基于遥感和通量观测数据的生态系统净碳交换估算

摘  要：大规模人类活动对生态系统造成巨大的影响，改变了其固有的碳收支平衡，引发了一系列全球环境问题，因此碳循环得到了普遍的关注，而陆地生态系统的碳循环更是其中的核心研究之一。研究选取了东亚的三个森林站点，基于MODIS遥感影像和通量观测数据，利用回归统计模型对生态系统净碳通量进行估算，分析并评价模型的精度，验证该基于遥感数据的统计模型在东亚森林生态系统的适用性。

关键词：MODIS;生态系统净碳通量;回归统计模型

中图分类号：S127;P951      文献标识码：A 文章编号：2096-4706（2020）15-0021-03

Abstract：The huge impact of large-scale human activities on the ecosystem，the inherent carbon balance has been changed，and a series of global environmental problems have been triggered. Carbon cycle has been paid more and more attention，and the carbon cycle of terrestrial ecosystem is one of the core researches. Three forest sites in East Asia were selected based on MODIS remote sensing images and flux observation data，this study used regression statistical model to estimate the net carbon flux of the ecosystem，analyzed and evaluated the accuracy of the model，and verified the applicability of the statistical model based on remote sensing data in the forest ecosystem of East Asia.

Keywords：MODIS;ecosystem net carbon flux;regression statistical model

0  引  言

自工业革命以来，人类活动的影响规模已从陆地系统扩展到整个地球系统，并且大规模人类活动改变了生态系统碳循环的自然过程以及生物圈固有的碳收支平衡，导致大气中CO2、CH4和N2O等温室气体浓度的持续升高，引发了全球变暖等一系列严重的全球环境问题，严重威胁着人类社会的生存和可持续发展。从20世纪70年代后期开始，全球碳循环研究受到人类的普遍关注。2003年全球碳计划组织启动的碳研究计划，将全球规模的碳循环研究推向了新的历史阶段。

陆地生态系统不断地通过植物光合和呼吸、凋落物分解和土壤呼吸参与地球化学物质循环。生态系统净碳交换量（NEE）作为生态系统光合作用碳吸收总初级生产力（GPP）和呼吸碳排放（Re）两大基本生理生态学过程之间平衡的结果，它提供了对生态系统与大气之间CO2净交换量的直接测度。准确估计区域或者全球尺度陆地生态系统净碳交换量及其时空变化特征，不仅是评估区域碳收支状况、有效管理温室气体、积极应对气候变化的迫切需要，同时也是生态系统与全球变化科学发展的科技任务，并且具有非常重要的科学意义[1]。

模型模拟是评价区域以及全球陆地生态系统和大气之间碳交换时空演变特征的有效手段，成为区域和全球尺度陆地生态系统碳收支估算不可缺少的重要工具。虽然这种方法存在着一定的不确定性，但仍然是目前大尺度陆地生态系统碳循环研究的唯一可行方法[2]。以陆地生態系统碳循环机理为基础建立的生态模型，如CENTURY、CEVSA、TEM、BIOME-BGC、BEPS等被广泛应用于陆地生态系统碳收支计算。

随着遥感技术的发展，基于遥感数据的机理性生态模型取得了长足的进步。目前，本单位作为国家高分辨率对地观测系统江苏中心的建设单位，正利用各类遥感遥测信息数据，发挥卫星遥感广域、直接、内容丰富等特点，在生态评估、环境保护、城市规划、建设监管等方向大力开展定量定性技术研究和应用价值拓展。

在生态领域，将利用遥感信息获取的地表植被类型和叶面积指数（LAI）等植被参数输入模型或与模型进行同化[3]，提高了生态系统碳通量计算的可靠性。目前利用遥感数据计算NEE的模型主要有两种。其中一种是根据NEE与遥感反演的参量或者遥感反射率数据之间的相关关系建立回归统计模型，这种方法主要集中在Xiao等人[4]和Tang等人[5]的研究成果中。Xiao等人利用MODIS多个波段的反射率数据和计算的植被指数建立NEE回归模型，从而计算区域尺度的NEE;Tang等人利用MODIS数据反演陆面地表水分指数（LSWI）、陆面地表温度（LST）和增强型植被指数（EVI）等因子，建立回归关系，计算森林生态系统的NEE。这类方法涉及的参数少，为遥感计算NEE提供了思路和方法。本项目将以长白山针阔混交林（CBS）、千烟洲亚热带人工针叶林（QYZ）、日本AsiaFlux中的Takayama落叶阔叶林（TKY）为研究站点，利用回归统计模型和遥感信息计算森林生态系统NEE。

1  数据与处理

1.1  数据

1.1.1  通量数据

涡度相关技术是对大气与陆地生态系统的CO2和水热通量进行非破坏性测定的一种微气象观测技术。本研究所用的通量数据包括实时数据和半小时平均数据，常规气象数据包括半小时平均数据和日平均数据，选择三个典型生态站的2010年基准前后的数据，包括中国长白山（CBS）温带针阔混交林（41°24′09″N，128°05′45″E）和千烟洲（QYZ）亚热带人工常绿针叶林（26°44′52″N，115°03′47″E），以及日本AsiaFlux中的Takayama（TKY）落叶阔叶林（36°8′45″N，137°25′23″E），这三个森林生态系统是不同森林生态系统类型的典型代表。

1.1.2  遥感数据

本研究使用MOD09A1和MOD11A2这两个产品。其中MOD09A1是空间分辨率为500 m的8天合成地表反射率数据产品，由7个反射率数据波段、数据质量描述波段和3个角度信息波段组成。MOD11A2是空间分辨率为500 m的8天合成的地表温度/发射率产品，存储的是晴好天气下的地表温度/发射率的平均值。MODIS产品从USGS的数据网站下载，反演计算LSWI、EVI、LST数据，共1 160景影像。

1.2  数据处理

在反射率的基础上，接着计算LSWI和EVI。EVI表达式为：

EVI=G×（ρni-ρred）/（ρnir+C1×ρred-C2×ρblue+L）  （1）

式（1）中，增益系数的参数G为2.5;ρnir、ρred与ρblue分别为近红外光谱波段、红光光谱波段和蓝光光谱波段经过大气校正的表面反射率值，L=1，为土壤调节参数，参数C1和C2分别为6.0和7.5，表示蓝光光谱波段修正大气对红光光谱波段的影响。LSWI表达式为：

LSWI=（ρnir-ρswir）/（ρnir+ρswir）               （2）

式（2）中，ρnir和ρswir为近红外光谱波段和短波红外光谱波段经过大气校正的表面反射率值。

NEE与植物的呼吸作用、光合作用有关，它受温度、湿度、水分和植物本身光合作用活性等因素的影响，利用对应的代表性指数变量来推测NEE的回归，取得了不错的效果。研究者利用NEE与遥感反演的参量或者遥感反射率数据之间的相关关系，建立回归统计模型。

NEE=a1+a2×LST+a3×LST+a4×EVI+a5×LSWI   （3）

式（3）中，LST表示白天地表温度，LST表示夜间地表温度，EVI为增强植被指数，LSWI为陆地表面水分指数，a1～a5为LST、LST、EVI、LSWI的系数项和系统残差项。

本研究分别考虑白天和夜间的LST对NEE的影响，分三种情况分别进行分析。其中，S1表示考虑EVI、LSWI和LST-day和LST-night，S2表示考虑EVI、LSWI和LST-day，S3表示考虑EVI、LSWI和LST-night。

2  结果与讨论

2.1  EVI、LSWI和LST年际和季节变化特征

CBS站点的EVI、LSWI和白天、夜晚的LST都呈现出明显的季节变化，年际变化不明显。总的来说这几个参数在每个年份特定时间段的取值基本都比较稳定。CBS站的EVI在冬季处于低谷的时间较长，波动相对平缓，而在春秋季波动剧烈;LSWI在冬天处于低谷的时间相对较短，而且在冬季还出现了小的局部峰值，在春秋季变化较剧烈;白天与晚上的LST的趋势比较一致，相对而言，夜间的LST变化更为剧烈，夏季白天的LST总体而言相对稳定。

在QYZ站，这四个指数总体上也呈现出年与年之间变化相似的规律性，而且都是在夏季达到峰值，在冬季达到最小值。在夏季和冬季，这四个指数的变化速率相对较慢，而在春季与秋季的变化速率相对较快。白天与夜间的LST的总体走势是相对一致的，其在春秋季的变化速率很快，在冬天处于温度最低谷的时间很短、曲线很陡;在夏季白天的温度跨度更大。

在TKY站，EVI和白天与夜间的LST的总体趋势依然是冬天处于最小值，夏天处于最大值;夏季与冬季的指数变化速率相對较小，而在春秋季的变化速率相对较大;LSWI呈现出反复起伏特征，在春季初，冬季初出现低谷，而在夏天处于高峰，但是这中间的变化趋势并不一致，经常出现局部的低谷，变化速率相对较快;EVI总体从春季开始走高，到夏季达到峰值，然后再持续走低，但是在夏季，局部会出现小的起伏;白天与夜间的LST的变化趋势相对一致，总体走势比较清晰，从春季开始走高，到夏季达到峰值，然后再持续走低，但是相对而言夜间的LST在冬季时候的波动大一些，还出现了局部的峰值。

2.2  NEE模拟

对于CBS站，使用S2的拟合方程得到的回归拟合度最好，决定其系数R2为0.64，RMSE为3.83 g C·m-2·d-1。因此选择用S1得到的拟合结果进行验证，如图1（a）所示，验证结果R2为0.77，RMSE为3.10 g C·m-2·d-1。

对于QYZ站，S1的拟合方程得到的回归最好，决定系数R2为0.28，RMSE为2.41 g C·m-2·d-1，因此选择用S1得到的拟合结果进行验证，如图1（b）所示，验证结果R2为0.45，RMSE为2.86 g C·m-2·d-1。

对于TKY站，S2的拟合方程得到的回归最好，决定系数R2为0.74，RMSE为3.52 g C·m-2·d-1，因此选择用S2得到的拟合结果进行验证，如图1（c）所示，验证结果R2为0.72，RMSE为3.51 g C·m-2·d-1。

图1中NEEobs表示NEE观测值，NEEsim表示NEE模型模拟值，DOY（day of year）表示一年中随机一天。

3  实验结果总结

本研究基于MODIS和通量观测数据，分析了东亚三个站点的EVI、LSWI和LST的年际和季节性特征，利用统计回归模型，模拟估计了这三个站点的NEE值，得到了如下结论。

（1）东亚三个站点的EVI、LSWI和LST总体上呈现出年际变化不大、年内季节性差异较大的特点，但在个别年份也会出现局部的起伏变化。而各个站点之间同个指数相同时间段的变化也有所差异，尤其TKY站点的差异最为明显。

（2）统计回归模型大体可以体现出NEE的变化趋势，在CBS和TKY站点的模拟结果较好、准确度较高;而其在QYZ站点的模拟结果相对较差，还需要进一步改进。

（3）统计模型建模估计时，引入夜间还是白天的LST参与建模的精度更高并不绝对，但总体上相差不大，而且基本上两者都引入和引入白天的LST参与建模的精度相对更高。

4  结  论

本研究表明，基于遥感数据的生态机理，采用回归统计模型计算生态系统NEE，从而利用遥感数据对森林生态系统NEE进行季节性动态的定量评价，具有一定的潜力和可行性，特别是面向区域性、大尺度的陆地生态系统碳循环的评估和研究，可以充分发挥遥感技术的广域性优势。同时，采用遥感数据对地表参数的反演，亦需要根据生态系统的空间异质性选用不同的遥感参数，在模型的优化上尚需进一步开展研究和改进。

参考文献：

[1] 王秋凤，刘颖慧，何念鹏，等.中国区域陆地生态系统碳收支综合研究的科技需求与重要科学问题 [J].地理科学进展，2012，31（1）：78-87.

[2] CRAMER W，BONDEAU A，WOODWARD I F，et al. Global response of terrestrial ecosystem structure and function to CO2 and climate change：results from six dynamic global vegetation models [J]. Global Change Biology，2001，7（4）：357-373.

[3] JU W，WANG S，YU G，et al. Modeling the impact of drought on canopy carbon and water fluxes for a subtropical evergreen coniferous plantation in southern China through parameter optimization using an ensemble Kalman filter [J]. Biogeosciences，2010，7（66）：845-857.

[4] XIAO J F，ZHUANG Q L，BALDOCCHI D D，et al. Estimation of net ecosystem carbon exchange for the conterminous United States by combining MODIS and AmeriFlux data [J]. Agricultural and Forest Meteorology，2008，148（11）：1827-1847.

[5] TANG X G，WANG Z M，LIU D W，et al. Estimating the net ecosystem exchange for the major forests in the northern United States by integrating MODIS and AmeriFlux data [J]. Agricultural and Forest Meteorology，2012，156：75-84.

作者简介：牟苏斌（1973.04—），男，汉族，浙江温州人，高級工程师，本科，研究方向：地理信息。