基于生态过程模型的哈尔滨市净初级生产力模拟和分析1)

毛学刚 陈文曲 胡屾 刘骏

(东北林业大学，哈尔滨，150040) (国家林业局华东林业调查规划设计院)



基于生态过程模型的哈尔滨市净初级生产力模拟和分析1)

毛学刚 陈文曲 胡屾 刘骏

(东北林业大学，哈尔滨，150040) (国家林业局华东林业调查规划设计院)

净初级生产力(NPP)是衡量陆地生态系统碳源(汇)的重要参数，为准确模拟城市NPP及研究城市NPP空间分布特征。以哈尔滨市为研究对象，以Landsat-5 TM遥感数据、MODIS的叶面积指数(LAI)数据和气象要素等资料为基础数据，采用基于过程的北部森林生态系统生产力模拟模型(BEPS)，模拟获得哈尔滨市NPP空间分布特征图，并对NPP时空变化进行分析。结果表明：哈尔滨北部及西南部NPP整体比较高，哈尔滨西部及东北部NPP整体比较低，主要与研究区土地覆盖类型有关。哈尔滨市2011年NPP积累总量为2.427×1013g·a-1，NPP年平均值为511 g·m-2·a-1。哈尔滨市NPP积累主要在7、8月份，NPP年积累值在7月份达到最高值。通过采用通量数据及MODIS的NPP产品验证可知，BEPS模型能够较好地估算哈尔滨市植被NPP。为揭示城市NPP变化的影响因素(气候、地域等)提供技术支持，也可为城市生态建设提供参考。

生态过程模型；净初级生产力；叶面积指数；哈尔滨市

BEPS； Net primary productivity (NPP)； LAI； Harbin

植被净初级生产力(NPP)是绿色植物在单位时间、单位面积内净增长的有机干物质，是植物光合作用产生的有机质总量扣除自养呼吸后的剩余部分[1]。NPP作为陆地碳循环的重要组成部分，不仅能反映在自然环境下植物群落的生产能力，指示陆地生态系统的发展状态，而且是判定生态系统为碳源(汇)和调节生态过程的重要因子，在全球变化及碳循环中起着关键作用[2]。植被NPP的估算有站点实测法和模型模拟法。站点实测法比较适合于小区域的调查或者单一的植被覆盖区域。常用的森林样地清查的NPP数据估算城市林地的碳储存能力[3]，然而城市植被覆盖有高度时空变化的特征，全面测量大范围的NPP较难，借助于模型和遥感数据更为有效[4-6]。NPP估算模型主要分为经验模型和过程模型，这两种模型虽然不同程度地都加入了遥感信息，但是过程模型与经验模型相比具有明显的优势[7]。北部森林生态系统生产力模拟模型(BEPS)，融合多源数据，作为模型的输入数据，并耦合了碳水过程，是模型模拟陆地生态系统净初级生产力很好的选择，在国内外已经得到了广泛的应用[8-10]。目前关于城市陆地生态系统NPP模拟估算有很多[11-17]，但关于有效地估算城市植被NPP空间分布的研究不多。

由于地理位置的影响，气候因素具有地理地带性的特征，因此，不同区域气候要素对NPP的影响都有各自的特点。在地理分布上，北半球中高纬度有巨大的森林生态系统，对全球碳循环的平衡有重要的价值，在全球碳循环动力学研究中受到越来越多的关注。黑龙江省森林是亚洲北方森林带的重要组成部分，哈尔滨市作为中国北方城市的代表，具有独特的气候特征。因此，本研究以哈尔滨市生态系统为研究对象，采用GIS、RS技术，结合BEPS模型对研究区植被NPP进行模拟，研究哈尔滨市植被NPP的空间格局，为预测城市陆地生态系统碳汇能力提供理论依据。

1 研究区概况

哈尔滨市位于黑龙江省西南部(125°42′～130°10′E，44°04′～46°40′N)，是中国位置最北、纬度最高的省会城市(见图1)。管辖7个县、9个市辖区，代管2个县级市，总面积约为5.4×104km2，农田面积约占58%，森林面积约占31%。哈尔滨市区及呼兰区、双城区地势低洼、平坦，东部县(市)多丘陵及山地。北部为小兴安岭山区，中部有松花江通过，东南临张广才岭支脉丘陵。该区属于中温带大陆性季风气候，冬季寒冷漫长，夏季凉爽短暂，年均气温-2.4 ℃，1月份平均气温-19 ℃，7月份平均气温23 ℃。年平均降水量569.1 mm。主要树种有樟子松(Pinussylvestrisvar.mongolica)、落叶松(Larixgmelinii)、红松(Pinuskoraiensis)、白桦(Betulaphatyphylla)、椴树(Tiliaamurenisis)、水曲柳(FraxinusrhynchophyllaHance)等。

图1 研究区域

2 研究方法

2.1 数据收集及处理

土地覆盖类型：土地覆盖类型是生态过程模型一个关键输入参数，代表着地物的属性状态，直接影响模型模拟结果。土地覆盖类型提取采用的是空间分辨率30 m的Landsat-5 TM遥感影像，该数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站。在对遥感数据进行预处理(几何校正、辐射定标、大气校正、镶嵌裁切等)的基础上，采用相对成熟的最小距离法，将哈尔滨市划分为针叶林、阔叶林、混交林、农田、城市及裸地、水体6种类型(见图2)，分类总体精度为86%，能够满足模型输入数据的要求。

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2011年MODIS的LAI数据产品(MOD15A)，空间分辨为1 km×1 km，时间分辨为8 d。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(LACC)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LAI数据进行处理。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。MODIS LAI重采样分辨率为30 m，获得2011年的LAI时间序列数据。采用2016年卢伟等[19]提出的针对中小区域尺度时间序列LAI快速估测方法，即提取林地MODIS LAI的归一化生长曲线，并结合传统遥感统计模型和TM遥感数据，估测展叶完全期的LAI，作为研究区LAI最大值并与归一化的LAI拟合函数相乘得到降尺度的时间序列LAI数据，最终获得空间分辨率为30 m的LAI数据。

图2 哈尔滨市土地覆盖类型图

气象数据：每日气象数据由国家气象信息中心提供，哈尔滨市及周围共有11个气象站点和1个辐射站点(见图3)。

图3 哈尔滨市及周围气象站点

除总太阳辐射以外,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[20]。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[21]。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。采用辐射站点的日值数据，代替整个哈尔滨市的逐日太阳辐射，使用ArcGIS10.0软件将站点数据转化为1 km分辨率的栅格数据。

土壤有效持水力：土壤有效持水力(AWC)数据采用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30 m×30 m的分辨率。哈尔滨市绝大多数像元的AWC值在0.05～0.25 mm。

通量数据：采用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(NEE)、总初级生产力和生态系统呼吸。

2.2 BEPS模型

BEPS模型是在FOREST-BGC、Farquhar、Penman-Monteith模型的基础上发展起来的遥感机理模型，模型的详细描述请参见文献[22-23]。该模型最初采用分辨率为1 km的MODIS遥感数据，对加拿大北方森林生态系统的NPP进行模拟。该模型综合运用了生态学、生物物理学、植物生理学、气象学和水文学的方法来模拟植物的光合作用、呼吸作用、碳分配、水分平衡和能量平衡等关系。模型最主要特点是将遥感数据与机理性生态模型有机地结合起来，模拟总初级生产力(GPP)和净初级生产力(NPP)。模型的NPP计算过程采用如下公式。

GPP=Acanppy×Lday×FGPP；

(1)

Acanopy=AsunILAsun+AshadeILAshade；

(2)

ILAsun=2coxθ(1-exp(-0.5ΩILA/cosθ))；

(3)

ILAshade=ILA-ILAsun。

(4)

式中：Acanopy表示冠层总光合作用速率；Lday表示日长；FGPP表示光合作用转换为GPP的比例因子；ASUN和Ashade分别表示阳生叶和阴生叶的光合作用速率；ILAsun、ILAshade分别表示阳生叶和阴生叶的叶面积指数；θ为太阳天顶角；Ω为聚集度指数。

NPP=GPP-Ra;

(5)

Ra=Rm+Rg=∑Rm,i+Rg,i;

(6)

(7)

Rg,i=rg,ira,iGPP。

(8)

式中：Ra表示植物自养呼吸；Rm表示植物维持性呼吸；Rg表示植物生长性呼吸；Rm,i和Rg,i分别表示植物器官i维持性呼吸和生长性呼吸；Mi表示植物器官i的碳质量分数；rm,i是植物器官i的维持性呼吸系数；rg,i表示植物器官i生长性呼吸系数；ra,i表示生物量在植物器官i分配的比例因子；Q10,i是温度影响因子(植物器官不同值不同)；i表示植物的不同器官(1为叶，2为茎，3为根)；T表示温度；Tb表示基温。根据有关研究，植物生长性呼吸占GPP的25%[24]。

2.3 参数设置

BEPS模型是基于植被的光合及呼吸作用过程建立的生态过程模型，模型参数基本不受地域限制。结合哈尔滨市条件，本研究采用文献法、实测法对模型参数进行修正和设置(见表1)。

表1 BEPS模型参数

3 结果与分析

3.1 通量数据验证

站点的通量数据为NEE数据，NEE和净生态系统生产力(NEP)在数值上相等，只是符号相反。NEP扣除土壤呼吸为NPP。由于帽儿山植被比较繁茂,土壤呼吸相对较小，NEP与NPP可近似看做相等。因此，可直接采用NEE数据对模拟的NPP数据进行验证。验证方法为：将通量站点测定的模型的参数(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日NPP，并与日NEE数据进行比较。总体上模型估算日NPP与站点观测的日NEE的R2在0.82～0.91波动，估算NPP的均方根误差(RMSE)0.30～1.40 g·m-2·d-1波动，模型估算的NPP与站点的NEE数据之间相关系数为0.86，说明模型估算的NPP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哈尔滨市植被NPP。

MODIS的NPP产品是目前应用最广泛的NPP数据产品，因此将本研究估算的NPP与MODIS的NPP数据进行比较，比较结果如图4所示。本研究估算的NPP与MODIS的NPP数据具有很好的相关性，R2达到了0.546。从图4也可以看出，估算的NPP高于MODIS的NPP数据，其最主要的原因是MODIS的NPP数据计算采用的MODIS的LAI受云层的影响比较严重，LAI值比较低，导致MODIS的NPP值比较低。

图4 BEPS模型估算的NPP与MOIDS的NPP数据的关系

3.2 哈尔滨市年NPP空间分布规律

由图5可知，哈尔滨市大部分植被NPP都在500 g·m-2·a-1以下，主要原因是哈尔滨大部分土地覆盖类型为农田；哈尔滨市北部、中部、西南部NPP比较高，个别区域NPP达到了1 000 g·m-2·a-1以上，主要原因是哈尔滨北部、中部及西南部土地覆盖类型主要为森林，森林的NPP高于农田的NPP。

哈尔滨市各个县市区的NPP年积累量如图6所示。哈尔滨市NPP年积累量为2.43×1013g·a-1。哈尔滨市南部的尚志市和北部的通河县NPP年积累量最高，分别为4.57×1012、3.98×1012g·a-1；哈尔滨西部的呼兰区及哈尔滨市区NPP年积累量最低，分别为8.50×1011、4.80×1011g·a-1。哈尔滨市各个县市区对NPP贡献率最高的是尚志市，其贡献率为19%；贡献率最低的是哈尔滨市区，其贡献率为2%。尚志市森林的NPP年积累量最高为3.03×1012g·a-1，五常市农田的NPP年积累量最高为1.63×1012g·a-1。结合哈尔滨市NPP的空间分布图(图5)，可看出NPP贡献率高低的分布趋势与哈尔滨市NPP空间分布一致。

图5 哈尔滨市NPP空间分布图

图6 哈尔滨市各个县市区年NPP积累量

3.3 哈尔滨市NPP月积累量空间分布

哈尔滨市2011年1—12月的NPP月积累量分布图(图7)，可反映哈尔滨市NPP的年内及季节变化特征。哈尔滨市NPP有明显的季节性变化特征，第一、四季度的NPP值比第二、三季度值低了大概两个数量级，主要是因为大部分NPP都是第二、三季度积累的，6—8月份NPP明显高于其他月份，这种季节性的分布主要原因是夏季降水量比较大，遥感获得的LAI最大值出现在夏季。NPP最高值出现在6月份，NPP值大部分在100～200 g·m-2·月-1，主要原因是6月份是森林进行光合作用的最佳条件。1、2、3、4、11、12月份NPP月累积量较低，不同土地覆盖类型的NPP基本无变化。6—9月份NPP积累量较高，不同土地覆盖类型的NPP值明显不同。

3.4 不同植被类型NPP月变化规律

哈尔滨市植被类型划分为针叶林、阔叶林、混交林、农田4种类型。4种植被类型年NPP均值由大到小依次为：阔叶林、混交林、针叶林、农田(见表2)，森林年NPP均值(639 g·m-2·a-1)明显高于农田(389 g·m-2·a-1)；相同植被类型农田NPP差距最小，混交林差距最大。

图7 哈尔滨市NPP月积累量空间分布

4种植被类型月NPP均呈现明显的单峰形态，且在1—3月份及11、12月份NPP月积累平均值均接近于0值(见图8)。

图8 不同植被类型的NPP月均值趋势图

4月份除了针叶林及农田有很少的NPP月积累量，阔叶林和混交林仍接近0值。这与植物的生长特性有关，在这6个月份里，月平均温度3 ℃，不能满足植物正常生长的条件。从5月份开始，随着哈尔滨市温度逐渐升高，4种植被类型NPP月均值都有明显增长。进入6月份后，哈尔滨市月降水量增加，月平均温度升高，此时外界水热条件非常适合植物生长，4种植被类型NPP月均值增长速度最快。7月份农田、针叶林、阔叶林、混交林的NPP月均值及总的NPP月均值达到最高值，分别为108、123、211、187、139 g·m-2·月-1。8月份，随着温度升的越高，及降水减少，抑制了植物的生长，NPP月积累均值有部分下降。9、10月份，随着温度降低，哈尔滨进入秋季，NPP月积累均值开始逐渐下降。

表2 不同土地覆盖类型年NPP积累值g·m-2·a-1

4 结论与讨论

与经验模型相比[5-7]，本研究融合了多源数据(TM遥感数据、MODIS数据、气象数据等)作为模型的输入数据，来估算城市净初级生产力具有以下几个优点：(1)遥感数据被充分利用获取更加详尽的NPP的空间分布，可为森林资源管理及作物估产提供帮助；(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；(4)获得了高空间分辨率(30 m)的NPP数据，为城市的生态建设提供基础数据。

不同研究者利用不同生态模型对针叶林、阔叶林、混交林的NPP进行了模拟，其研究结果表明：针叶林NPP范围是345～585 g·m-2·a-1，阔叶林NPP范围是422～870 g·m-2·a-1，模拟的混交林NPP范围是343～928 g·m-2·a-1[27-29]。本研究估算的针叶林、阔叶林、针阔混交林的NPP均在各个研究者的估算结果范围内，说明估算结果比较合理。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。

本研究应用BEPS模型，对中国北方典型城市-哈尔滨市NPP的时空分布进行研究，对其时空变化进行分析，明确其空间分布及变化方向，为预测未来哈尔滨市陆地生态系统碳汇能力提供理论依据，为科学合理的保护和利用北方城市林业、农业等资源提供参考。主要研究结论有：(1)哈尔滨北部及西南部NPP值比较高，哈尔滨西部及东北部NPP值比较低，主要与土地覆盖类型有关；(2)哈尔滨市年NPP积累总量为2.43×1013g·a-1，NPP年平均值为511 g·m-2·a-1，最大值为931 g·m-2·a-1，最小值为239 g·m-2·a-1；(3)哈尔滨市的NPP积累主要在7、8月份，NPP年积累值在7月份达到最高值；(4)哈尔滨市各个县市区对NPP贡献率最高的是尚志市，贡献率为19%，贡献率最低的是哈尔滨市区，贡献率为2%；(5)哈尔滨市各个县市区内，尚志市森林的NPP年积累量最高为3.03×1012g·a-1，五常市农田的NPP年积累量最高为1.63×1012g·a-1。

[1] LEITH H, WHITTAKER R H. Primary Productivity of the Biosphere[M]. Berlin, Germany: Springer-Verlag,1975.

[2] PIAO S L, FANG J Y, CHEN A P. Seasonal dynamics of terrestrial net primary production in response to climate changes in China[J]. Acta Botanica Sinica,2003,45(3):269-275.

[3] 林文鹏,王臣立,赵敏,等.基于森林清查和遥感的城市森林净初级生产力估算[J].生态环境学报,2008,17(2):766-770.

[4] 刘海桂,唐旭利,周国逸,等.1981～2000年广东省净初级生产力的时空格局[J].生态学报,2007,27(10):4065-4074.

[5] 王伦澈,龚威,张淼,等.武汉地区植被NPP动态监测研究[J].武汉大学学报(信息科学版),2013,38(5):548-552.

[6] 谷家川,彭丰,沈非,等.基于CASA模型的皖江城市带植被净初级生产力时空变化特征研究[J].安徽师范大学学报(自然科学版),2014,37(4):371-377.

[7] 胡小飞,唐宪,胡月明,等.广州市城市森林净初级生产力遥感估算[J].中南林业科技大学学报,2016,36(5):19-25.

[8] 王修信,孙涛,朱启疆,等.利用BEPS模型估算城区植被净初级生产力的时空变化[J].干旱区资源与环境,2014,28(11):1-5.

[9] 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.

[10] ZHOU Y, XING B, JU W. Assessing the impact of urban sprawl on net primary productivity of terrestrial ecosystems using a process-based model： A case study in nanjing, China[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2015,8(5):2318-2331.

[11] 袁甲,沈非,王甜甜,等.2000-2010年皖江城市带土地利用/覆被变化对区域净初级生产力的影响[J].水土保持研究,2016,23(5):245-250.

[12] 张娜,毛飞跃,龚威.2009年武汉市植被净初级生产力估算[J].武汉大学学报(信息科学版),2011,36(12):1447-1450.

[13] MILESI C, ELVIDGE C D, NEMANI R R, et al. Assessing the impact of urban land development on net primary productivity in the southeastern United States[J]. Remote Sensing of Environment,2003,86(3):401-410.

[14] IMHOFF M L, BOUNOUA L, DEFRIES R, et al. The consequences of urban land transformation on net primary productivity in the United States[J]. Remote Sensing of Environment,2004,89(4):434-443.

[15] PAZ-KAGAN T, SHACHAK M, ZAADY E, et al. Evaluation of ecosystem responses to land-use change using soil quality and primary productivity in a semi-arid area, Israel[J]. Agriculture Ecosystems & Environment,2014,193:9-24.

[16] HONG W, LI X B, LONG H L, et al. Monitoring the effects of land use and cover changes on net primary production: a case study in China’s Yongding River basin[J]. Forest Ecology & Management,2009,258(12):2654-2665.

[17] YU D, SHAO H, SHI P, et al. How does the conversion of land cover to urban use affect net primary productivity? A case study in Shenzhen city, China[J]. Agricultural & Forest Meteorology,2009,149(11):2054-2060.

[18] CHEN J M, DENG F, CHEN M. 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):2230-2238.

[19] 卢伟,范文义.中小区域尺度时间序列林地LAI快速估测方法[J].农业工程学报,2016,32(5):188-193.

[20] HUTCHINSON M F. Interpolating mean rainfall using thin plate smoothing splines[J]. International Journal of Geographical Information Science,1995,9(4):385-403.

[21] LIU J, CHEN J M, CIHLAR J. Net primary productivity mapped for Canada at 1 km resolution[J]. Global Ecology and Biogeography,2002,11(2):115-129.

[22] CHEN J M, CHEN X, JU W, et al. A remote sensing-driven distributed hydrological model: Mapping evapotranspiration in a forested watershed[J]. Journal of Hydrology,2005,305(1):15-39.

[23] CHEN J M, LIU J, LEBLANC S G, et al. Multi-angular optical remote sensing for assessing vegetation structure and carbon absorption[J]. Remote Sensing of Environment,2003,84(4):516-525.

[24] RUNNING S W, COUGHLAN J C. A general model of forest ecosystem processes for regional applications. I. Hydrologic balance, canopy gas exchange and primary production processes[J]. Ecological Modelling,1988,42(2):125-154.

[25] 卢伟,范文义,田甜.基于东北温带落叶阔叶林通量数据的BEPS模型参数优化[J].应用生态学报,2016,27(5):1353-1358.

[26] KIMBALL J S, THORNTON P E, WHITE M A, et al. Simulating forest productivity and surface-atmosphere carbon exchange in the BOREAS study region[J]. Tree Physiology,1997,17(8):589-599.

[27] 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.

[28] 何勇,董文杰,季劲均,等.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.

[29] 陶波,李克让,邵雪梅,等.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.

1)国家自然科学基金项目(31300533)。

毛学刚，男，1981年9月生，东北林业大学林学院，讲师。E-mail：maoxuegang@aliyun.com。

2017年3月5日。

S718.5

Simulation and Analysis of Net Primary Productivity in Harbin with Ecological Process Model//Mao Xuegang, Chen Wenqu(Northeast Forestry University, Harbin 150040, P. R. China); Hu Shen, Liu Jun(Research Institute of Forestry, State Forestry Administration)//Journal of Northeast Forestry University，2017,45(7)：55-60.

责任编辑：王广建。

With Landsat-5 TM remote sensing data, MODIS LAI data and meteorological data in Harbin, we built the simulation model of productivity in forest ecosystems based on process simulation (BEPS), NPP spatial distribution map of Harbin City, and analyzed the spatial-temporal changes of NPP. The values of net primary productivity (NPP) in the north and southwest of Harbin were relatively high, and the NPP values in the west and northeast of Harbin were relatively low. In Harbin, in 2011 NPP cumulative total was 2.427×1013g/a, NPP average was 511 g/(m2·a). NPP of Harbin accumulated mainly in July and August, and the cumulative value of NPP reached the highest value in July. The BEPS model can be used to estimate the vegetation NPP in Harbin by using flux data and NPP MODIS.