中国东北地区植被NPP模拟与时空变化分析

2019-01-09 12:53陈芸芝李增元汪小钦徐海生张兆鹏

福州大学学报（自然科学版） 2018年6期

薛梅，陈芸芝，闫敏，李增元，汪小钦，徐海生，张兆鹏，田昕

(1. 福州大学空间数据挖掘与信息共享教育部重点实验室，福建福州 350116； 2. 中国林业科学研究院资源信息研究所，北京 100091)

0 引言

植被净初级生产力(net primary productivity， NPP)是指在单位时间、单位面积上绿色植物所积累的有机干物质总量，是表征植物活动的重要参数，对判定生态系统碳汇与调节生态过程具有重要的指示作用. 由于受到客观条件的限制，人们无法在区域尺度上直接、全面地测定植被NPP，因此，通过模型估算植被NPP是一种可行、有效的研究方法. 近年来，随着遥感技术的快速发展，人们可以及时地获取气象、地表覆盖和叶面积指数等影响和反映植被生长状况的重要参数，为陆地生态系统碳收支的估测提供了数据支撑. 在此背景下，基于遥感的生态过程模型开始出现，其中以boreal ecosystem productivity simulator(BEPS)为代表的遥感机理模型，综合考虑了植物自身生理过程及其与环境因子的相互作用，常用于大尺度植被生产力的研究[4-7].

东北地区是我国最大的森林生态系统之一，是我国重要的森林储备库，同时处于我国受气候影响最显著的地区，该地区的植被结构及长势状况对中国乃至亚太地区气候变化和碳源/汇等影响显著. 我国学者对东北地区植被NPP已进行了大量研究，如赵俊芳等根据1981-2002年的NOAA/AVHRR NDVI数据获取植被的最大、最小和初始叶面积指数(leaf area index， LAI)，结合东北94个气象站点数据，利用FORCCHN模型估算了20多年来该地区的森林植被NPP. 刘喜云等对预处理后的MODIS遥感数据做波段运算，反演2003年NDVI数据集，以此为基础数据引入Forest-BGPG遥感参数过程模型，实现对东北三省森林植被NPP估测，并以其他学者的研究结果作为交叉验证依据. 李秀芬等基于CASA模型，利用2006年4-10月份的MODIS数据和黑龙江82个气象站点数据估算黑龙江省该年的森林植被NPP，以2006年该地区的森林普查资料作为验证依据. 毛学刚等[10]利用逐日气象站点数据和经过平滑处理的MODIS LAI产品，驱动BEPS模型对黑龙江、吉林和辽宁三省的森林植被NPP进行了模拟，并通过多种方法对结果进行验证. 对东北地区植被NPP的模拟研究中，普遍缺乏高可信模型输入数据(如LAI、气象数据等)，模型的模拟存在较大不确定性. Tian等[11]发现，基于广义回归神经网络(GRNNs)反演的全球陆表卫星(global land surface satellite， GLASS)LAI产品[12]驱动的MODIS MOD17 GPP模型模拟精度大大优于基于原始MODIS LAI驱动的模型模拟精度. 另一方面，前期研究缺乏多时空尺度验证数据，主要验证方法普遍采取单一通量站点数据、与MODIS NPP对比以及与其他研究结果的交叉比较[10]，难以从区域上定量验证模型模拟植被生产力的准确性.

利用全球陆表卫星GLASS LAI产品与中国区域地面气象要素数据集两种优化的数据集，以及其他辅助数据驱动BEPS模型，实现对我国东北地区2003-2012年植被生产力(包括总初级生产力—gross primary productivity(GPP)和NPP)的模拟. 本研究从时间连续的通量站(长白山森林站和锡林格勒草地站)观测值和多个空间分布典型的森林样地生产力调查资料等两个时空尺度对模拟的GPP以及NPP结果进行了验证，并对2003-2012年我国东北地区植被NPP的时空变化特征及其影响因素(森林干扰、气象因子)进行了分析，为研究我国东北地区碳循环规律和对气候变化的响应提供了基础.

1 研究区概况与技术路线

1.1 研究区概况

我国东北地区包括东三省(黑龙江、吉林、辽宁)以及内蒙古自治区部分地区(如图1所示)，土质以黑土为主，地形以平原、山地为主，地理位置在38°40′～53°30′N和115°5′～132°2′E，约占我国国土面积12.9%. 东北地区自西向东可划分为半干旱、半湿润和湿润带，东部地区年降水量达400至800 mm，而西部仅为250至400 mm，降水主要集中在7-9月. 自南向北划分为暖温带、温带和寒温带. 东北地区主要的土地覆盖类型为：落叶针叶林(evergreen needleleaf forest， ENF)、落叶阔叶林(deciduous broadleaf forest， DBF)、混交林(mixed forest， MF)、灌丛(Shrub)、草地(Glass)、农用地(Crop).

1.2 技术路线

首先对获取的各类数据进行转投影、镶嵌、重采样、裁剪等预处理，将其应用于BEPS模型实现对东北地区长时间序列植被生产力(GPP/NPP)的模拟. 利用通量观测资料和森林生产力调查数据从站点和区域两方面对估算的植被生产力进行验证，对研究区植被NPP模拟结果进行时空变化分析，并通过统计生长季的植被NPP与各气象因子的年际变化来分析其与不同气象因子的相关性. 本研究详细流程如图2所示.

图1 我国东北植被覆盖类型Fig.1 Land cover map of the northeast China

图2 本研究技术路线图Fig.2 Flow chart of this study

2 方法与数据

2.1 模型介绍

BEPS模型是FOREST-BGC模型发展演变而来的遥感机理模型. 模型结合生态学、生物物理学、植物生理学、气象学和水文学等多学科的方法实现对植被的光合、呼吸、碳的分配、水分平衡和能量平衡的模拟，主要包括了光合模块、能量和水平衡模块以及土壤生物化学模块等.

BEPS模型在模拟植被生产力时，重点是对绿色植物光合作用过程的模拟，该过程采用Farquhar模型，但模拟的是单叶片的瞬时光合作用，需对其进行时间尺度和空间尺度的扩展. 模型采用逐日积分法实现了由瞬时尺度向每日尺度的转换；空间尺度扩展经历了由大叶模型到两叶模型的发展. 由于植被不同生长部位的受光条件不同，光合作用强度也有所差异，将整个冠层作为一个大的叶片处理，将产生较大误差； BEPS模型将冠层分为阳叶与阴叶，并引入叶聚集指数(Ω)表征叶片的聚集度，以减小因为植物冠层的形状结构对辐射吸收、叶面受光以及相互遮蔽所产生的影响. 通过分别计算阳叶和阴叶的光合作用过程，实现冠层的空间尺度扩展，最终得到了日尺度的植被总初始生产力(GPP). 植被NPP是将植被的自养呼吸从GPP中减去得到的[13].

1) 将冠层分为阳叶与阴叶分别计算植被冠层叶面积指数.

LAI

sun

=2cos

[1-exp(-0.5

LAI/cos

)]

(1)

LAI

shade

=LAI-LAI

sun

(2)

式中： LAI为叶面积指数， LAIsun、 LAIshade分别为阳叶、阴叶的植被冠层叶面积指数；θ为太阳天顶角；Ω表征叶片聚集度的指数(针叶林： 0.5；阔叶林： 0.7；针阔混交林： 0.6；灌丛： 0.6；农田： 0.9；草地： 0.9).

2) 计算阳叶、阴叶接收的太阳辐射Ssun、Sshade.

sun

dir

cos

/cos

shade

(3)

shade

Vdif

dif, under

)/LAI+

=0.07

dir

(1.1-0.1LAI)exp(-cos

)

(4)

(5)

3) 计算植被冠层总光合作用Acanopy.

canopy

sun

LAI

sun

shade

LAI

shade

(6)

式中：Asun、Ashade分别为阳叶、阴叶的光合作用； LAIsun、 LAIshade分别为阳叶、阴叶的植被冠层叶面积指数.

4) 计算NPP.

NPP=GPP-

, GPP=

canopy

day

GPP

(7)

=∑(

m, i

(

)/10),

=0.25GPP

(8)

式中： GPP为总初级生产力；Lday为日长；FGPP为GPP与光合作用的转换系数；i是指植被的不同组分(1， 2， 3分别代表叶、茎、根)；Mi是各组分的生物量；Rm、Rg分别代表植被的维持呼吸和生长呼吸；rm, i为维持性呼吸系数；t为温度；tb为基础温度.

2.2 模型输入数据与处理

叶面积指数(LAI)数据是BEPS模型的重要输入参数，它影响着植被光合、呼吸、蒸腾、能量交换等诸多生态过程，是反映植被结构和长势的关键参数[14]. 目前全球已有GLASS、 MODIS、 VEGETATION等多种LAI遥感产品，其中GLASS LAI产品是在中国高技术研究发展计划(863计划)支持下，集合了全球多种传感器及地面测量数据生产而成的全球尺度LAI产品，适用于区域尺度下植被生长状况的长期监测[15]. 虽然MODIS LAI在陆表生态过程模型中的应用最为广泛，但已有研究证明GLASS LAI产品精度明显优于MODIS LAI产品[16].

另外，气象要素也是BEPS模型中重要的输入数据，参与模型模拟植被生产力的多个过程. 由中国科学院青藏高原研究所研发的中国区域地面气象要素数据集，为生态过程模型提供了一种较高分辨率且空间连续的气象数据[17]. 该数据集是在集合了多种气象卫星再分析资料的基础上，融合我国气象站点观测数据制作而成的，在模拟区域植被生产力中更具说服力[18].

BEPS模型其他输入数据主要包括：土地覆盖、土壤数据等. 输入数据的数据类型、数据来源、空间分辨率、获取时间和数据处理过程等信息如表1中所示. 所有输入数据均采用Albers投影， WGS-84坐标系.

表1 BEPS模型输入数据

2.3 验证数据与处理

图3 通量站点与森林生产力样地空间分布Fig.3 Spatial distribution of forest productivity samples and flux station

选取长白山(针阔混交林)和锡林格勒(草原)定位站的2004-2006年的通量观测资料对BEPS模型模拟的GPP进行站点验证，站点位置分布如图3中所示. 通量数据由中国通量观测网(http://www.chinaflux.org/)提供. 该数据为每半小时的气象和通量数据，可直接提取净生态系统碳交换量(net ecosystem exchange， NEE)，并从NEE中分离计算得到GPP和生态系统呼吸量(ecosystem respiration， ER)，通过累加求和得到2004-2006年逐日GPP[19].

2013年8月5日至8月23日、 2016年8月9日至8月24日，项目组在内蒙古大兴安岭选取46块样地进行森林生产力调查，样地的选择遵循了应至少具有与GLASS LAI等同分辨率大小(1 km)尺度的区域典型性，样地空间分布如图3所示. 样地大小为半径10和15 m的样圆，所调查植被类型主要包括兴安落叶松、白桦等优势树种，对样地内胸径大于5 cm的树木以每木检尺的方式进行胸径和树高的测量，并按6个径级(5～10 cm， 10～15 cm， 15～20 cm， 20～25 cm， 25～30 cm， >30 cm)，每个径级选取三株标准样木钻取树芯，在标准木胸径处(1.3 m)沿水平方向分别钻取树芯，以保证树芯的质量.

利用样地内落叶松和白桦的胸径和树高数据，分别建立树高胸径模型(如图4所示). 兴安落叶松树高胸径公式为：h=2.325D0.648，R2=0.73，白桦为h=2.618D0.621，R2=0.67. 采集回的树轮资料(树芯)经风干处理后于干燥处放置数周，经打磨等一系列处理后，利用WinDENDRO年轮分析仪器[18]测量获得标准木逐年胸径，并代入相应的树高胸径公式，得到标准木的逐年胸径和树高. 利用前人研究中兴安落叶松和白桦的生物量生长方程[20](如表2、表3所示)(AGB表示生物量，D表示胸径，h表示树高)，可估算相应树种各组分的生物量，再乘以样地内不同径阶的树木株树，累加求和得到样地内的生物量增量. 兴安落叶松和白桦生物量与各组织含碳量的比值的均值[21]分别为0.52和0.49，将其作为生物量增量与NPP的转换因子，由此得到样地的植被NPP.

图4 兴安落叶松和白桦树高胸径拟合曲线Fig.4 Fitting curve of Larix gmelinii and Betula platyphylla Suk’s height and DBH

组分回归方程相关系数树干 AGB=0.01380(D2h)1.01070.99树枝AGB=0.00080(D2h)1.12720.98树叶AGB=0.00229(D2h)0.36590.94树皮AGB=0.02601(D2h)0.72060.99

3 结果与分析

3.1 BEPS模型站点验证

长白山(CBS)、锡林格勒(XLGL)两个站点BEPS模型模拟的逐日GPP(GPP)与通量观测GPP(GPP_EC)的比较如图5所示. 从通量观测GPP时间序列分布中可以看出， CBS和XLGL站的GPP值季节变化明显，在春季和冬季偏低，进入夏季， GPP迅速升高，达到较高的水平； CBS森林站的GPP值年份间差异不显著，而XLGL草原站易受降水变化的影响，丰水年， GPP值较高；干旱年份， GPP值显著偏低. 验证结果为： CBS站的R2=0.94， RMSE=1.53 g·(m2· d)-1， XLGL站的R2=0.79， RMSE=0.59 g·(m2· d)-1. 结果表明， BEPS模型模拟与通量观测GPP值在大多数情况下具有很好的一致性，能够有效地模拟出不同生态系统GPP值，也能准确捕捉到不同植被类型下垫面的植被GPP的季节变化与不同年份间差异，如在XLGL站降水量较少的2005和2006年[21]，模型同样模拟出这两年GPP值偏低的情况.

图5 日GPP的通量观测值和模型模拟值对比及验证Fig.5 Comparison of the tower observed GPP (GPP_EC)against the simulated GPP (GPP)

3.2 BEPS模型区域验证

图6 树轮数据推算NPP与模型模拟NPP值对比 Fig.6 Comparison of the tree ring calculated NPP (measured NPP)against the simulated NPP(NPP)

通过测量得到的树木年轮宽度序列能够反映树木的生物量增量，从而获得NPP序列值，因此利用树轮数据验证植被NPP有其独特的优势[22-23]. 通过2013、 2016年在内蒙古大兴安岭地区采集的46个样地的树轮数据，筛选掉部分受森林干扰严重，测量误差大的样本，剩余38个样本(每个样本10年的树轮宽度)；经过一系列处理换算后可作为验证BEPS模拟区域植被NPP有效性的指标. 验证结果表明， BEPS模型在2003-2012年对大兴安岭林区的森林NPP模拟效果较好，R2达到0.84， RMSE为42.73 g·(m2·a)-1(如图6所示). 相比于通量站点验证法，其优势在于强空间连续性、长时间尺度、样本数多，弥补了站点数据的不足.

3.3 我国东北地区植被生产力时空变化分析3.3.1 东北地区NPP均值空间分布格局

图7为我国东北地区年植被NPP平均值(2003-2012年)的地理分布. 在空间上，我国东北地区由南向北热量逐渐减少，由东向西湿度逐渐降低，呈现较为独特的植被分布格局. 该地区受到气候、土壤质地及土地覆盖类型的影响， NPP值呈现出东北部高西南部低、并由东北向西南方向逐级递减的分布格局. 高值区主要分布在东北地区东部的长白山林区、北部的大兴安岭和小兴安岭林区，低值区主要分布在内蒙古呼伦贝尔草原、以及松嫩平原西部的草原地区.

2003-2012年， BEPS模型模拟的东北地区植被NPP均值在0～848.11 g·(m2·a)-1内变化，且不同植被类型NPP均值差异较大. 森林的NPP均值在450 g·(m2·a)-1以上，其中落叶阔叶林(DBF)均值最高，为652.64 g·(m2·a)-1；其次是针阔混交林(MF)，为554.24 g·(m2·a)-1，常绿针叶林(ENF)与落叶针叶林(DNF)均值分别为518.97、 457.82 g·(m2·a)-1，农田(crop)均低于森林均值，为411.39 g·(m2·a)-1；灌丛(shrub)与草地(grass)最低，仅为281.52、 114.16 g·(m2·a)-1，即植被通过光合作用吸收碳的能力大小为：落叶阔叶林 > 针阔混交林 > 常绿针叶林 > 落叶针叶林 > 农田 > 灌木 > 草地.

从NPP总量上来看(如图8所示)，农田(crop)的面积占比(39.0%)最高，且具有较高的NPP均值，其NPP总量占研究区NPP总量的比重最高，为47.79%，针阔混交林(MF)的面积占比(25.91%)， NPP总量占总研究区的23.65%；落叶阔叶林(DBF)的面积仅占7.27%，在NPP总量上仍有17.32%的贡献率. 而草地(grass)的面积占东北总面积的24.44%，由于其NPP均值较低， NPP总量上仅贡献5.46%.

图7 2003-2012年东北植被NPP均值空间分布Fig.7 Distribution map of the mean NPPs of the vegetation over the northeast China from 2003 to 2012

图8 各植被类型NPP总量占东北总NPP的比重Fig.8 Percentages of individual vegetation NPPs to the total NPPs over the northeast China

3.3.2 东北地区NPP时间序列变化特征

2003-2012年，东北地区的植被年NPP总量在0.52～0.58 Pg·a-1范围内波动，平均值为0.55 Pg·a-1，这与王绍强等[24]的研究结果相一致. 利用一元线性回归分析方法分析不同区域东北植被年NPP值在10年间的变化趋势(如图9所示)，并按变化斜率大小划分等级，定义了微、轻、中、重度增长(减少)8个变化区间，统计各区间的面积及所占东北地区的百分率，结果见表4. 研究期间，东北地区NPP整体呈上升趋势，平均增幅达到4.48 g·(m2·a)-1；上升区主要分布在大兴安岭大部分林区、小兴安岭中东部林区以及长白山东北部林区，占总面积的65%，为79.38×104km2. 下降区面积则集中在内蒙古北部的部分农田、草原地带，以及发生森林干扰的林区，占总面积的35%，为43.75×104km2.

图9 2003-2012年东北植被NPP变化趋势Fig.9 Variation trends map of the NPPs over the northeast China from 2003 to 2012

NPP变化趋势/g·(m2·a)-1变化级别S/km2面积百分比/%< -20严重减少1.39×104 1.11-20 ～ -10中度减少5.93×104 4.74-10 ～ -5轻度减少9.32×104 7.45-5 ～ 0微度减少27.17×104 21.740 ～ 5微度增长51.33×104 41.085 ～ 10轻度增长17.60×104 14.0910 ～ 20中度增长10.93×104 8.7520 ～ 30明显增长12.96×104 1.03

按植被类型来看， 2003-2012年落叶针叶林的NPP上升趋势最为明显，平均增幅为5.73 g·(m2·a)-1，其次为混交林，增幅为4.91 g·(m2·a)-1，落叶阔叶林为2.87 g·(m2·a)-1，而常绿针叶林的NPP增长不明显，整体上，东北林区NPP呈显著增长趋势. 自1998年“天然林资源保护工程”实施以来，东北地区森林资源持续增长，生态环境进一步改善，实验结果定量说明“天然林资源保护工程”在东北林区成效显著[25]；农田NPP虽然在部分地区略有下降，但整体呈增长水平，平均增幅为1.32 g·(m2·a)-1，这与国家土壤长期监测结果相一致，监测结果显示近十多年耕地土壤肥力总体上保持稳中有升的趋势[26]；灌丛NPP基本上没有明显的上升或下降趋势；草地的NPP总体上有所下降，下降幅度为1.93 g·(m2·a)-1，由于水分是限制草地生长的主要因子，因此2006、 2009年在东北草原地区发生的不同程度的干旱情况是导致下降趋势的主要原因[27].

东北局部林区出现植被NPP显著下降的现象，这主要是受到森林干扰的影响，而火灾是森林干扰的一个重要因素，东北林区易发生森林火灾，是我国森林火灾高发区之一[28]. 根据火灾统计资料可知，这些NPP显著下降区域正是发生了较大的火灾干扰. 如大兴安岭呼玛县福林林场， 2006年5月30日突发森林火灾，过火面积达到2 390 km2，该过火区的植被NPP均值由灾前的479.27 g·(m2·a)-1(2005年)减少为灾后的388.24 g·(m2·a)-1(2006年)；过火后，由于林区的封山育林以及森林生态系统的自我恢复功能， NPP均值缓慢增长；截止到2012年， NPP均值增长为411.18 g·(m2·a)-1.

3.4 生长季东北地区植被NPP与气象因子的相关性

对输入到模型中进行植被生产力模拟的温度、降水、太阳辐射、相对湿度这四个气象因子，分别统计生长季(5-9月)的平均温度、总降水量、总太阳辐射量和平均相对湿度以及生长季的植被NPP值. 2003-2012年东北地区生长季平均温度在16.07～17.39 ℃之间(如图10(a)所示)，温度的年际变化与生长季NPP的年际变化总体趋势较为相似，整体呈上升趋势；生长季太阳辐射量在3.55～3.92 MJ之间(如图10(b)所示)，整体没有明显的上升或下降趋势；生长季总降水量与平均相对湿度分别在343.01～508.51 mm、 62.32%～69.83%之间(如图10(c)(d)所示)，均呈明显的上升趋势，但大部分年份与生长季植被NPP增减不同步，整体相关性较小.

图10 生长季植被NPP与相关因素的年际关系Fig.10 Correlations between annual vegetation NPPs and relevant factors over growing season

对东北地区2003-2012年生长季平均温度、总太阳辐射量、总降水量、平均相对湿度以及生长季植被NPP进行相关性分析. 结果表明，东北地区植被NPP与平均温度、总太阳辐射量成正相关，R2分别为0.52与0.27，而与总降水量、平均相对湿度的相关性极不显著(如图10所示). 植被NPP的最低值出现在2003年，虽然降水充足、湿度较大，但是平均温度为历年最低、太阳辐射也偏低，光合作用较弱；同样的，在2009年，由于受到温度和太阳辐射的限制，植被NPP也出现了异常低值； 2010年的温度和辐射量都处于峰值，加上降水量多、湿度较大，植被NPP达到了最高值；在2007年降水量与湿度为历年最低，而温度和太阳辐射都比较高，植被NPP仍保持较高水平. 综上分析可以说明，东北地区植被NPP对温度、太阳辐射的变化较为敏感，而对降水与湿度的变化不敏感.

需要指出的是，本研究分析的降水与东北植被总体生产力不敏感的结论与前人的研究存在差异，如周蕾、国志兴等认为降水量对东北地区植被NPP的年际变化影响较大[5，29]．. 这种差异的原因可能是采用的模型不同造成的，如Biome-BGC和GLOPEM-CEVSA等模型在土壤水分含量模拟上均采用的“水桶”模型[18]，为单层土壤水模块，不考虑土壤水下渗，所以对降水的响应也是基于一层土壤水的. 而BEPS模型将土壤水分分成3层(0.10、 0.25和0.85 m)进行土壤水分模拟，降雨的影响存在滞后效应. 因此，无论是降雨偏多或偏少，可能对根系发达的森林植被生长不会产生太大影响. 但是，灌木、草地根系较不发达，对表层土壤水分的要求更高，两者之间存在较大的相关性；东北农田区域受灌溉、积雪消融等的影响[30]，其NPP年际变化对降雨量变化也不明显，因此，整体上降水对东北地区植被NPP变化影响不显著. 另一可能原因是使用了不同的气象驱动数据，模型模拟植被生产力时多利用有限的站点观测数据插值得到栅格气象数据，易造成模型模拟结果的不确定性，而利用中国区域地面气象要素数据集在模拟区域植被生产力中更具可靠性[18].

4 结语

利用东北地区的GLASS LAI、中国区域地面气象要素数据等资料驱动BEPS模型实现对研究区2003-2012年植被生产力的模拟，利用通量观测资料和森林生产力调查数据从站点和区域两方面对估算的植被生产力进行验证，并根据模拟结果分析植被NPP的时空分布格局及其与不同气象因子之间的关系.

在与两个通量站点(长白山站-针阔混交林、锡林格勒站-草原)的验证中，观测与模拟GPP值的决定系数R2均大于0.79，长白山森林站的R2甚至高达0.94；区域NPP验证结果R2为0.84， RMSE低至42.73 g·(m2·a)-1，因此使用高质量的输入数据驱动的BEPS模型能有效、准确地模拟东北地区植被NPP.

我国东北地区NPP的空间分布特征为东北部高西南部低； 10年期间，各植被类型中林地NPP增长最为明显，农田增长缓慢，灌木无明显的上升或下降趋势，而草地呈现微弱的下降趋势；总体上，研究区植被NPP受降水和相对湿度的影响较小，温度和太阳辐射是影响其植被NPP变化的主要因素. 而森林干扰是引起研究区内森林植被NPP局部剧烈变化的重要驱动因素，研究受干扰区长时间序列的植被NPP变化可了解植被受干扰程度及植被恢复情况.

本研究虽然从站点和区域两个尺度来验证模型精度，提高模拟结果的可信度，但仍存在站点数据较少、生产力调查受客观条件的限制调查范围仅分布在大兴安岭西北部等不足之处，下一步将开展东北区域其他典型陆地生态系统(草地、农田、灌丛等)的生产力调查，对模型的普适性做进一步验证.