡的精确估算取决于生态系统CO2净交换量(NEP)，NEP包括净初级生产力(NPP)和土壤异养呼吸(Rh)，而基于遥感的土壤呼吸研究则存在很大的限制。但对NPP的模拟研究已经做了大量的工作，建立了一大批模型，主要分为经验模型和过程模型，这两种模型也不同程度地加入了遥感信息，但过程模型与经验模型相比具有明显的优势。Boreal Ecosystem Productivity Simulator(BEPS)模型，融合了多源数据作为模型的输入，并耦合了碳水过程，是较大空间尺度模型陆地生态系统净初级生产力很好的选择，在国外和国内已经得到了广泛的应用[3-4]，但还未在东北森林生态系统上对NPP模拟进行尝试。东北陆地生态系统的NPP也已经有了大量的研究成果，但NPP估算主要以光能利用率模型为基础或者建立基于气候数据的陆地碳循环平衡模型，而且主要研究NPP的年际变化特征和空间变化特征[5-10]。东北森林生态系统NPP的年际变化并不是很明显，而季节的变化对东北森林生态系统NPP影响非常大，甚至每月都变化很大，所以本研究侧重于对东北森林生态系统NPP的季节、月变化进行研究。利用MODIS的叶面积指数(LAI)、站点和美国国家环境预测中心/国家大气研究中心(NCAR/NCEP)的再分析气象资料相互补充生成1km分辨率的气象数据、土壤资料、森林类型分类数据及其他辅助性资料驱动基于过程的北部森林生态系统生产力模拟模型(BEPS)，采用通量观测资料进行验证，模拟并分析2012年东北三省森林生态系统NPP的时空分布格局，进一步研究NPP的月变化规律，为中国东北地区乃至全国森林生态系统的碳源/汇格局的估测奠定基础。

1 研究区概况与研究方法

1.1 研究区概况

东北三省或称东三省包括黑龙江、吉林和辽宁三个省份，位于东经118°～135°和北纬38°～53°。东北三省的主要森林类型是寒温针叶林和针阔混交林，森林覆盖率接近40%，森林面积为3.88×107hm2。

1.2 模型选择

BEPS模型时间步长是以天为单位。该模型融合了FOREST-BGC[11]、Farquhar[12]、Penman-Monteith模型[13]3个主要模型，并采用两叶模型来计算植物的光合作用，对陆地生态系统碳通量模拟效果比较好[14]。模型输入需要有遥感数据提取的LAI和土地覆盖类型数据，每日的气象数据，模型的输出数据包括站点尺度和区域尺度的年际NPP、日NPP、GPP、NEP和蒸散。根据以前的研究结果BEPS模型参数也调整到了适合中国各种生态系统的参数[15-17]。

1.3 输入数据

BEPS模型输入数据包括土地覆盖类型数据、LAI、土壤有效持水力(AWC)和每天的气象数据，需要把这些输入数据放到统一坐标系下，并采用相同的空间分辨率。研究区模型输入数据的空间分辨率为1 km×1 km，投影方式为UTM投影，整个研究区共有1308×1619个像元。

1.3.1 森林类型

在BEPS模型中土地覆盖类型数据作用确定每个像元分配植被生理参数。2012年东北三省的土地覆盖类型数据只包括森林类型，不含其它的土地覆盖类型。森林类型分为针叶、阔叶和针阔混交林三种类型，采用30 m空间分辨率的TM影像分类获得。为了与其他数据能够进行计算，对该数据进行了重采样，采成1 km×1 km的分辨率。

1.3.2 叶面积指数

叶面积指数(LAI)是BEPS模型的一个重要输入参数。LAI数据采用的是2012年MODIS的LAI数据产品，空间分辨为1km，时间分辨为8d。尽管MODIS的LAI数据已经进行了大气纠正和去云处理，但该LAI数据仍然存在着非真实性波动，为了解决该问题，对LAI序列数据采用局部调整的三次样条帽盖算法(LACSC)做平滑处理[18]。应用LACSC算法程序时平滑参数(λ)设置为0.5，对46幅MODIS的东北三省森林LAI数据进行处理。选择了两种森林类型的LAI进行了对比，如图1和2所示。采用LACSC算法程序对MODIS的LAI进行处理之后，该数据在时间序列上是平滑的，这比较符合实际规律，LAI数据经过平滑处理能够大大提高NPP的估算精度。

图1 阔叶林平滑前后对比Fig.1 The comparison between before and after smoothness process on broad-leaved forest

图2 针叶林平滑前后对比Fig.2 The comparison between before and after smoothness process on coniferous forest

1.3.3 气象数据

每日气象数据由国家气象信息中心提供，除日总太阳辐射以外其他气象数据(最高和最低温度，湿度和降水量)都采用ANUSPLIN算法插值成1 km分辨率的栅格数据[19]。ANUSPLIN算法是由澳大利亚国立大学采用FORTRAN语言开发的空间插值模型，已在国际上广泛应用[20]。该插值算法的优点是输入参数比较灵活，而且气象站点数量不受限制。东北三省的辐射气象站点比较少(仅有10个)，如果直接用空间插值的方法获得辐射栅格数据则会有相当大的误差。所以，日太阳总辐射数据采用美国气候诊断中心(American Climate Diagnostics Center)提供的NCEP/NCAR再分析资料中的日总太阳辐射数据。根据以往的研究[21]，NCEP/NCAR的辐射数据普遍高于地面实测值。由于NCEP/NCAR的太阳辐射数据高估了北半球地区的太阳辐射，所以采用冯险峰等的方法进行修正[22]。该数据水平分辨率为10×10经/纬度，需要对该数据进行投影和尺度转换与其他数据进行空间匹配。采用的空间匹配方法为：首先将NCEP/NCAR再分析数据的经纬度球面坐标采用UTM投影转化成平面直角坐标系，再进行双线性插值，输出网格数据的空间分辨率1 km×1 km与其他数据进行空间匹配。

1.3.4 土壤有效持水力

AWC数据采用的是国际全球变化研究计划的数据信息系统(IGBP-DIS)提供的土壤属性数据库，对数据进行了重采样，采成了1 km×1 km的分辨率。东北三省绝大多数像元的AWC值在0.05和0.25 mm之间。

1.3.5 通量数据

采用研究区域内的帽儿山定位站的通量资料对BEPS模型进行验证，通量数据由亚洲通量网提供。该数据是每半小时的通量数据和气候数据。这些数据包括气象因子30 min平均值：太阳辐射、风速、降水、相对湿度、气温、饱和蒸汽压差、土壤含水量和土壤温度。数据插补前通量30 min平均值：显热通量、潜热通量、净生态系统交换和生态系统呼吸。数据插补后通量日总量：净生态系统交换、总初级生产力和生态系统呼吸。

2 结果与分析

2.1 精度验证

2.1.1 通量数据验证

由于站点的通量数据为NEE数据，并不是NPP数据，BEPS模型同时也能模拟NEP数据，NEE和NEP在数值上相等的，所以只能采用帽儿山定位站的通量观测NEE数据对BEPS模型估算的日尺度的NEP进行验证。验证方法把通量站点测定的模型的参数(比如太阳辐射、风速、降水、相对湿度、气温、饱和蒸汽压差)带入到模型中来计算通量站点的森林生态系统的NEP，与NEE数据进行比较。总体上模型估算NEP与站点观测的日NEE的R2在0.82～0.91之间波动，估算NEP的均方根误差(RMSE)在0.30～1.40 gC/(m·m·d)之间波动，模型估算的NEP与站点的NEE数据之间相关系数为0.86，说明模型估算的NEP与站点的NEE数据高度相关，同时也能够说明BEPS模型能够较好地估算东北三省森林生态系统的NPP。

2.1.2 与MODIS-NPP对比

BEPS模型估算的NPP(BEPS-NPP)值分布范围在75.17～632.82 gC/(m·m·a)，平均值为369.92 gC/(m·m·a)。MODIS的NPP(MODIS-NPP)值分布范围在3.38～619.68 gC/(m·m·a)，平均值为322.21 gC/(m·m·a)。BEPS-NPP和MODIS-NPP最大值和平均值都是比较接近的。BEPS-NPP和MODIS-NPP也具有一定的相关性，相关系数为0.55。从图3可以看出，MODIS-NPP数据产品整体上低估了NPP值，MODIS-NPP数据产品有明显的拼接痕迹。

图3 东北三省森林2012年MODIS-NPP数据(gC/(m·m·a))Fig.3 MODIS NPP data of forest in three northeastern provinces in 2012(gC/(m·m·a))

2.1.3 与其他研究结果的比较

不同学者估算的针叶林NPP为354～585 gC/(m·m·a)，估算的最高值和最低值相差231 gC/(m·m·a)，BEPS模型估算的针叶林NPP平均值为397.39 gC/(m·m·a)；不同学者估算的阔叶林的NPP为304～870 gC/(m·m·a)，最高值和最低值相差566 gC/(m·m·a)，相差的比较多，BEPS模型估算的阔叶林NPP平均值为422.15 gC/(m·m·a)。不同学者估算的针阔混交林的NPP为30～870 gC/(m·m·a)，最高值和最低值相差598 gC/(m·m·a)，相差的比较大，BEPS模型估算的针阔混交林NPP为308.47 gC/(m·m·a)(见表1)。BEPS模型估算针叶林、阔叶林、针阔混交林NPP平均值都介于各个学者的模拟结果之间，说明估算结果比较合理。

表1 BEPS-NPP与其他研究结果的比较 gC/(m·m·a)

2.2 东北 森林年NPP

东北三省森林2012年年NPP空间分布如图4所示。东北三省绝大部分年NPP主要集中在400～500 gC/(m·m·a)，黑龙江、吉林和辽宁三省森林年NPP空间分布无明显不同。NPP的最高值(600～700 gC/(m·m·a))出现在东北三省的北部(大兴安岭地区)，森林类型主要为针阔混交林。NPP的最低值(0～100 gC/(m·m·a))分布比较零散，而且非常稀少。黑龙江省、吉林和辽宁三省森林年NPP平均值分别为：365、361、304 gC/(m·m·a)，黑龙江省最高，辽宁省最低，但差距不大。

图4 东北三省森林2012年NPP空间分布Fig.4 Spatial distribution of MODIS NPP data of forest in three northeastern provinces in 2012

2.3 东北森林月NPP

森林NPP的时间变化模式由于季节变化非常明显，与森林类型变化不明显，2012年东北三省森林月NPP空间分布如图5所示。第一和第四季度的NPP值比春季和夏季值低了大概两个数量级，主要是因为大部分NPP都是在这时期积累的，有些地方在第一季和第四季的NPP为轻微的负值，这说明在这个时期的森林自养呼吸超过了GPP，也说明东北三省NPP只能在春节和夏季能被精确模拟。夏季森林NPP明显高于其他季节，这种季节性的分布主要有两个原因：一是夏季降水量比较大；二是由遥感获得的LAI最大值出现在夏季。森林月NPP最高值出现在6月份，NPP值大部分在100～200 gC/(m·m·a)。

3 讨论

与经验模型相比[7-8]，类似BEPS的过程模型有下列优点：

(1)遥感数据被充分利用来获取NPP的更加详尽的空间分布，可为森林资源管理提供帮助。

(2)土地覆盖类型和LAI二者在生态系统中都是动态变化的，实时遥感数据能够检测到这些变化，对NPP的精确计算非常重要。

(3)气象和其他环境变量都能被融合到模型中，能够研究大区域NPP的季节、年度的变化特性和气候变化对生态系统的影响。

图5 东北三省森林2012年1-12月NPP空间分布Fig.5 NPP spatial distribution of forest in three northeastern provinces from January to December in 2012

LAI是BEPS模型的一个重要输入参数，对NPP的估算起着关键的作用。在一年之内东北森林是慢慢开始长叶，夏季最茂盛，到秋季开始落叶，是一个先升高，升高到最高点在逐渐减低的平滑的过程。一年之中LAI不可能突然变得很小，然后又突然升的很高，这明显不符合实际规律，而MODIS的LAI数据产品存在LAI突然变低的情况[18]，从图1和图2也可以明显的看出。LAI突然变低会使NPP低估很多，因为模型估算的NPP是通过LAI把叶片尺度的光合作用转换到了像元尺度。如果LAI被低估50%，就相当于只有一半的叶子在进行光合作用。本研究采用LACSC算法对MODIS的LAI进行了修正，提高了NPP的模拟精度，相比没有经过处理的LAI数据，某些像元的模拟精度甚至提高了50%。

东北三省森林月NPP变化规律中6月份的NPP平均值最高，其主要原因是东北三省的6月份是森林进行光合作用的最佳条件。NPP的逐月变化与温度有显著的相关性，在年际变化中，NPP值随温度的变化而变化，而温度又是季节性的重要特征，所以东北三省NPP值的变化具有较强的季节性变异，即存在年际变化。

4 结论

模型的验证对于生态系统碳循环模型的发展非常重要，但是相对于建立模型的研究，为验证模型结果的正确性所做的工作却很少。本研究不仅与其他模型的研究成果以及MODIS的NPP产品进行了对比，而且还加强了地面观测、遥感卫星观测结果间的对比和相互验证。本研究融合了多源数据(TM遥感数据、MODIS数据、气象数据等)作为模型的输入，估算森林生态系统的净初级生产力，与之前模型相比本研究应用遥感获得了更多的环境和植被信息，使其对森林生态系统的净初级生产力的估算更加的准确、实用，也为大空间尺度精确估测碳源、汇格局提供一套合理和有利于推广的方法。

[1] 高志强，刘纪远，曹明奎.土地利用和气候变化对区域净初级生产力影响[J].地理学报，2004，59(4)：581-591.

[2] 王邵军，阮宏华.全球变化背景下森林生态系统碳循环及其管理[J].南京林业大学学报：自然科学版，2011，35(2)：113-116.

[3] Amthor J S，Chen J M，Clein J S，et al.Boreal forest CO2exchange and evapotranspiration predicted by nine ecosystem process models：intermodel comparisons and relationships to field measurements[J].Journal of Geophysical research-atmospheres，2001，106(33)：623-648.

[4] 张娜，于贵瑞，于振良.基于景观尺度过程模型的长白山净初级生产力空间分布影响因素分析[J].应用生态学报，2008，14(5)：659-664.

[5] 王萍.基于IBIS模型的东北森林净第一性生产力模拟[J].生态学报，2009，29(6)：3213-3220.

[6] 王绍强，周成虎，刘纪远.东北地区陆地碳循环平衡模拟分析[J].地理学报，2001，56(1)：390-398.

[7] 张冬有，冯仲科，李亦秋.基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算[J].林业科学，2007，47(7)：13-19.

[8] 国志兴，王宗明，张柏.2000-2006 年东北地区植被NPP的时空特征及影响因素分析[J].资源科学，2008，30(8)：1226-1235.

[9] 张峰，周广胜.中国东北样带植被净初级生产力时空动态遥感模拟[J].植物生态学报，2008，32(4)：798-809.

[10] 赵俊芳，延晓冬，贾根锁.东北森林净第一性生产力与碳收支对气候变化的响应[J].生态学报，2008，28(1)：92-100.

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

[12]Farquhar G D，Caemmerer S V，Berry J A.A biochemical model of photosynthetic CO2assimilation in leaves of C3 Species[J].Planta，1980，149(1)：78-90.

[13]Allen R G，Pereira L S，Raes D，et al.Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56[J].FAO，Rome，1998，300(9)：D05109.

[14]Chen J M，Liu J，Cihlar J，et al.Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications[J].Ecological Modelling，1999，124：99-119.

[15] 刘志斌，刘茂松，徐驰，等.江阴市植被净初级生产力及碳汇价值分析[J].南京林业大学学报(自然科学版)，2007，31(3)：139-142.

[16] 冯险峰.基于过程的中国陆地生态系统生产力和蒸散遥感研究[D].北京：中国科学院地理科学与资源研究所，2004.

[17] 刘明亮.中国土地利用/土地覆被变化与陆地生态系统植被碳库和生产力研究[D].北京：中国科学院遥感应用研究所，2001.

[18]Chen J M，Deng F，Chen M Z.Locally adjusted cubic-spline capping for reconstructing seasonal trajectories of a satellite-derived surface parameter[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44(8)：2230-2237.

[19]Hutchinson M F.Interpolating mean rainfall using thin plate smoothing splines[J].International Journal of Geographical Information Science，1995，9：385-403.

[20]Liu J，Chen J M，Cihlar J.Net primary productivity mapped for Canada at 1 km resolution[J].Global Ecology &Biogeography，2002，11：115-129.

[21]Zhao M S，Running S W.Sensitivity of moderate resoluteion imaging spectroradiometer(MODIS)terrestrial primary production to the accuracy of meteorological reanalyses[J].Journal of Geophysical Research，2006，111：1-13.

[22]Feng X，Liu G，Chen J M，et al.Net primary productivity of China’s terrestrial ecosystems from a process model driven by remote sensing[J].Journal of Environmental Management，2007，85(3)：563-73.

[23] 何勇，董文杰，季劲均.基于AVIM的中国陆地生态系统净初级生产力模拟[J].地球科学进展，2005，20(3)：345-349.

[24] 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.

[25] 陶波，李克让，邵雪梅.中国陆地净初级生产力时空特征模拟[J].地理学报，2003，58(3)：372-380.

[26] 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，20017，31(3)：413-424.

[27] 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)：36-45.

NPP Simulation of Forest Ecosystem in Three Provincesof Northeast China Based on BEPS Model

Mao Xuegang，Jiao Yuxin，Zhang Ying

(School of Forestry，Northeast Forestry University，Harbin 150040)

In order to more accurately simulate the net primary productivity(NPP)of forest ecosystem and study NPP distribution characteristics in the Northeast China，three Provinces located Northeast China were selected as the study areas using the method of remote sensing combining the process model.1 km MODIS remote sensing data，daily meteorological data，soil data and other relevant data were used to estimate net primary productivity of forest ecosystem in three northeastern provinces in 2012.Multiple methods were employed to validate the results.The spatial distribution pattern and the seasonal variation of NPP were analyzed in three provinces.The results showed that the determination coefficient(R2)between the simulated net ecosystem productivity(NEP)and the measured net ecosystem carbon exchange(NEE)at MaoEr Montain site was from 0.88 to 0.92 with the root mean square error(RSME)of 0.3～1.4 gC/m·m·d.It was concluded that BEPS model can better estimate the NPP of three provinces in northeast forest ecological system.The average values of NPP in the coniferous forest，broad-leaved forest and mixed forest didn’t exceed the simulation results of the different scholars，so the result was reasonable.

net primary productivity；BEPS；northeast forest；ecological process model

2016-07-22

国家自然科学基金(31300533)

毛学刚，博士，讲师。研究方向：遥感及生态过程模型应用。E-mail：maoxuegang@aliyun.com

毛学刚，焦裕欣，张颖.基于BEPS模型的东北三省森林生态系统NPP模拟[J].森林工程，2017，33(1)：22-27.

S 718.5

A

1001-005X(2017)01-0022-06