湖州市森林植被净初级生产力研究

吴伟志，朱程昊，张毅锋

（1.浙江省森林资源监测中心，浙江 杭州 310020；2.浙江省林业勘测规划设计有限公司，浙江 杭州 310020）

植被净初级生产力（Net Primary Productivity，简称NPP）是指绿色植物在单位面积、单位时间内所累积的有机物数量[1]。植被NPP作为森林生态系统的基本数量特征之一，不仅直接反映植被群落在自然环境条件下的自然生产力，表征陆地生态系统的质量状况，而且是判定碳源、碳汇和调节生态过程的主要因子，在全球变化及碳平衡中发挥重要的作用[2-3]。因此，植被NPP估算对于森林生态系统的结构、功能和森林生态服务价值估算等研究具有重要意义[4]。

植被NPP估算不仅受到植被自身结构、分布等的影响，同时，还受到土壤条件、气候条件等自然因素的影响。此外，所用数据、研究者观点和经验等人为因素也会影响估算结果。在区域或全球尺度上，由于无法直接全面地测量植被 NPP，利用模型估算植被 NPP已成为一种重要且被广泛接受的研究方法[5-6]。目前，基于资源平衡理论的光能利用率模型因输入简单、模型容易运转和计算效率高等优点受到了很多研究者的青睐，另外，其还可通过遥感手段辅助计算，可以节省大量的野外试验工作，随着遥感和计算机技术的迅速发展，逐渐成为植被NPP估算研究方法的主流[7]。其中，由Potter等提出的CASA模型，通过遥感数据和气象数据对植被NPP进行估算，不仅避免了复杂参数的采集，也能够较准确地进行大范围植被NPP模拟，被广泛应用于不同地区不同森林类型固碳量的反演模拟。陈正华等利用CASA模型，模拟了干旱和半干旱典型区域黑河流域1998-2002年净第一性生产力的时空分布，并分析出上、中、下游植被NPP的驱动因子[8]；杨红飞等运用CASA模型模拟了新疆近十年草地生态系统的NPP，并分析其时空格局变化特征[9]；黄悦悦采用CASA模型和多种空间分析方法探讨分析了2000-2018年长时间序列下华北平原植被NPP的时空变化特征及其主要驱动因素[10]。以上研究均表明，CASA模型可以模拟区域植被NPP，对了解区域生态系统变化情况，进而采取下一步生态治理措施具有重要作用。

本研究以浙江省湖州市的森林植被为研究对象，基于气象数据、遥感数据、行政区划数据和森林资源年度监测小班数据等资料，考虑最大光能利用率在不同森林类型中的差异，采用CASA模型，构建区域陆地植被NPP估算模型，对湖州市森林植被的NPP进行估算，分析其空间分布特征，旨在为湖州市森林生态服务功能价值评估提供科学参考。

1 研究区概况

湖州市位于浙江省的最北端，长三角中心区域，太湖南岸，是连接长江三角洲地区南北两翼和东中部地区的节点城市。市域介于 30°22′～31°11′N、119°14′～120°29′E 之间，东西长约 126 km，南北宽约 90 km，土地总面积为5 824 km2。地形地貌以低山丘陵、湖积和冲积平原为主，地势大致呈现出由西向东北倾斜的走势。属亚热带湿润季风气候，雨热同季、降水充沛，全市年平均气温在12.2～17.3℃，年日照时数在1 613～2 430 h，年降水量在761～1 780 mm，年平均相对湿度在80%以上。由于湖州市海拔不高，且植被受到长期的人为影响，因此，该地区植被的垂直分布和地域差异性不明显，且呈高度次生状态。湖州市属于中亚热带常绿阔叶林北部亚地带的青冈Cyclobalanopsis gl auca和苦槠Castanopsis s clerophylla栽培植被区，植被物种呈现出中亚热带向北亚热带过渡的特征，物种类型多样，植被资源丰富，典型自然植被有阔叶林、针叶林、灌林、草丛、沼泽水生植物5个植被类型。

2 研究方法

2.1 数据来源及其预处理

采用的数据主要有气象数据、遥感数据以及其他空间数据，其中，气象数据取自浙江省内及周边各省邻近有效气象站点2001年及2010年的气象数据，包括年均温、年总降水量、年日照百分比以及年总辐射量等。遥感数据为分辨率30 m的湖州市2018年Landsat数据。其它空间数据主要有2018年的湖州市行政区划数据和湖州市森林资源年度监测小班数据等。

2.1.1NVDI数据获取 本研究所采用的湖州市植被数据（NDVI）是通过ENVI5.1软件中“Spectral-Vegetation-NDVI”功能，对遥感器定标、大气校正后的Landsat影像进行处理得到。

2.1.2 气象数据获取与处理 本研究使用的气象数据来自于中国气象局共享服务网，包括浙江省内7个有效站点及周边各省邻近站点5个有效站点2001年及2010年的年均温、年总降水量、年日照百分比以及年总辐射量等数据。另外，在获取总辐射数据时，由于全国观测辐射数据的站点较少，浙江省内只有杭州和洪家2个站点，因此，在计算太阳总辐射数据时，加选邻近并具有辐射数据的8个气象站点，获取数据包括南京、吕泗、上海、合肥、屯溪、南昌、洪家、杭州、建瓯、福州10个辐射站点2001年及2010年的年太阳总辐射数据，单位为MJ·m-2。此外，由于气温的空间分布受多种要素时空格局的综合影响，特别是在复杂地形条件下，气温的分布规律比较复杂。因此，利用ArcGIS 1 0.2进行空间数据的运算，得到湖州市年平均气温的空间分布图（图1）；同时，收集安吉、长兴、临安、湖州、德清、杭州等12个气象站2018年年均降水量值，并以1981-2010年30年的降水量值为权重进行调整。然后利用Kriging空间内插方法对12个气象站的年降水量数据进行插值，插值结果如图2所示；结合站点年太阳总辐射数据、2001年和2010年月平均日照百分率空间数据，利用ArcGIS 10.2得到湖州市年太阳总辐射的空间数据。

图1 湖州市年平均气温空间分布图Figure 1 Spatial distribution of mean annual temperature in Huzhou

图2 湖州市年均降水量空间分布图Figure 2 Spatial distribution of mean annual precipitation in Huzhou

2.2 CASA模型

CASA模型主要借助遥感技术，通过植被所吸收的光合有效辐射（APAR）和光能利用率ε两个变量来计算植被的NPP，其计算公式如下[11]：

式中，NPP(x,t)表示像元x内的植被在时间段t内累计的净初级生产力，单位：gC⋅m-2⋅t-1；APAR(x,t)表示像元x内的植被在时间段t内吸收的光合有效辐射，单位：MJ⋅m-2⋅t-1；ε(x,t)表示像元x内的植被在时间段t内的实际光能利用率，单位：gC⋅MJ-1⋅t-1。

2.2.1 光合有效辐射的确定 像元内植被吸收的光合有效辐射由像元接收到的太阳总辐射和植被层对入射光合有效辐射的吸收比例决定，其计算公式如下[12]：

式中，SOL(x,t)表示像元x内植被在时间段t内接收到的总光合有效辐射，单位：MJ⋅m-2⋅t-1；fPAR(x,t)表示像元x内植被对入射光合有效辐射的吸收比例；0.5表示植被所能用来固定有机物的太阳有效辐射（波长为0.38 ～0.78 µm）占太阳总辐射的比例。

本研究采用的太阳总辐射数据（SOL）来源于中国气象局共享服务网的太阳辐射栅格数据。已有研究表明，fPAR与植被指数（NDVI）之间存在线性关系[13-16]，即：

式中，DVIi,max和DVIi,min分别是第I种森林类型NDVI的5%和95%的百分位数，无量纲；fPARmax和PARmin的取值与森林类型无关，分别是0.001和0.950。

NDVI最大值指植被刚好达到完全覆盖、植被光合作用最旺盛时的值，反之，NDVI最小值指没有植被时的值。本研究参考朱文泉等的相关研究确定各森林类型的NDVIi,max和NDVIi,min，具体如表1所示[17]。

表1 各森林类型的NDVI极值和最大光能利用率Table 1 Extremum value of NDVI and maximum solar energy utilization efficiency of different forest types

2.2.2 光能利用率的确定 光能利用率是指植被把所吸收的光合有效辐射（APAR）转化为有机碳的比率（gC⋅MJ-1⋅t-1）。不同森林类型以及其所处不同生态环境的光能利用率差异很大，Potter等认为植被在其理想生存条件下具备最大光能利用率。实际光能利用率则可以通过温度胁迫因子、水分胁迫因子修正最大光能利用率得到，其计算公式如下[18]：

式中，Tε1(x,t)和Tε2(x,t)分别是高温和低温对光能利用率的胁迫系数，无量纲；Wε(x,t)为水分胁迫系数，无量纲；εmax为不同森林类型理想状态下（忽略温度、水分等影响）的最大光能利用率，通常认为植被最大光能转化率是 0.389 gC⋅MJ-1⋅t-1。

Tε1(x,t)反映植物在低温和高温状态下，内在的生化作用对光合作用的限制而降低净初级生产力，其计算公式如下[19-20]：

式中，Topt(x)表示区域一年内NDVI值达到最高时的当月平均气温。已有许多研究表明，NDVI的大小及其变化可以反映植物的生长状况，NDVI达到最大值时，植物生长最快，因此，此时的气温可在一定程度上代表植物生长的最适温度。

Tε2(x,t)表示环境温度从最适温度Topt(x)向低温和高温变化时，植物光能利用率逐渐变小的趋势，这是因为植被生长在偏离最适温度的条件下，其光能利用率会降低。其计算公式如下[19,21]：

水分胁迫系数Wε(x,t)反映了植物所能利用的水分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，取值范围在0.5（极端干旱条件）～1（非常湿润条件），其计算公式如下：

式中，E(x,t)表示像元x内植被在时间段t内的实际蒸散量，可根据周光胜等[22]提出的区域实际蒸散模型求取，其模型公式见公式（8）。Ep(x,t)表示像元x内植被在时间段t内潜在蒸散量，可根据Boucher提出的相互关系求取[22-23]。

图3 CASA模型估算NPP流程图Figure 3 The flow chart of the CASA model to estimate NPP

不同森林类型的最大光能利用率εmax的取值不同，且由于最大光能利用率的取值对植被NPP的估算结果影响很大，学术界对其取值的确定一直存有争议。本研究参考朱文泉等[24]确定的中国典型森林类型的最大光能利用率结果。各森林类型最大光能利用率见表1。

综上，利用CASA模型估算植被NPP的流程图如图3所示。

3 结果与分析

3.1 湖州市森林植被NPP估算结果

本文通过模拟估算得出的湖州市森林植被NPP值约为7.49 t·hm-2·a-1，不同森林类型NPP估算结果见表2。图4反映湖州市净初级生产力空间分布特征。由图4可见，湖州市植被NPP有着随海拔增高而逐渐增大的趋势，即从城市中心区、平原农田区到山地地区，NPP逐渐增大。城市建成区、东部平原区由于硬质地面、农田等非林地面积比重较高，绿地面积比重相对较低，其NPP值最低。西北、西南山地以及中部山地是湖州市林木和林地资源最为丰富，植被覆盖度相对较高的区域，整个区域NPP值较高。

表2 湖州市不同森林类型净初级生产力估算结果Table 2 Estimation results of net primary productivity of different Forest types in Huzhou

图4 湖州市NPP空间分布图Figure 4 Spatial distribution of NPP in Huzhou City

3.2 估算结果精度检验

精度检验是验证 NPP反演有效性和估算的 NPP能用于生态服务价值估算的前提。用模型估算2018年湖州市森林植被的NPP得到各森林类型的NPP值及其标准差，使用变异系数表示估算结果的平均变异大小。变异系数（Cv）定义为标准差（σ）与平均值（μ）之比(σ/μ)。各森林类型的NPP统计结果见表3。

表3 湖州市各森林类型年NPP变异系数统计Table 3 Coefficient of variation of annual NPP of different forest types in Huzhou

各森林类型NPP存在偏差的原因有两方面：一是湖州市的立地类型区涉及浙北平原立地类型区和浙西山地丘陵立地类型区，湖州市的东北和东南为杭嘉湖平原，西北和西南为天目山余脉，导致即使同一森林类型的海拔、土壤、地形和气候等森林生态环境也可能存在较大差异，进而造成NPP波动；二是湖州市软阔类、灌木林的面积分别占全市林地面积的0.71%和0.31%，面积占比小，而本研究采用的栅格数据以30 m×30 m分辨率呈现，对此类面积较小的森林类型反演精度在一定程度上会有所降低，造成软阔类和灌木林植被较其他森林类型偏差偏大。

4 结论与讨论

本研究以 30 m分辨率遥感数据和气象数据为基础，考虑最大光能利用率在不同森林类型中的差异，采用CASA模型对湖州市森林植被净初级生产力进行估算，分析其空间分布特征，并对各森林类型NPP估算结果进行精度检验。结果表明：湖州市森林植被的NPP值约为7.49 t·hm-2·a-1；植被NPP空间分布特征总体表现为随海拔增高而逐渐增大；同一森林类型因生态环境差异和面积占比过小，导致NPP估算存在一定的偏差。

地面实测资料是植被NPP估算模型结果验证的最佳数据，但由于大面积的NPP实测资料非常缺乏，通过实测数据进行结果对比验证难以实现。因此，本研究通过与其他研究学者的估算结果进行对比来间接验证结果。对比前人对浙江及亚热带地区植被的研究发现：本文湖州市NPP年均值估算结果为7.49 t·hm-2·a-1，比倪健、毛裕定等基于气候模型估算NPP的结果偏低[25-26]，而与张骏、孙善磊等利用其它模型估算的结果以及实测值较为相近[27-28]。分析认为，估算结果偏低的主要原因是由于气候模型估算结果是地区的潜在最大 NPP，而与其它不同模型的差异主要来自模型参数以及时空范围的不同。已有不少学者通过实测生物量、利用总平均生长量法、调整系数法等方法对不同森林类型植被 NPP进行估算。为了进一步对估算结果进行验证，将本次各类型森林NPP估算结果与其他学者研究的植被NPP进行对比，对比结果见表4。

表4 不同森林类型的NPP结果比较Table 4 Comparison on NPP of different forest types in different locations

由表4可知，本次基于CASA模型得到的各森林类型的NPP估算结果与其他学者的测算值存在一定的偏差，但偏差在可接受范围之内。分析认为偏差主要是由于不同测算地点之间地理条件不同，不同模型选取的各类参数以及时空范围存在差异所致。此外，表4中不同研究均表明竹林具备较高的NPP。湖州市安吉县作为中国著名的竹产业基地，发展笋竹两用林获得了较高的经济收益，可将此竹林经营技术推广至全市范围，选择缓坡深土地段实现小块整地的集约经营方式，在实现竹林资源可持续利用的同时，提高湖州市森林植被生产力。综上，利用CASA模型对湖州市的森林NPP反演结果可靠，结果可用于森林生态系统服务功能中固碳释氧、积累营养物质实物量与价值量等的评估，为湖州市生态环境评价和生态环境建设提供依据。