基于BEPS-Terrainlab V2.0模型的鄂西犟河流域NPP模擬及環境響應分析

陳佩佩, 張利華, 崔越, 陳俊宏

(中國地質大學(武漢)地理與信息工程學院,武漢 430074)

0 引言

植被凈初級生產力(net primary productivity, NPP)是指在單位時間、單位面積內,植被通過光合作用得到的全部有機物去除植物呼吸消耗能量后的剩余部分[1],NPP不僅在碳循環中發揮著無可代替的作用,同時在生態系統中也扮演著不可或缺的角色[2],很多國際研究項目,如“生物圈計劃”、“世界氣候研究計劃”都把它列為研究的中心內容[3]。目前,在環境問題以及碳循環備受關注的同時,研究植被凈初級生產力以及其影響因子對減緩全球變暖以及分析區域生態系統循環過程等研究具有重要意義。

獲取NPP的方法有很多: 站點實測法、遙感數據產品以及模型模擬等。建立實測站點受研究區域條件影響較大并且只適用于小范圍研究區域,人力耗費較大。MODIS 的NPP產品(MOD17A3)目前是廣泛被認可和應用的數據產品,但是此產品時間分辨率為1 a,不適合研究較小時間尺度上的NPP情況,且空間分辨率為500 m×500 m,數據缺失像元較多,對于小流域尺度的NPP空間異質性分析適用性不強。隨著遙感技術的不斷發展,遙感資料覆蓋范圍廣,更新速度快,遙感數據結合生態模型進行NPP的估算成為當前的研究熱點之一,例如BEPS-Terrainlab模型[4]、InIEC模型[5]、BIOME-BGC[6]模型等。其中BEPS-Terrainlab模型是BEPS生態模型[7]和Terrainlab分布式水文模型[8]的耦合,是遙感驅動的生態過程模型,在實踐運用的過程中形成了不同的版本[9]。BEPS-Terrainlab V2.0在模擬水文循環過程時不僅考慮了地表覆蓋、植被結構、土壤特性等地理因素,同時還引入太陽輻射、降水等氣候因素對結果的影響; 另外考慮到地形因素以及陰陽葉對生態水文循環的影響,輸出數據的空間分辨率為30 m×30 m,以日為時間步長,對于小流域尺度生態水文參數(如NPP,ET等)的時空演變分析更具有適用性。

犟河流域是南水北調水源保護的核心區域,本文在進行模型模擬精度分析的基礎上,基于BEPS-Terrainlab V2.0模型對流域1986—2017年NPP的時空分布特征進行模擬,獲得流域高分辨率的NPP分布數據,并探討NPP時空演變特征及其對地形、土地覆蓋、氣候變化等因子的環境響應,模擬結果對流域植被保護、生態恢復以及碳循環特征等均具有重要的借鑒意義。

1 研究區概況

犟河是堵河的一級支流,河流總長50 km,發源于張家灣區的花果街道,共有大小支流22條,于黃龍鎮東灣村處與堵河進行交匯,隨堵河一起流入丹江口水庫。犟河流域(圖1)位于湖北省十堰市城區西部,地理坐標為E110°33′50″～110°42′9″,N32°27′27″～32°42′60″,流域面積326 km2,整體地勢西南高、東北低,流域海拔范圍為139～1 441 m。流域位于亞熱帶季風區,降雨以每年6—9月為主,年降雨量800～1 000 m。植被覆蓋度較高,森林覆蓋范圍較廣,主要植被類型有暖溫帶落葉闊葉林、暖溫帶常綠針葉林、針闊混交林等。

2 數據與方法

2.1 BEPS-TerrainlabV2.0模型原理

BEPS-TerrainlabV2.0包含冠層輻射傳輸、碳循環、水循環、生理調節等模塊[10],模型輸入數據包括高程、坡度坡向、土壤質地、氣象、土地覆蓋類型、葉面積指數(leaf area index, LAI),空間分辨率為30 m×30 m。模型輸出數據包括蒸散發、總初級生產力、凈初級生產力、地表徑流、地下水位、土壤溫度和土壤濕度等生態水文數據,以日為時間步長,空間分辨率與輸入數據一致。其在模擬植物光合作用時將植物葉片劃分為陽葉和陰葉[11],分別計算陽葉和陰葉的光合過程,利用逐日積分方法在時間上進行了擴展,獲得植被的總初級生產力,在扣除植物自身呼吸之后,獲得植物的凈初級生產力[12]。

1)將冠層分為陽葉與陰葉分別計算植被冠層葉面積指數,公式為:

(1)

,

(2)

式中:LAI為葉面積指數;LAIsun和LAIshade分別為陽葉、陰葉的植被冠層葉面積指數;θ為太陽高度角; Ω為葉片聚集度指數。

2)計算植被冠層總初級生產力GPPcanopy,公式為:

,

(3)

式中:Asun和Ashade分別為陽葉、陰葉的凈同化速率( mol·m-2·s-1)。

3)計算NPP,NPP通過GPP扣除植物自養呼吸(Ra)后得到,自養呼吸由生長呼吸(Rg)和維持性呼吸(Rm)2部分組成,公式為:

,

(4)

,

(5)

,

(6)

,

(7)

式中:GPP為總初級生產力;i是指植被的不同組分(1,2,3分別代表葉、莖、根)。

2.2 數據源及其預處理

1)高程數據。數據源自地理空間數據云(http: //www.gscloud.cn/)的SRTM1 DEM數據,空間分辨率為30 m,下載影像行列號為path110/row032。使用ArcGIS軟件對DEM數據進行處理,通過水文分析等工具可以獲得研究流域邊界,同時可以獲取研究區域坡度、坡向數據以及裁剪其他數據的掩模。

2)遙感數據。數據源自美國地質調查局官網(http: //glovis.usgs.gov/)的Landsat5-8影像數據,選取生長季(5—9月)影像進行下載,空間分辨率為30 m×30 m,下載影像行列號為path125/row037,2013年前使用Landsat5數據,2013年后使用Landsat8數據。在ENVI中對下載的遙感影像數據進行預處理后使用流域邊界數據進行批量裁剪,使用神經網絡法進行土地覆蓋類型分類,將土地覆蓋類型分為闊葉林、水體、城鎮、針葉林、混交林、裸地、農田7種,以5 a為間隔進行土地覆蓋分類。模型需要輸入時間序列LAI,建立常用植被指數(歸一化植被指數、比值植被指數、差值植被指數、調整土壤亮度植被指數、大氣阻抗植被指數)與野外實測LAI值的回歸模型,選取了線性方程中R2最高的反演模型,即RVI與LAI的線性擬合方程,公式為:

LAI=1.073 5RVI-5.321 9

。

(8)

在ENVI中使用波段運算得到RVI,再通過此方程計算LAI 。

3)氣象數據。獲取到的十堰市氣象數據包括1986—2017逐年間日尺度的最高溫、最低溫、平均氣溫以及降水。使用Magnus-Tentens近似法將缺少的露點溫度補充完整。研究區域所屬地級市無太陽輻射數據,使用反距離加權法將研究區域周圍4個方向的城市氣象站(安康、侯馬、南陽、宜昌)的太陽輻射數據進行加權平均,得到的數據來代替研究區域的輻射數據輸入模型。

4)土壤數據。野外采集土壤樣品,通過馬爾文3000高分辨激光粒度儀測量土壤粒度,在ArcGIS中通過克里金插值繪制研究區域內每種粒度的分布圖,在ENVI中通過波段運算將砂土、壤質砂土、砂質壤土和粉砂壤土4種不同土壤質地像元分別賦值為10,20,30和40。

2.3 研究方法

2.3.1 一元線性回歸分析法

本研究采用一元線性回歸分析法逐像元對犟河流域植被凈初級生產力在1986—2017年間變化趨勢進行分析,計算公式[13]為:

,

(9)

式中:n為時間序列的年份數,應用到本研究中n值取32;i為時間變量,i=1,2,…,n;Ni指第i年的NPP均值;slope為研究因子的變化趨勢,slope>0時說明在研究時間范圍內NPP值呈增長趨勢,slope<0時NPP值呈減少趨勢,slope數值的大小表示NPP值增長或減少的幅度。

2.3.2 M-K突變檢驗

M-K檢測可判定時間序列中有無突變,若有,則判定突變發生的時間[14]。通過定義UF,UB這2個統計量來分析樣本時間序列的變化趨勢,UF>0說明變化趨勢持續增長,UF與UB相交于置信區間 [-1.96,1.96]內,說明該交點對應年份的相關數據在變化趨勢上產生突變情況。

2.3.3 線性回歸分析

線性回歸的過程就是把各個自變量和因變量的值建立回歸方程后,通過逐步迭代與擬合,找出回歸方程式中的各個系數,構造出一個函數式,使用線性回歸參數判斷自變量和因變量的關系,由于本研究自變量較多,故而使用偏相關系數來進行相關性分析,能夠在一定程度上減少自變量直接的相關性對分析結果的影響。

3 結果與分析

3.1 模型精度分析

3.1.1 通量站數據驗證

由于研究區域范圍內沒有建立通量站,于是本次研究獲取大九湖盆地的渦度相關系統NPP通量數據,獲取的數據時間范圍是2016年1月1日—2016年11月21日。大九湖盆地地理位置處于湖北省神農架林區西部,距離研究區130余km,通過臨近地區通量站的數據來進行模型模擬精度的檢驗,繪制實測值和模擬值的變化趨勢圖見圖2。在圖2中可以看到模擬值和實測值變化趨勢大致相同,且吳宗釩在大九湖區域采用BEPS-TerrainlabV2.0模型模擬NPP值與大九湖實測NPP值擬合R2=0.85[15],可以說明該模型在模擬小流域生態水文過程上具有適用性,模擬結果具有分析價值。

圖2 犟河流域模擬NPP與大九湖實測NPP數據對比圖

3.1.2 NPP產品數據交叉驗證

MODIS的MOD17A3是NPP產品(圖3),時間分辨率為1 a,空間分辨率為500 m, MODIS數據在該研究范圍內存在較多空白值,且像元數量較少(共有1 471個有值像元),因而MODIS數據在小空間尺度研究上存在局限性。將模型模擬的不同覆蓋類型的年總NPP與其他模型模擬的NPP值進行對比,結果如表1。從表中可以看出,模型模擬得到的值略高,但不同植被覆蓋類型NPP值的大小關系基本相同。

表1 BEPS-Terrainlab V2.0模型模擬土地覆蓋類型NPP數據與其他模擬或實測值對比

圖3 MOD17A3數據空間分布

3.2 時間變化規律

3.2.1 時間分析

模型運行輸出后得到的是1986—2017年間日尺度的NPP數據,依據不同的時間單位,可以從年尺度和日尺度上2個方面上對NPP進行時間變化的分析。以日為時間尺度,用來描述NPP在一年內的變化,將具體年份的年內變化進行匯總得到NPP年內變化的多年平均值,見圖4。

圖4 犟河流域NPP年內多年平均變化

可以發現NPP年內多年平均隨時間變化的走向呈單峰式變化,先升后降。冬季(1—60天、330—365天)值最低,春季(60—150天)呈上升的趨勢,夏季(150—240天)時達到了峰值,也是NPP數值最高的階段,秋季(240—330天)NPP呈緩慢下降的趨勢。從NPP變化的趨勢可以看出,在夏季(150—240天)內有突然下降的波動,并且在秋季(240—330天)存在短暫波動較大的情況。

以年為時間尺度,統計1986—2017多年年總NPP,反映多年來研究區域NPP變化的情況,見圖5。

圖5 犟河流域NPP多年年總變化

由圖5可知,年總NPP大體變化趨勢為波動上升,最低值出現在1995年,NPP值為911.86 gC·m-2·a-1,最高值出現在2007年,值為1 482.28 gC·m-2·a-1,1986—2017年間NPP的多年平均值為1 232.70 gC·m-2·a-1。

3.2.2 突變檢驗

使用DSP數據處理系統對多年年總NPP進行M-K檢驗,結果如圖6(a)所示,Uf-UB曲線在置信水平區間內相交于2004年,說明NPP時間序列在99%置信水平下突變于2004年,以2004年為分界點繪制多年年際NPP變化趨勢圖,如圖6(b),可以看到2004年之后NPP的變化幅度明顯大于2004年以前,2004年以前,NPP總體變化趨勢較為平緩,2004年以后NPP變化趨勢明顯增大。

(a) M-K檢驗結果 (b) NPP變化趨勢

3.3 空間變化規律

在ENVI中將模型輸出的1986—2017年的年總NPP數據進行波段合成,輸出研究區域多年平均NPP影像,能夠得到研究區域多年平均NPP在空間上的分布,如圖7(a)所示,通過一元線性回歸分析對1986—2017年NPP數據進行分析,得到這32 a間NPP在空間上的變化趨勢值,如圖7(b)所示。

(a) 總NPP空間分布圖 (b) 空間變化趨勢圖

多年NPP在空間上分布呈現南高北低的分布,南部最高可達到1 925 gC·m-2·a-1,在主流域附近NPP的值最低,受地勢及不同土地覆蓋類型的影響,NPP的分布在空間上呈現差異性,圖7(b)為1986—2017年NPP值在空間上變化的趨勢,在大部分區域NPP值都呈現增加的趨勢,在河流區域變化不大。

3.4 環境影響因子分析

3.4.1 土地覆蓋因子

研究區域土地覆蓋類型分為7類,主要有針葉林、闊葉林、混交林、水體、農田、裸地和城市。由于裸地以及水體植被覆蓋度較低且分布面積占比不是很大,于是就其他5類類型數據來分析NPP的分布情況。由圖8(a)可見,不同植被覆蓋類型的NPP不同: 闊葉>混交>針葉>農田>城市,結果與薛梅在東北地區估算的不同植被類型的NPP大小排序結果相同[19]。其中混交林NPP的值最高,其次針葉林NPP值略高于闊葉林。

(a) 土地覆蓋因子 (b) 土壤因子 (c) 高程因子

3.4.2 土壤因子

將研究區NPP分布按照不同土壤質地進行劃分,繪制箱線圖如圖8(b),犟河流域不同土壤類型平均NPP按大小排序為: 砂土(1 363.8 gC·m-2·a-1)>砂質壤土(1 177.1 gC·m-2·a-1)>壤質砂土(1 348.6 gC·m-2·a-1)>粉砂壤土(932.9 gC·m-2·a-1)。

3.4.3 地形因子

將研究區NPP分布按照不同高程進行劃分如圖8(c),得到年總NPP隨高程每增加100 m的變化趨勢,NPP隨著海拔的上升而增加,在100～900 m呈上升趨勢,在高程為900 m時達到最大值而后變化趨勢逐漸趨于平穩,這與植被的垂直分布有關,在高程為900～1 300 m時,土地覆蓋類型為針葉林和混交林,根據前文中已知混交林和針葉林的NPP值較高于其他土地覆蓋類型。

3.4.4 氣象因子

影響NPP的變化的氣象因素有很多,諸如溫度、輻射以及降水等,采用線性回歸分析分析來探討NPP與這些氣象因子的相關性,可以進行較長尺度下的氣象影響因素的分析。在SPSS中添加因變量年內NPP以及年際NPP數據和自變量氣溫、降水、輻射、風速、LAI等自變量數據,對這些數據進行線性回歸分析,由于自變量間可能存在互相影響,探討各自變量對于因變量的影響力大小時,選擇以偏相關系數大小為判斷依據,以標準化回歸系數作為參考(表2)。

表2 日尺度NPP線性回歸方程參數

由表2可以看出,影響力最高的是太陽輻射,偏相關系數為0.647,P值小于0.001,說明輻射與NPP顯著性正相關; 其次溫度的偏相關系數為0.637,P值小于0.001,具有顯著正相關,說明溫度對NPP影響也較大。降水與風速的P值較大,與NPP存在弱負相關的關系,對NPP的影響較小(表3)。

表3 年尺度NPP線性回歸方程參數

由表3可知,偏相關系數最高的是LAI,P值小于0.001,屬于極顯著正相關,降水偏相關系數為0.305,影響力有所提升; 溫度對年尺度NPP的影響顯著降低,其他因素對年尺度NPP的影響都較小,偏相關系數較低且P值較大。

4 結論

本研究基于遙感以及氣象等數據結合BEPS-TerrainlabV2.0模型對湖北省十堰市犟河流域1986—2017年NPP進行分析,討論了其時空分布以及與環境因子的相關性分析,結果表明:

1)與相近地區通量站數據以及MODIS數據進行分析,驗證了該模型對于較小空間尺度的適用性,同時與其他數據產品進行交叉驗證,證實了模型結果的可用性。

2)犟河流域NPP的年際變化具有波動性,空間上總體分布南高北低,不同植被類型的NPP模擬值為闊葉>混交>針葉>農田>城市; 不同土壤類型NPP值為砂土>砂質壤土>壤質砂土>粉砂壤土,同時NPP值隨著海拔的上升而增加,在海拔為900 m以上時,增加的趨勢逐漸趨于平緩。

3)日尺度上,氣象因素對NPP影響較大,太陽輻射和溫度與NPP的偏相關系數達到0.6左右,較長時間尺度上NPP對LAI的反響最強。

同時由于選取區域較小,無通量站觀測數據,且目前國內存在的NPP數據產品大多是500 m分辨率,在對模型結果精度驗證上有一定的局限性,考慮在后續的實驗中進一步改進模型結果的驗證準確性。