基于CLM5.0的内蒙古呼伦贝尔草地生产力模拟参数优化

杨 倩，朱小华，欧阳光洲，马灵玲，刘 伟，王 昆

基于CLM5.0的内蒙古呼伦贝尔草地生产力模拟参数优化

杨 倩1,2,5，朱小华1,5※，欧阳光洲1,5，马灵玲1,5，刘 伟4，王 昆1,3

（1. 中国科学院空天信息创新研究院，北京 100094；2. 中国科学院大学电子电气与通信工程学院，北京 100049；3. 中国科学院数字地球重点实验室，北京 100049；4. 中国科学院植物研究所，北京 100094；5. 中国科学院定量遥感信息技术重点实验室，北京 100094）

草地净初级生产力（net primary productivity，NPP）作为评估生态系统结构和功能以及植被质量的重要指标，其精准估算对于草地生态系统保护有着重要作用。陆面过程模型可对大范围NPP进行时序模拟，但受限于对植被生理生化特性的认知，应用于目标区域时，模型参数的默认设定会引起模拟偏差。为了使模型适用于呼伦贝尔草地生产力模拟，该研究基于CESM（community earth system model）框架下的最新陆面过程模型CLM5.0（the community land model 5.0）开展模型参数敏感性分析，并采用DREAM（differential evolution adaptive metropolis）算法对最敏感的10个参数进行优化调整，最后将参数优化后的模型应用于呼伦贝尔草地NPP模拟。结果表明：1）对草地NPP模拟最敏感的是呼吸作用类参数，如冠层叶顶维持呼吸基率的截距参数、凋落池到土壤有机质池转移的呼吸分数，其次是碳循环类参数，如叶片碳氮比、细根碳氮比。2）叶片碳氮比与气孔导度参数优化后的后验概率分布为高斯分布，表明该优化为良性约束，反映了碳氮关联参数与呼吸作用参数对于优化模型模拟的有效性。3）参数针对性优化有效提升了CLM5.0对呼伦贝尔草地生产力的模拟性能，NPP年总量相对误差由33.82%降低至10.97%，且应用于在不同类型草地NPP模拟时，其相对误差分别降低了5.62%、8.06%、9.03%。该研究结果可为CLM5.0应用于呼伦贝尔地区的草地生产力模拟提供参考，对合理评估草地生态系统碳循环研究具有积极作用。

模型；参数优化；草地NPP；敏感性分析；呼伦贝尔草地

0 引 言

草原作为陆地生态系统重要组成部分，对生态碳循环具有不可忽视的作用[1-3]。呼伦贝尔草原是世界著名天然牧场，但近年来受气候干旱、草地资源不合理利用等影响，出现了草地退化荒漠化等生态问题[4]。对草原植被生长状况进行准确评估与预测是指导草地管理的重要依据，也是科学确定放牧强度、避免超载过牧、改善草原生态问题的重要基础[5]。

净初级生产力（net primary productivity，NPP）为植被光合作用的有机物总量与植物自身维持呼吸和生长消耗后的差值[6-7]。草地NPP是评估草地植被质量和生态系统结构的重要指标[8]，精准估算草地时序NPP对于理解和维护草原生态系统具有重要意义。过程模型通过对植被光合作用、呼吸作用等动态过程进行模拟获取植被生产力估算结果，具有较强的机理性，可实现点-面、区域-全球不同尺度的长周期NPP动态模拟，已成为草地NPP估算的有效手段。

过程模型本质上是对现实世界过程的简化描述，模型默认参数不适用于局部区域，会导致模拟结果存在一定的不确定性。众多研究表明陆面模型中某些参数默认设定并不适用于所有区域[9-10]，如物候模块大多基于温热带地区特点进行设计，触发植被生长和凋落的阈值应用于高纬度地区时会带来一定的偏差。因此，在不同的环境条件、下垫面下使用默认参数设置将引入较大的误差。

通用陆面过程模型（community land model，CLM）是目前应用最为广泛的陆面模型[11]。由于模型参数较难通过直接测量获取，将其应用于呼伦贝尔地区时大多学者采用默认参数进行运算，或仅对少部分参数进行经验设置，较少全面分析模型参数的敏感性并针对呼伦贝尔地区草地特性开展针对性优化。WANG等[12]在利用CLM4.5对中国区植被NPP模拟时，通过筛选最佳参数组合实现对光合参数V的修正，但该研究仅考虑了单个参数V，缺少对于模型其他相关参数的进一步分析。BILIONIS等[13]基于序列的蒙特卡洛算法（sequential Monte Carlo，SMC）优化估计CLM4.5模型中大豆的叶茎取向指数、叶片C等10个参数，结果显示预测的碳通量有了明显改善，但该研究针对的是农作物，同草地植被存在较大差异，如天然植被不需要考虑人工灌溉施肥等因素。MAO等[14]针对松树林优化的CLM4参数使土壤呼吸的模拟误差降低了77%，但研究优化目标是模型中Ball-Berry气孔导度模块，该模块在CLM5.0中已不再被使用，缺乏对于CLM5.0的进一步应用指导。

综上所述，CESM（community earth system model）框架下的最新陆面过程模型CLM5.0相较于以往版本存在较大变化，应用于呼伦贝尔草地NPP模拟时不能简单地采用前人的研究结果。因此本文针对呼伦贝尔草原特点，对影响植被生长的74个关键参数进行敏感性分析，选出10个相对敏感参数，然后以全球逐日NPP数据产品为参考，结合DREAM（differential evolution adaptive metropolis）优化算法对参数进行优化调整，并利用全球逐日NPP数据和GLASS（global land surface satellite）年净初级生产力产品等数据对优化结果进行精度分析，最终确立CLM5.0模型用于呼伦贝尔地区草地生产力模拟的参数设置方案，以期提高CLM5.0在呼伦贝尔地区的NPP模拟精度。

1 研究区与数据

1.1 研究区概况

呼伦贝尔草原位于内蒙古自治区东北部，呼伦贝尔市西南部（46°10'～50°12'N，115°31'～121°09'E），东接大兴安岭，西部和南部同蒙古相邻，北部同俄罗斯接壤，地势东高西低，平均海拔650～700 m，属于半干旱区。气候属于典型的温带大陆性季风气候，雨热同期，夏季高温多雨，冬季寒冷干燥，年平均气温在0 ℃左右，年平均降水量达275.5 mm，草原生长期主要集中在5—10月。本文选取呼伦贝尔草原核心区域作为研究区，对应于4个旗县：陈巴尔虎旗、鄂温克族自治旗、新巴尔虎左旗、新巴尔虎右旗，其主要植被覆盖类型如图1所示。

图1 研究区地表覆盖类型

1.2 研究数据来源及处理

1.2.1 气象驱动数据

本文采用国家青藏高原科学数据中心（http://data. tpdc.ac.cn）提供的中国区域地面气象要素驱动数据集作为模型的气象驱动数据，该数据集是在国际再分析资料、辐射资料、降水资料等基础上，融合中国气象局气象观测数据统计插值得到的[15]，精度优于国际上已有的再分析数据集，空间分辨率为0.1°，时间分辨率为3 h，为模型模拟提供了更好的数据支撑。数据集主要包括近地表气温、近地表气压、近地表空气比湿、近地表风速、地面向下短波辐射、地面向下长波辐射、地面降水7个要素。根据模型输入数据要求，将其分为3个数据流，用于模型模拟。

1.2.2 验证数据

为了确保模型在精细化的时间尺度上也具备更好的模拟效果，本文采用由国家生态科学数据中心提供的全球逐日NPP模拟数据产品作为模型验证优化的参考数据。该数据由BEPS模型生成[16]，可覆盖全球植被生长区，空间分辨率为0.0727°×0.0727°。为保证验证数据的可靠性，本文将MODIS NPP产品（MOD17A3）与验证数据进行了比较（图2），从图中可以看出，该数据与MODIS产品空间分布和时间变化趋势基本一致，两者的相对偏差小于5%，具有较好的一致性，可用于本文模型参数优化后的验证分析。

注：研究区NPP差值为MODIS产品减去BEPS产品结果。

2 模型与方法

2.1 陆面过程模型

CLM模型目前已经发展到了CLM5.0版本，本文重点针对CLM5.0的动态碳-氮模块（BGC）进行参数优化。该模块是在陆地生物化学模块Biome-BGC[17]模块的基础上发展而来，可以模拟预测陆地碳、氮循环中自然植被状态变量，因此可用于模拟表征植被的生长状况。

相对于CLM4.5，CLM5.0引入了Medlyn气孔导度模型代替了之前的Ball-Berry气孔导度模型，适用于在低湿度条件下的气孔导度模拟。同时CLM5.0引入了FUN（fixation and update of nitrogen）模型，将N吸收以C的形式进行能量消耗，利用可变的植物碳氮比值调整叶片的含氮量，使模型不再依赖于通过对土壤氮有效性的潜在光合速率进行瞬时下调来实现植物养分的限制。CLM5.0利用LUNA（leaf utilization of nitrogen for assimilation）模型实现叶片氮利用的优化，进而用于计算植物的光合能力。这些改进使得模型模拟同现实更加接近，但同时也增加了模型的复杂性，对模型应用于目标区域的参数优化带来了一定的挑战性[18]。

2.2 参数敏感性分析方法

由于CLM5.0模型结构复杂，涉及参数较多，无法对所有参数进行全局优化，局部敏感性分析可用于分析模型单一变量对于输出结果的影响，计算方便，可快速计算出参数的敏感性指标。因此，为了从众多参数中快速筛选出与NPP模拟最为相关的参数，本文采用局部敏感性分析方法OAT（one-at-a-time）[19]对模型中最典型的74个参数进行分析，确定后续优化参数。

OAT参数敏感性分析方法在固定模型其余参数时，分析某一参数微小变化引起的模型模拟结果变化程度，进而确定该参数的敏感性。本文采用对模型参数值进行上下浮动10%、20%的方式来进行模型模拟结果变化分析，进而计算74个参数的敏感性判别指数，其计算公式如下：

式中D为参数的敏感性判别指标；P为参数第（=1,2,…,n）次变化后模型模拟结果；P为参数默认值时的模型模拟结果。参数的敏感性判别指数反映了参数变化对模型模拟结果的影响，参数敏感性判别指数越大，说明其对模型模拟结果的影响越大，即该参数越敏感。

2.3 参数优化方法

本文采用DREAM算法[20]来进行模型参数校准。DREAM算法是多链马尔科夫链蒙特卡洛（Markov chain Monte Carlo，MCMC）[10]模拟算法，可以自动调整分布的方向到目标分布，适用于复杂高维多模态目标分布，具有较好采样效率且可以防止过早收敛，有效避免局部最优解，算法中心思想是贝叶斯理论，如式（2）利用参数的先验概率分布得到参数的后验分布信息。

在无先验信息的情况下，可假定参数的先验分布是均匀分布。假设随机误差服从均值为0的高斯分布，似然函数可表示为

2.4 评价指标

本研究将参数优化后的模拟结果与模型默认输出结果进行比较来评价参数优化效果。为了全面评估模型模拟结果与参考数据之间的差异，采用以下评价指标对参数优化效果进行评价：

1）月平均NPP的绝对差值

式中M为月平均NPP的绝对差值，g/m2；m是天尺度NPP模拟值，g/m2；y是天尺度NPP参考值；g/m2；n是对应月份的天数，d。

2）年平均NPP的绝对差值

式中M为年平均NPP的绝对差值，g/m2；m是月尺度NPP模拟值，g/m2；y是月尺度NPP参考值，g/m2。

3）相对误差R（%）

式中是时间步长总和。

4）均方根误差R（g/m2）

3 结果与分析

3.1 基于OAT算法的参数敏感性分析

本文主要针对的植被类型是C3草，因此为节约计算资源，本文利用式（1）在单个像元（49.35°N，119.95°E）处进行参数敏感性分析，通过对月尺度敏感性值求取平均值得到参数的年敏感性值，筛选出对于模型模拟NPP结果最敏感的参数。

本文主要针对模型中与BGC模块相关的74个参数进行敏感性分析，根据参数的年敏感性值对参数进行敏感性排序，并筛选出10个最敏感的参数（如表1所示）用于优化调整。

表1 参数敏感性分析指标结果

是用于表征植被冠层叶片维持呼吸速率的参数。由于植被NPP的计算是基于植被总光合作用减去植物呼吸作用得到的，呼吸作用参数的合理设定对于模型模拟NPP起着重要作用，从图3中可以看出，该参数越大（代表植物呼吸作用越强），对应的NPP越小，因此该参数对NPP模拟存在负向影响。

21、11和32是模型中关于植被凋落分解过程的参数，用于表示凋落物池到土壤有机质池转移的呼吸分数。由于NPP本身属于一个表征植被碳含量的参数，因此这些参数也对于NPP的模拟存在一定的影响，从图3中也可以看出，NPP随着这3个参数值的增大而增大。

表示的是植被叶片碳氮比，表示的是植被细根碳氮比，这两个参数主要作用于CN循环过程。模型利用碳氮比来约束CN循环中的C、N变化，通过在每个时间步长分配氮，使植物最佳地匹配目标化学计量。从图3中可以看出这两个参数对于NPP的模拟存在正向影响，参数值越大，NPP值越大。

属于模型物候参数，表征叶片完全凋落的时长，当模型中物候模块的凋落机制开始触发，该值开始逐步递减，直至该值减为0时植物进入休眠，等待生长机制触发开始再次生长。因此该参数越小，会使得植物的凋落期减小，植物较快进入休眠从而使得NPP的模拟结果变小。

2是用于控制模型中植被开始生长时由存储池转移至传输池的碳的比例，属于碳循环参数。在触发植被生长后该参数会产生作用，因此该参数对于NPP的模拟结果也存在一定的影响。图3中显示该值越大（即转移的碳比例越大），对应的NPP模拟值也越大。

10是维持呼吸的温度系数，对草原植被维持呼吸作用存在较大的影响。与不同的是，该参数对于NPP的模拟有着正向影响，参数越大对应的NPP值也越大。

图3 参数敏感性分析

是CLM5.0版本新纳入的Medlyn气孔导度参数，该参数对于气孔对二氧化碳的反应有着重要影响，决定了在没有植物水力学限制的情况下，不同环境条件组合中气孔的开放程度，与模型模拟光合作用密切相关，因此对NPP模拟存在较大的影响。从图3中峰值变化看，NPP的模拟值峰值会随着该参数的增大而增大，同时该参数变化会对峰值出现的时间产生影响。

3.2 基于DREAM算法的模型参数优化

基于参数敏感性分析结果，筛选出10个最敏感的参数用于DREAM参数优化，并基于TRY（plant trait database）数据库资料（https://www.try-db.org）和部分参考文献信息确定待优化的参数的变化范围。

参数通过筛选统计TRY数据库中内蒙古地区主要植物物种的叶片碳氮比的频率分布，确定其变化范围为15～30。针对参数，相关研究[22]统计分析得到对于C3草，其满足均值为5.25、标准差为0.32的高斯分布，因此本文按照3原则确定的变化范围为4.29～6.21。WANG等[23]对中国165个站点的细根碳、氮、磷的浓度数据分析表明关于C3草的满足均值为40.52、标准差为1.56的高斯分布，根据3原则确定参数变换范围为35.84～45.20。对于参数10参考POST等[10]参数优化研究中的范围设置为1.1～3.0。针对参数，由于缺少相关的定量数据资料，本文基于默认值15设定其变化范围10～20。对于无法通过文献调研等方式获取的参数按照模型默认值上下浮动20%作为其变化范围。

本文基于DREAM算法，利用2010年天尺度的参考数据对参数进行优化，所有参数完全收敛所需的次数为12 000～16 000次，除了参数10，其余参数在迭代了12 000左右均达到收敛。

图4为模型参数估计的后验概率分布直方图，根据直方图的形状可以将其分为良性约束、击边约束和不良约束类型。良性约束是指参数后验概率分布近似于高斯分布，图中所示和属于良性约束。击边约束是指参数的估计值接近于预设的参数值的最大值或者最小值，其后验概率分布近似于半高斯分布，产生击边约束的原因较多，除了参数的变化范围设置不合理外，还可能是模型结构缺陷所带来的影响[24]。不良约束是指参数的后验概率分布近似于均匀分布，出现不良约束情形表明观测数据对于该参数的影响较小，本文中不存在这一类型的参数，也进一步证明了前文选取的待优化参数合理。

待优化参数的最终估计值和各自的95%置信区间如表2所示，可以看出，参数的置信区间都很小，说明受限制程度高。其中是取整参数，取整后置信区间均为18。10和的不确定性区间相对跨度较大，10相较于其余参数对于NPP的模拟敏感性较低，因此NPP的模拟对其限制程度相对较低，相较于其他参数数值较大，因此过小的变化无法对NPP的模拟产生较大的影响。、10与默认值相比，估计值均低于默认值，叶片碳氮比降低意味着降低了叶片对氮的需求，从前面的敏感性分析看该参数的降低会对NPP的模拟结果带来减弱的影响；参数10的降低则是表示植物维持呼吸对温度的敏感性降低。的增加代表着模型的气孔导度增强，进而影响到植物的光合作用能力，会对NPP模拟产生一定的作用。其余关于C流向比例的参数也会对NPP的模拟带来一定的影响。

图4 参数后验概率分布直方图

3.3 草地生产力模拟结果分析

本文首先利用2010年参考数据对单个像元进行了年度的参数估计，图5a是优化前后的NPP模拟比对，可以看出参数优化后的NPP模拟精度有了较大的提升和改进。优化后，夏季NPP时序模拟值与参考值重合度较高，秋季次之，春季不明显，冬季由于草地植物不存光合作用，无法通过NPP来进行评估。

为了量化优化效果，本研究进一步基于3.4.1提到的指标进行优化前后对比计算，如表3所示，各项评估指标均有所提升。相对误差R由33.82%降至10.97%，相对改进达67%；均方根误差R降低了0.12 g/m2；月平均NPP绝对差值M由0.45 g/m2降至0.39 g/m2，相对改进12%；年平均NPP的绝对差值M由12.04 g/m2降至9.48 g/m2。

表2 参数估计值及置信区间

表3 2010和2011年参数优化前后评价指标比对

注:R为相对误差，R为均方根误差，M为月平均NPP的绝对差值，M为年平均NPP的绝对差值。下同。

Note: Ris the relative error,Ris the root mean square error,Mis the absolute difference of the monthly mean NPP,Mis the absolute difference of the annual mean NPP. Same below.

为了验证参数优化设置在时间和空间模拟上的普适性，本文进一步模拟了2011年的区域草地生产力，如图 5b所示。可以看到参数优化后夏季草地NPP模拟结果增大，使得模拟值高于参考数据，整体模拟趋势没有得到明显改进。计算评价指标，如表3所示，相对误差R和年平均NPP的绝对差值M有所提升，因为模拟在年尺度上存在一定的误差补偿效应，参数优化后模拟的NPP年总量更接近于参考值，而从均方根误差R和月平均NPP的绝对差值M来看，模型模拟效果并未得到改善，优化参数拉大了模型在夏季同参考数据的差异，说明参数优化设置在时间上的普适性仍有待提升。由于模型模拟NPP受气象因素关系较大，尤其是降水数据，参数优化是针对某一年的气象变化来进行的，因此其在时间的转移性上表现较差。该现象与已有研究结论[10]类似，即模型部分生态参数会随时间发生变化，可能与气温降水等环境条件有关。因此后续研究可以进一步从更细的时间尺度上进行参数优化，如针对不同季节或者月份进行参数优化，建立一套随时间变化的参数优化方案。

本文进一步针对草甸草原、典型草原和低地草甸进行化模拟分析，以验证参数优化后模型在空间上的拓展性，结果如表4和图6所示。从指标上可以看出，3种草地类型各项指标均有一定的提升，其中相对误差R草甸草原由43.43%降低至37.81%，低地草甸由39.23%降低至31.17%，典型草原由42.03%降低至33.00%，分别降低了5.62、8.06和9.03个百分点，证明了参数优化在空间上的可转移性。从图6上也可以看出，模型优化后3种不同类型草地NPP模拟在夏季模拟趋势同参考数据更加接近，秋季变化较小，与前面的结果一致，无论是在时间还是空间上参数优化的结果对于模拟的年累计量均有所提升，证明了参数优化的有效性。但由于NPP模拟受到多重因素的影响，参数优化结果在时间和空间上普适性仍有待进一步提升。

图5 2010和2011年参数优化前后研究区NPP模拟结果比对

表4 不同草地类型参数优化前后评价指标比对

图6 参数优化前后不同草地类型NPP模拟对比

为了更客观地评价本文中优化结果的有效性，研究采用同类型产品交叉验证、同区域研究成果比对等方式对优化后NPP模拟精度进行进一步验证分析。首先采用GLASS年净初级生产力产品[25]对优化后NPP模拟效果进行评价，结果显示2010年目标像元处的GLASS-NPP年总量值为327.96 g/m2，而本文优化模拟结果为276.61 g/m2，2011年GLASS-NPP年总量值为333.47 g/m2，优化结果为307.66 g/m2，两者相对误差小于15%。随后基于其他学者的相关研究进一步进行比对分析，本文利用已有呼伦贝尔地区的产草量研究数据结合转换公式得到2010年陈巴尔虎旗的NPP年总量为260.96 g/m2 [26]、新巴尔虎右旗的NPP年总量为213.81 g/m2 [27]，均与目标像元的优化模拟结果接近。康振山等[28]利用BEPS模型计算了内蒙古草地2001—2015年NPP年均值为298.63 g/m2，穆少杰等[29]利用CASA模型计算2001—2010年内蒙古草地NPP年均值为281.30 g/m2，两者与本研究年均值292.135 g/m2非常接近。从上述比对结果可以看出不同模型之间估算结果存在一定的差异，但差异均在合理范围内。

4 讨 论

本文基于DREAM方法开展了CLM5.0模型在呼伦贝尔草原生产力模拟的参数优化研究。首先为了缩小优化参数空间，利用OAT局部敏感性分析方法针对CLM模型中关键参数进行筛选。虽然针对CLM5.0的BGC模块进行相关的敏感性分析的研究较少，但有研究[30]针对CLM5.0的SP模块对全球不同植被类型利用机器学习的方式进行敏感性分析，研究结果表明NPP的模拟对于参数、、等均表现出较强的敏感性，与本文的参数选取结果有所重合，证实了本文选取的参数的合理性。

本文发现部分参数如、10的估计值同预定义的最小或最大边界接近，这与BRASWELL等[24]的发现一致，这是模型结构缺陷导致。模型优化后NPP模拟仍存在低估现象，有研究认为与模型的初始状态有一定的关系，POST等[10]将初始文件中的碳氮初始变量纳入优化，优化效果优于不考虑初始变量，可见模型的初始状态对模型模拟结果有一定的影响。其次，尽管参数优化后的结果同参考数据相比还存在一定的低估现象，但同默认设置的模型相比还是有一定的提升，而且优化后的参数设定值更符合文献统计值，如文献[31]指出北温带草地10_mr取值为2±0.8，基于TRY数据库统计的内蒙古区域植被叶片碳氮比主要集中的20～25之间，两者均与本文的参数优化结果接近，证明了本研究参数估计的合理性。有学者[10]指出模型中10、等生态参数应随时间发生变化，参数取值可能与环境有关，如平均温度或土壤湿度等。本文模型优化结果中对于夏季改进效果明显，而对于秋季改进较弱说明了模型参数需要根据不同季节的环境条件进行优化，与上述学者结论一致。研究中模拟曲线与参考数据曲线比对发现，模拟曲线开始的时间点较晚，这是和模型的物候模型相关，决定了草地活跃生长的时间段，物候模型中触发生长和凋落的变量涉及到了土壤水分等其他状态变量，因此需要进一步考虑物候模块相关变量的影响来修正这一误差。

在气候模型中，很难找到能够持续提高模拟效果的最优参数值[32]，在本研究中也发现类似结果，将参数优化结果应用于其他年份时，由于草地的生长受气候因素影响较大，优化效果有所下降。有文献[31]概述了参数值在相同植被类型内的变化，这一现象会阻碍参数优化结果转移到其他区域，在特定区域优化得到的参数可能会被过度调整到特定的环境条件，但本文将优化区域的参数优化结果迁移至不同的草地类型区域，优化效果有较好的改善，证明了具有一定的空间转移性，但仍需考虑优化区域同验证区域间的距离，选取更具代表性的区域进行参数优化以实现模型单点优化区域模拟的尺度拓展。

本文采用的验证数据是基于机理性生态模型BEPS生成的，数据年总量NPP同MODIS数据接近，但受限于数据的可获取性，无法在天尺度上对其实现进一步的精度验证。但是本研究在BEPS参考数据对比分析的基础上，进一步采用GLASS-NPP产品、文献参考资料等多种方式对优化结果进行分析，多方面验证本研究提出的参数优化效果的可靠性，弥补验证数据自身精准度对分析结果的影响。后续研究将加大地面测量数据和标准参考数据的获取，提升验证数据和验证结果的可靠性。

5 结 论

CLM5.0是CLM模式的最新版本，其在草原生态系统生产力模拟方面的适用性有待进一步评估。本文选取呼伦贝尔草原作为研究区，并对草地生产力模拟的关键参数进行针对性优化，主要结论如下：

1）研究利用局部敏感性分析对于CLM5.0_BGC模块74个参数进行了分析，发现对NPP模拟最敏感的是呼吸作用类参数，其次是碳转移类参数，敏感性相对较弱的是关于维持呼吸的参数（10）。参数的后验概率分布表明参数叶片碳氮比（）、气孔导度参数（）为良性约束，表明模型优化的参考数据对其约束较大，证明了参数对于优化模型模拟的有效性。

2）模型参数优化对于优化像元有较大的提升，相对误差由33.82%降低至10.97%，相对改进了67%，均方根误差降低了0.12 g/m2，同默认参数相比，月平均NPP绝对差值改善了12%，年平均NPP差值由12.04 g/m2降低至9.48 g/m2，优化模型在夏季的模拟效果优于秋季。

3）时间上，优化模型应用于下一年度2011年时，部分评估指标有所改进，相对误差由8.74%降低至2.51%，年平均NPP绝对差值由15.64 g/m2降低至13.63 g/m2，但均方根误差和月平均NPP绝对差值没有改进，整体变化趋势改进较小；空间上，优化后的模型应用于不同类型草原精度均有所提升，其中草甸草原相对误差由43.43%降低至37.81%，低地草甸由39.23%降低至31.17%，典型草原由42.03%降低至33.00%，参数优化后的CLM模型在呼伦贝尔草地NPP模拟上具有更好的普适性。

[1] 闫瑞瑞，唐欢，丁蕾，等. 呼伦贝尔天然打草场分布及生物量遥感估算[J]. 农业工程学报，2017，33(15)：210-218. YAN Ruirui, TANG Huan, DING Lei, et al. Natural mowing grassland resource distribution and biomass estimation based on remote sensing in Hulunber[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 210-218. (in Chinese with English abstract)

[2] 沈贝贝，魏一博，马磊超，等. 内蒙古草原植被覆盖度时空格局变化及驱动因素分析[J]. 农业工程学报，2022，38(12)：118-126. SHEN Beibei, WEI Yibo, MA Leichao, et al. Spatiotemporal changes and drivers of fractional vegetation cover in Inner Mongolia grassland of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(12): 118-126. (in Chinese with English abstract)

[3] 刘艳，聂磊，杨耘. 基于植被指数估算天山牧区不同利用类型草地总产草量[J]. 农业工程学报，2018，34(9)：182-188. LIU Yan, NIE Lei, YANG Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182-188. (in Chinese with English abstract)

[4] 金林雪，刘昊，王海梅. 呼伦贝尔不同生态区生长季降水集中度和集中期时空变化特征[J]. 干旱气象，2018，36(3)：390-396. JIN Linxue, LIU Hao, WANG Haimei. Spatial and temporal variation characterisrtics of PCD and PCP in growing season in different ecological regions of Hulunbeir[J]. Journal of Meteorology, 2018, 36(3): 390-396. (in Chinese with English abstract)

[5] 乔郭亮，金晓斌，顾铮鸣，等. 2000—2018年天山中段高海拔草地暖季承载力[J]. 农业工程学报，2021，37(22)：253-261. QIAO Guoliang, JIN Xiaobin, Gu Zhengming, et al. Carrying capacity of high-altitude grassland in warm seasons in the middle section of Tianshan Mountain from 2000 to 2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 253-261. (in Chinese with English abstract)

[6] 尹小君，祝宏辉，Gao Gerry，等. 气候变化和人类活动对天山北坡净初级生产力变化的影响[J]. 农业工程学报，2020，36(20)：195-202. YIN Xiaojun, ZHU Honghui, GAO Jerry, et al. Effects of climate change and human activities on net primary productivity in the Northern Slope of Tianshan, Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 195-202. (in Chinese with English abstract)

[7] 苏胜涛，曾源，赵旦，等. 中国陆地植被净初级生产力估算模型优化与分析：基于中国生态系统研究网络数据[J]. 生态学报，2022，42(4)：1276-1289. SU Shengtao, ZENG Yuan, ZHAO Dan, et al. Optimization of net primary productivity estimation model for terrestrial vegetation in China based on CERN data[J]. Acta Ecologica Sinica, 2022, 42(4): 1276-1289. (in Chinese with English abstract)

[8] 崔林丽，杜华强，史军，等. 中国东南部植被NPP的时空格局变化及其与气候的关系研究[J]. 地理科学，2016，36(5)：787-793. CUI Linli, DU Huaqiang, SHI Jun, et al. Spatial and temporal pattern of vegetation NPP and its relationship with climate in the Southeastern China[J]. Scientia Geographica Sinica, 2016, 36(5): 787-793. (in Chinese with English abstract)

[9] BIRCH L, SCHWALM C, NATALI S, et al. Addressing biases in Arctic-Boreal carbon cycling in the Community Land Model Version[J]. Geoscientific Model Development, 2021, 14(6): 3361-3382.

[10] POST H, VRUGT J, FOX A, et al. Estimation of community land model parameters for an improved assessment of net carbon fluxes at European sites: Estimation of CLM parameters[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122, 661-689.

[11] 谢志鹏，胡泽勇，刘火霖，等. 陆面模式CLM4. 5对青藏高原高寒草甸地表能量交换模拟性能的评估[J]. 高原气象，2017，36(1)：1-12. XIE Zhipeng, HU Zeyong, LIU Huolin, et al. Evaluation of the surface energy exchange eimulations of land surface model CLM4. 5 in Alpine Meadow over the Qinghai-Xizang Plateau[J]. Plateau Meteorology, 2017, 36(1): 1-12. (in Chinese with English abstract)

[12] WANG Y Y, XIE Z H, JIA B H, et al. Improving simulation of the terrestrial carbon cycle of china in version 4. 5 of the Community Land Model using a revised Vcmax scheme[J]. Atmospheric and Oceanic Science Letters, 2015, 8(2): 88-94.

[13] BILIONIS I, DREWNIAK B A, Constantinescu E M. Crop physiology calibration in the CLM[J]. Geoscientific Model Development., 2015, 8(4): 1071-1083.

[14] MAO J, RICCIUTO D M, THORNTON P E, et al. Evaluating the community land model in a pine stand with shading manipulations and13CO2labeling[J]. Biogeosciences, 2016, 13(3): 641-657.

[15] HE J, YANG K, TANG W, et al. The first high-resolution meteorological forcing dataset for land process studies over China[J]. Scientific Data, 2020, 7: 25.

[16] HE Q, JU W, DAI S, et al. Drought risk of global terrestrial gross primary productivity over the last 40 years detected by a remote sensing-driven process model[J]. Journal of Geophysical Research: Biogeosciences, 2021, 126: e2020JG005944.

[17] THORNTON P E. Carbon-nitrogen interactions regulate climate-carbon cycle feedbacks: Results from an atmosphere-ocean general circulation model[J]. Biogeosciences., 2009, 6: 2099-2120.

[18] LAWRENCE D M, FISHER R A, KOVEN C D, et al. The Community land model version 5: Description of new features, benchmarking, and impact of forcing uncertainty[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(12): 4245-4287.

[19] 李一哲，张廷龙，刘秋雨，等. 生态过程模型敏感参数最优取值的时空异质性分析：以BIOME-BGC模型为例[J]. 应用生态学报，2018，29(1)：84-92. LI Yizhe, ZHANG Tinglong, LIU Qiuyu, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in ecological process model: The BIOME-BGC model as an example. [J]. Chinese Journal of Applied Ecology, 2018, 29(1): 84-92. (in Chinese with English abstract)

[20] VRUGT J A, BRAAK C T, DIKS C G H, et al. Accelerating markov chain monte carlo simulation by differential evolution with self-adaptive randomized subspace sampling[J]. International Journal of Nonlinear Sciences and Numerical Simulation, 2009, 10(3): 273-290.

[21] VRUGT J. Markov chain Monte Carlo simulation using the DREAM software package: Theory, concepts, and MATLAB implementation[J]. Environmental Modelling & Software, 2016, 75: 273-316.

[22] DE KAUWE M G, KALA J, LIN Y S, et al. A test of an optimal stomatal conductance scheme within the CABLE land surface model[J]. Geoscientific Model Development., 2015, 8(2): 431-452.

[23] WANG Z Q, LV S Q, SONG H, et al. Plant type dominates fine-root C: N: P stoichiometry across China: A meta-analysis[J]. Journal of Biogeography, 2020, 47(5): 1019-1029.

[24] BRASWELL B H, SACKS W J, LINDER E, et al. Estimating diurnal to annual ecosystem parameters by synthesis of a carbon flux model with eddy covariance net ecosystem exchange observations[J]. Global Change Biology, 2005, 11(2): 335-355.

[25] ZHENG Y, SHEN R, WANG Y, et al. Improved estimate of global gross primary production for reproducing its long-term variation, 1982–2017[J]. Earth System Science Data, 2020, 12(4): 2725-2746.

[26] 郭阳，贾志斌，张琪，等. 基于遥感数据的内蒙古呼伦贝尔草原草畜平衡时空动态研究[J]. 中国草地学报，2021，43(4)：30：37. GUO Yang, JIA Zhibin, ZHANG Qi, et al. Study on the spatiotemporal dynamics of Forage-Livestick Balance in Hulunbuir grassland of Inner Mongolia based on remote sensing data[J]. Chinses Joural of Grassland, 2021, 43(4): 30: 37. (in Chinese with English abstract)

[27] 贾立国. 呼伦贝尔草原产草量动态变化研究—以新巴尔虎右旗为例[D]. 石家庄：河北师范大学，2012. JIA Liguo. The Hulunbeier Grass Production Dynamic Changes-Xin Barag Youqi for Example[D]. Shijiazhuang: Heibei Normal University,2012.

[28] 康振山，张莎，白雲，等. 内蒙古草地净初级生产力时空变化及其对干旱的响应[J]. 草地学报，2021，29(1)：156-165. KANG Zhenshan, ZHANG Sha, BAI Yun, et al. Spatio-temporal changes of grassland net primary productivity (NPP) in Inner Mongolia and its response to drought[J]. Acta Agrestia Sinica, 2021, 29(1): 156-165. (in Chinese with English abstract)

[29] 穆少杰，李建龙，杨红飞，等. 内蒙古草地生态系统近10年NPP时空变化及其与气候的关系[J]. 草业学报，2013，22(3)：6-15. MU Shaojie, LI Jialong, YANG Hongfei, et al. Spatio-temporal variation analysis of grassland net primary productivity and its relationship with climate over the past 10 years in Inner Mongolia[J]. Acta Prataculturae Sinica, 2013, 22(3): 6-15. (in Chinese with English abstract)

[30] DAGON K, SANDERSON B M, FISHER R A, et al. A machine learning approach to emulation and biophysical parameter estimation with the community land model, version 5[J]. Advances in Statistical Climatology, Meteorology and Oceanography, 2020, 6(2): 223-244.

[31] KUPPEL S, PEYLIN P, CHEVALLIER F, et al. Constraining a global ecosystem model with multi-site eddy-covariance data[J]. Biogeosciences Discussions, 2012, 9: 3757-3776.

[32] WILLIAMSON D, BLAKER A, HAMPTON C, et al. Identifying and removing structural biases in climate models with history matching[J]. Climate Dynamics, 2015, 45, 1299-1324.

Optimization of the simulated parameters of grassland productivity using CLM5.0 in Hulunbuir of Inner Mongolia

YANG Qian1,2,5, ZHU Xiaohua1,5※, ONYANG Guangzhou1,5, MA Lingling1,5, LIU Wei4, WANG Kun1,3

(1.,,100094,; 2.,,,100049,;3.,,100049; 4.,,100049;5.,,100094,)

Net primary productivity (NPP) can be one of the most important indicators to evaluate the ecosystem structure and function in grassland protection. Therefore, it is necessary to rapidly and accurately evaluate the NPP under the carbon cycle of the ecosystem. The land surface process model can be used to realize the time series simulation of NPP using the physical mechanism. However, the default parameters of the models cannot be suitable for the target area, leading to the simulation deviation. There is also limited cognition of the physiological and biochemical characteristics of vegetation. Therefore, it is a high demand to optimize the parameters, when applied to the target area. The CESM framework has recently released the land surface model CLM5.0, indicating the most promising land surface process model for the evaluation of grassland productivity. In this study, the spatiotemporal simulation of grassland productivity was carried out in the Hulunbuir grassland, Inner Mongolia, China. Firstly, the local sensitivity analysis was used to choose the ten sensitive parameters of the CLM5.0_BGC module. Taking the global daily NPP data products as the reference, the Differential Evolution Adaptive Metropolis (DREAM) was then utilized to optimize ten sensitive parameters after sensitivity analysis. The accuracy of optimization was verified using global daily NPP data and GLASS annual net primary productivity products. Finally, the parameter setting was established for the CLM5.0 model for the grassland productivity simulation. The results were as follows: 1) Local sensitivity analysis was conducted to determine 74 parameters of the CLM5.0_BGC module. The most sensitive parameters were obtained to simulate the grassland productivity, including respiration, followed by carbon transfer. 2) Similar to the leaf C/N ratio, the Gaussian distribution was found in the posterior probability distribution in the slope parameter of the relationship between the stomatal conductance and photosynthesis. The optimization was observed in the benign constraint. The effectiveness of the carbon/nitrogen correlation and respiration parameters were verified to simulate the optimized model. 3) Parameter optimization effectively improved the simulation performance of CLM5.0 on the productivity of the grassland. The parameter optimization of the model shared a great improvement for the targeted pixel, where the relative error decreased from 33.82% to 10.97%, a relative improvement of 67%, and root mean square error decreased by 0.12 g/m2. The optimization effect of the model in summer was also better than that in autumn. 4) The grassland productivity in the next year was evaluated on the simulation with the optimized parameter, where the relative error decreased from 8.74% to 2.51%, and the absolute difference in annual mean indexdecreased from 15.64 g/m2to 13.63 g/m2. Spatially, the accuracy of the optimized model was improved in the different types of grassland. Among them, the relative errors of meadow grassland, lowland meadow, and typical grassland decreased from 43.43% to 37.81%, from 39.23% to 31.17%, and from 42.03% to 33.00%, respectively. The root mean square error was reduced from 0.58 g/m2to 0.52 g/m2in the meadow grassland, from 0.62 g/m2to 0.57 g/m2in the lowland meadow, and from 0.51 g/m2to 0.44 g/m2in the typical grassland. The finding can provide a strong reference to simulate the grassland productivity in the Hulunbuir region using CLM5.0. There can be offered a positive role in the reasonable assessment of the grassland ecosystem under the carbon cycle.

model; parameter optimization; grassland NPP; sensitivity analysis; hulunbuir grassland

10.11975/j.issn.1002-6819.202211161

S283

A

1002-6819(2023)-06-0139-10

杨倩，朱小华，欧阳光洲，等. 基于CLM5.0的内蒙古呼伦贝尔草地生产力模拟参数优化[J]. 农业工程学报，2023，39(6)：139-148.doi：10.11975/j.issn.1002-6819.202211161 http://www.tcsae.org

YANG Qian, ZHU Xiaohua, ONYANG Guangzhou, et al. Optimization of the simulated parameters of grassland productivity using CLM5.0 in Hulunbuir of Inner Mongolia[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(6): 139-148. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202211161 http://www.tcsae.org

2022-11-18

2023-02-15

中国科学院战略性先导科技专项（A类）（XDA26010203-4）；内蒙古自治区科技重大专项（2021ZD0044）；中科院空天院“未来之星”人才计划项目

杨倩，研究方向为生态遥感应用研究。Email：18406599545@163.com

朱小华，博士，研究方向为植被定量遥感机理与应用研究。Email：zhuxh@aircs.ac.cn