基于校正的CASA模型NPP遥感估算及分析——以河西走廊为例
|
摘要
利用CASA模型估算植被净初级生产力(NPP)应用广泛,但其精度仍然有待提高。基于地理因子回归方法(AMMRR)和地表水分指数(LSWI)对CASA模型的两个关键参数:温度胁迫系数和水分胁迫系数进行校正,再估算NPP并分析了校正对植被NPP及各因子与NPP关系的影响。研究表明:(1)校正能有效提高CASA模型的估算精度,校正后NPP总量为34.29 TgC/a,原CASA模型高估了0.23 TgC/a。(2)研究不仅可以校正地形对NPP的影响,还可以校正平坦地形下人类活动区NPP的影响;在高海拔、地形起伏较大的区域以及人类活动地区,校正对NPP估算影响较大,绿洲区原模型存在高估。(3)校正对生长季的影响大于非生长季;坡度对NPP影响较大,坡度越大原模型高估越多;校正前高估了阳坡NPP,低估了阴坡NPP。
The CASA model is widely used in estimating vegetation net primary productivity(NPP), but its accuracy needs to be improved. Based on the geographical factor regression method(AMMRR) and land surface water index(LSWI), this study aimed to correct the temperature stress coefficient and water stress coefficient, two key parameters of CASA model. Next, we continued to estimate NPP and analyze the effect of the correction on vegetation and on the relationship between NPP and other factors. Results showed that:(1) The correction could effectively improve the estimation accuracy of the CASA model. The amount of corrected NPP was 34.29 TgC/a, but the original NPP was 34.52 TgC/a; therefore, the NPP of the original model was overestimated by 0.23 TgC/a.(2) This method can not only correct the influence of terrain on NPP, but also corrects the impact of human activities areas on NPP under flat terrain. In areas with high altitude, large topographic relief, as well as in human activities areas, the correction had a large impact on NPP estimation, and the original model of the oasis area was overvalued.(3) The effect of correction on growth season was greater than that during the non-growth season. Slope had a substantial influence on NPP, and the higher the slope was, the greater the overestimation of the original model. Before correction, sunny slope NPP values were overestimated, whereas, the shady slope NPP values were underestimated.
The CASA model is widely used in estimating vegetation net primary productivity(NPP), but its accuracy needs to be improved. Based on the geographical factor regression method(AMMRR) and land surface water index(LSWI), this study aimed to correct the temperature stress coefficient and water stress coefficient, two key parameters of CASA model. Next, we continued to estimate NPP and analyze the effect of the correction on vegetation and on the relationship between NPP and other factors. Results showed that:(1) The correction could effectively improve the estimation accuracy of the CASA model. The amount of corrected NPP was 34.29 TgC/a, but the original NPP was 34.52 TgC/a; therefore, the NPP of the original model was overestimated by 0.23 TgC/a.(2) This method can not only correct the influence of terrain on NPP, but also corrects the impact of human activities areas on NPP under flat terrain. In areas with high altitude, large topographic relief, as well as in human activities areas, the correction had a large impact on NPP estimation, and the original model of the oasis area was overvalued.(3) The effect of correction on growth season was greater than that during the non-growth season. Slope had a substantial influence on NPP, and the higher the slope was, the greater the overestimation of the original model. Before correction, sunny slope NPP values were overestimated, whereas, the shady slope NPP values were underestimated.
引文
[1] Field C B, Behrenfeld M J, Randerson J T, Falkowski P. Primary production of the biosphere: integrating terrestrial and oceanic components. Science, 1998, 281(5374): 237-240.
[2] Fang J Y, Piao S L, Tang Z Y, Peng C H, Ji W. Interannual variability in net primary production and precipitation. Science, 2001, 293(5536): 1723-1723.
[3] 杨会巾, 李小玉, 刘丽娟, 马金龙, 王进. 基于耦合模型的干旱区植被净初级生产力估算. 应用生态学报, 2016, 27(6): 1750-1758.
[4] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841.
[5] Field C B, Randerson J T, Malmstr?m C M. Global net primary production: Combining ecology and remote sensing. Remote Sensing of Environment, 1995, 51(1): 74-88.
[6] Li J, Wang Z L, Lai C G, Wu X Q, Zeng Z Y, Chen X H, Lian Y Q. Response of net primary production to land use and land cover change in mainland China since the late 1980s. Science of the Total Environment, 2018, 639: 237-247.
[7] 张猛, 曾永年. 融合高时空分辨率数据估算植被净初级生产力. 遥感学报, 2018, 22(1): 143-152.
[8] 和清华, 谢云. 我国太阳总辐射气候学计算方法研究. 自然资源学报, 2010, 25(2): 308-319.
[9] 元志辉, 池勇峰, 雷军, 包刚, 包玉海, 萨楚拉, 咏梅. 2000-2013年浑善达克沙地植被净初级生产力变化研究. 冰川冻土, 2017, 39(1): 185-199.
[10] 杨文冰. 气候与土地利用覆被变化对中国南方草地NPP的影响[D]. 成都: 成都理工大学, 2016.
[11] 陈志军. 基于起伏地形下重庆地区的天文辐射、气温分布研究[D]. 南京: 南京气象学院, 2004.
[12] 朴世龙, 方精云, 郭庆华. 1982-1999年我国植被净第一性生产力及其时空变化. 北京大学学报: 自然科学版, 2001, 37(4): 563-569.
[13] 刘春雨. 省域生态系统碳源/汇的时空演变及驱动机制——以甘肃省为例[D]. 兰州: 兰州大学, 2015.
[14] 李刚, 辛晓平, 王道龙, 石瑞香. 改进CASA模型在内蒙古草地生产力估算中的应用. 生态学杂志, 2007, 26(12): 2100-2106.
[15] Bao G, Bao Y H, Qin Z H, Xin X P, Bao Y L, Bayarsaikan S, Zhou Y, Chuntai B. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model. International Journal of Applied Earth Observation and Geoinformation, 2016, 46: 84-93.
[16] 傅伯杰, 刘国华, 孟庆华. 中国西部生态区划及其区域发展对策. 干旱区地理, 2000, 23(4): 289-297.
[17] 冯益明, 姚爱冬, 姜丽娜. CASA模型的改进及在干旱区生态系统NPP估算中的应用. 干旱区资源与环境, 2014, 28(8): 39-43.
[18] 项阳, 李君轶, 陈宏飞. 基于CASA模型的神东矿区植被NPP变化研究. 湖北农业科学, 2017, 56(10): 1843-1846, 1856-1856.
[19] 李伟, 张国明, 李兆君. 东亚地区陆地生态系统净第一性生产力时空格局. 生态学报, 2008, 28(9): 4173-4183.
[20] 杨东辉. 基于MODIS数据的石羊河上游植被净第一性生产力变化研究[D]. 兰州: 西北师范大学, 2011.
[21] 彭代亮. 基于统计与MODIS数据的水稻遥感估产方法研究[D]. 杭州: 浙江大学, 2009.
[22] 郭婧, 柳小妮, 任正超. 基于GIS模块的气象数据空间插值方法新改进——以甘肃省为例. 草原与草坪, 2011, 31(4): 41-45, 50-50.
[23] 魏靖琼, 柳小妮, 任正超, 潘冬荣, 王红霞. 区域尺度下气候因子的插值优化及其与草地NPP的相关性. 草业科学, 2012, 29(12): 1842-1848.
[24] 田文婷. 疏勒河流域植被净初级生产力估算及其时空变化研究[D]. 兰州: 兰州大学, 2014.
[25] Xiao X M, Hollinger D, Aber J, Goltz, M, Davidson E A, Zhang Q Y, Moore III B. Satellite-based modeling of gross primary production in an evergreen needleleaf forest. Remote Sensing of Environment, 2004, 89(4): 519-534.
[26] Xiao X, Boles S, Frolking S, Salas W, Moore III B, Li C, He L, Zhao R. Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data. International Journal of Remote Sensing, 2002, 23(15): 3009-3022.
[27] 闫慧敏, 肖向明, 黄河清. 黄淮海多熟种植农业区作物历遥感检测与时空特征. 生态学报, 2010, 30(9): 2416-2423.
[28] 孙银良, 周才平, 石培礼, 宋明华, 熊定鹏. 西藏高寒草地净初级生产力变化及其对退牧还草工程的响应. 中国草地学报, 2014, 36(4): 5-12.
[29] 赵芬. 基于CASA模型的锡林郭勒盟草地净初级生产力遥感估算与验证[D]. 北京: 中国农业科学院, 2015.
[30] Huete A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002, 83(1): 195-213.
[31] 李恒凯, 欧彬, 刘雨婷. 基于MOD17A3的南岭山地森林区植被NPP时空分异分析. 西北林学院学报, 2017, 32(6): 197-202.
[32] 谢宝妮, 秦占飞, 王洋, 常庆瑞. 黄土高原植被净初级生产力时空变化及其影响因素. 农业工程学报, 2014, 30(11): 244-253.
[33] 王钊, 李登科. 2000—2015年陕西植被净初级生产力时空分布特征及其驱动因素. 应用生态学报, 2018, 29(6): 1876-1884.
[34] 王芳, 汪左, 张运. 2000—2015年安徽省植被净初级生产力时空分布特征及其驱动因素. 生态学报, 2018, 38(8): 2754-2767.
[35] Zhao M S, Heinsch F A, Nemani R R, Running S W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164-176.
[36] 雷延鹏, 孙智辉, 蒋小莉, 刘志超, 曹雪梅, 冯璐, 王理. 基于MOD17A3的陕北植被净初级生产力变化特征研究. 安徽农业科学, 2017, 45(36): 55-57, 93-93.
[37] 高志强, 刘纪远. 中国植被净生产力的比较研究. 科学通报, 2008, 53(3): 317-326.
[38] 裘骏一. 基于CASA模型的中卫沙坡头自然保护区NPP时空变化研究[D]. 兰州: 兰州大学, 2016.
[39] 朱文泉, 潘耀忠, 龙中华, 陈云浩, 李京, 扈海波. 基于GIS和RS的区域陆地植被NPP估算——以中国内蒙古为例. 遥感学报, 2005, 9(3): 300-307.
[40] 焦伟, 陈亚宁, 李稚. 西北干旱区植被净初级生产力的遥感估算及时空差异原因. 生态学杂志, 2017, 36(1): 181-189.
[41] 刘金平, 古丽·加帕尔, 赵金, 张鹏飞, 包安明. 多尺度遥感数据融合的荒漠净初级生产力估算. 干旱区研究, 2015, 32(3): 592-597.
[42] Pan S F, Tian H Q, Lu C Q, Dangal S R S, Liu M L. Net primary production of major plant functional types in China: vegetation classification and ecosystem simulation. Acta Ecologica Sinica, 2015, 35(2): 28-36.
[43] 封志明, 杨艳昭, 丁晓强, 林忠辉. 气象要素空间插值方法优化. 地理研究, 2004, 23(3): 357-364.
[44] 王海军, 张勃, 靳晓华, 张华, 柳景峰, 戴声佩. 基于GIS的祁连山区气温和降水的时空变化分析. 中国沙漠, 2009, 29(6): 1196-1202.
[45] 李翔, 王忠, 赵景学, 罗天祥. 念青唐古拉山南坡高寒草甸生产力对温度和降水变化的敏感性及其海拔分异. 生态学报, 2017, 37(17): 5591-5601.
[46] Sun Q L, Feng X F, Ge Y, Li B L. Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China. Ecological Informatics, 2015, 27: 44-54.
[47] Chen J M, Chen X, Ju W. Effects of vegetation heterogeneity and surface topography on spatial scaling of net primary productivity. Biogeosciences, 2013, 10(7): 4879-4896.
[48] 李国亮, 赵军. 黑河流域上游草地NPP分布及其与地形因子的关系分析. 甘肃科技, 2013, 29(21): 30-32.
[49] 詹蕾. SRTM DEM的精度评价及其适用性研究[D]. 南京: 南京师范大学, 2008.
[50] 朱梅, 李发源. 坡度分级对地面坡谱的影响研究. 测绘科学, 2009, 34(6): 165-167.
[51] 额日敦同拉嘎. 基于DEM的内蒙古大青山林地景观格局分析[D]. 呼和浩特: 内蒙古师范大学, 2013.
[52] 赵琛, 张兰慧, 李金麟, 田杰, 吴维臻, 金鑫, 张喜风, 蒋忆文, 王晓磊, 贺缠生, 白晓. 黑河上游土壤含水量的空间分布与环境因子的关系. 兰州大学学报: 自然科学版, 2014, 50(3): 338-347.
[53] 贾海坤, 刘颖慧, 徐霞, 王昆, 高琼. 皇甫川流域柠条林地水分动态模拟——坡度、坡向、植被密度与土壤水分的关系. 植物生态学报, 2005, 29(6): 910-917.
[54] 赵永, 沙晋明. 地形因子对福州市水热空间分布影响的分析. 遥感信息, 2007, (6): 68-72.
[2] Fang J Y, Piao S L, Tang Z Y, Peng C H, Ji W. Interannual variability in net primary production and precipitation. Science, 2001, 293(5536): 1723-1723.
[3] 杨会巾, 李小玉, 刘丽娟, 马金龙, 王进. 基于耦合模型的干旱区植被净初级生产力估算. 应用生态学报, 2016, 27(6): 1750-1758.
[4] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841.
[5] Field C B, Randerson J T, Malmstr?m C M. Global net primary production: Combining ecology and remote sensing. Remote Sensing of Environment, 1995, 51(1): 74-88.
[6] Li J, Wang Z L, Lai C G, Wu X Q, Zeng Z Y, Chen X H, Lian Y Q. Response of net primary production to land use and land cover change in mainland China since the late 1980s. Science of the Total Environment, 2018, 639: 237-247.
[7] 张猛, 曾永年. 融合高时空分辨率数据估算植被净初级生产力. 遥感学报, 2018, 22(1): 143-152.
[8] 和清华, 谢云. 我国太阳总辐射气候学计算方法研究. 自然资源学报, 2010, 25(2): 308-319.
[9] 元志辉, 池勇峰, 雷军, 包刚, 包玉海, 萨楚拉, 咏梅. 2000-2013年浑善达克沙地植被净初级生产力变化研究. 冰川冻土, 2017, 39(1): 185-199.
[10] 杨文冰. 气候与土地利用覆被变化对中国南方草地NPP的影响[D]. 成都: 成都理工大学, 2016.
[11] 陈志军. 基于起伏地形下重庆地区的天文辐射、气温分布研究[D]. 南京: 南京气象学院, 2004.
[12] 朴世龙, 方精云, 郭庆华. 1982-1999年我国植被净第一性生产力及其时空变化. 北京大学学报: 自然科学版, 2001, 37(4): 563-569.
[13] 刘春雨. 省域生态系统碳源/汇的时空演变及驱动机制——以甘肃省为例[D]. 兰州: 兰州大学, 2015.
[14] 李刚, 辛晓平, 王道龙, 石瑞香. 改进CASA模型在内蒙古草地生产力估算中的应用. 生态学杂志, 2007, 26(12): 2100-2106.
[15] Bao G, Bao Y H, Qin Z H, Xin X P, Bao Y L, Bayarsaikan S, Zhou Y, Chuntai B. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model. International Journal of Applied Earth Observation and Geoinformation, 2016, 46: 84-93.
[16] 傅伯杰, 刘国华, 孟庆华. 中国西部生态区划及其区域发展对策. 干旱区地理, 2000, 23(4): 289-297.
[17] 冯益明, 姚爱冬, 姜丽娜. CASA模型的改进及在干旱区生态系统NPP估算中的应用. 干旱区资源与环境, 2014, 28(8): 39-43.
[18] 项阳, 李君轶, 陈宏飞. 基于CASA模型的神东矿区植被NPP变化研究. 湖北农业科学, 2017, 56(10): 1843-1846, 1856-1856.
[19] 李伟, 张国明, 李兆君. 东亚地区陆地生态系统净第一性生产力时空格局. 生态学报, 2008, 28(9): 4173-4183.
[20] 杨东辉. 基于MODIS数据的石羊河上游植被净第一性生产力变化研究[D]. 兰州: 西北师范大学, 2011.
[21] 彭代亮. 基于统计与MODIS数据的水稻遥感估产方法研究[D]. 杭州: 浙江大学, 2009.
[22] 郭婧, 柳小妮, 任正超. 基于GIS模块的气象数据空间插值方法新改进——以甘肃省为例. 草原与草坪, 2011, 31(4): 41-45, 50-50.
[23] 魏靖琼, 柳小妮, 任正超, 潘冬荣, 王红霞. 区域尺度下气候因子的插值优化及其与草地NPP的相关性. 草业科学, 2012, 29(12): 1842-1848.
[24] 田文婷. 疏勒河流域植被净初级生产力估算及其时空变化研究[D]. 兰州: 兰州大学, 2014.
[25] Xiao X M, Hollinger D, Aber J, Goltz, M, Davidson E A, Zhang Q Y, Moore III B. Satellite-based modeling of gross primary production in an evergreen needleleaf forest. Remote Sensing of Environment, 2004, 89(4): 519-534.
[26] Xiao X, Boles S, Frolking S, Salas W, Moore III B, Li C, He L, Zhao R. Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data. International Journal of Remote Sensing, 2002, 23(15): 3009-3022.
[27] 闫慧敏, 肖向明, 黄河清. 黄淮海多熟种植农业区作物历遥感检测与时空特征. 生态学报, 2010, 30(9): 2416-2423.
[28] 孙银良, 周才平, 石培礼, 宋明华, 熊定鹏. 西藏高寒草地净初级生产力变化及其对退牧还草工程的响应. 中国草地学报, 2014, 36(4): 5-12.
[29] 赵芬. 基于CASA模型的锡林郭勒盟草地净初级生产力遥感估算与验证[D]. 北京: 中国农业科学院, 2015.
[30] Huete A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002, 83(1): 195-213.
[31] 李恒凯, 欧彬, 刘雨婷. 基于MOD17A3的南岭山地森林区植被NPP时空分异分析. 西北林学院学报, 2017, 32(6): 197-202.
[32] 谢宝妮, 秦占飞, 王洋, 常庆瑞. 黄土高原植被净初级生产力时空变化及其影响因素. 农业工程学报, 2014, 30(11): 244-253.
[33] 王钊, 李登科. 2000—2015年陕西植被净初级生产力时空分布特征及其驱动因素. 应用生态学报, 2018, 29(6): 1876-1884.
[34] 王芳, 汪左, 张运. 2000—2015年安徽省植被净初级生产力时空分布特征及其驱动因素. 生态学报, 2018, 38(8): 2754-2767.
[35] Zhao M S, Heinsch F A, Nemani R R, Running S W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164-176.
[36] 雷延鹏, 孙智辉, 蒋小莉, 刘志超, 曹雪梅, 冯璐, 王理. 基于MOD17A3的陕北植被净初级生产力变化特征研究. 安徽农业科学, 2017, 45(36): 55-57, 93-93.
[37] 高志强, 刘纪远. 中国植被净生产力的比较研究. 科学通报, 2008, 53(3): 317-326.
[38] 裘骏一. 基于CASA模型的中卫沙坡头自然保护区NPP时空变化研究[D]. 兰州: 兰州大学, 2016.
[39] 朱文泉, 潘耀忠, 龙中华, 陈云浩, 李京, 扈海波. 基于GIS和RS的区域陆地植被NPP估算——以中国内蒙古为例. 遥感学报, 2005, 9(3): 300-307.
[40] 焦伟, 陈亚宁, 李稚. 西北干旱区植被净初级生产力的遥感估算及时空差异原因. 生态学杂志, 2017, 36(1): 181-189.
[41] 刘金平, 古丽·加帕尔, 赵金, 张鹏飞, 包安明. 多尺度遥感数据融合的荒漠净初级生产力估算. 干旱区研究, 2015, 32(3): 592-597.
[42] Pan S F, Tian H Q, Lu C Q, Dangal S R S, Liu M L. Net primary production of major plant functional types in China: vegetation classification and ecosystem simulation. Acta Ecologica Sinica, 2015, 35(2): 28-36.
[43] 封志明, 杨艳昭, 丁晓强, 林忠辉. 气象要素空间插值方法优化. 地理研究, 2004, 23(3): 357-364.
[44] 王海军, 张勃, 靳晓华, 张华, 柳景峰, 戴声佩. 基于GIS的祁连山区气温和降水的时空变化分析. 中国沙漠, 2009, 29(6): 1196-1202.
[45] 李翔, 王忠, 赵景学, 罗天祥. 念青唐古拉山南坡高寒草甸生产力对温度和降水变化的敏感性及其海拔分异. 生态学报, 2017, 37(17): 5591-5601.
[46] Sun Q L, Feng X F, Ge Y, Li B L. Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China. Ecological Informatics, 2015, 27: 44-54.
[47] Chen J M, Chen X, Ju W. Effects of vegetation heterogeneity and surface topography on spatial scaling of net primary productivity. Biogeosciences, 2013, 10(7): 4879-4896.
[48] 李国亮, 赵军. 黑河流域上游草地NPP分布及其与地形因子的关系分析. 甘肃科技, 2013, 29(21): 30-32.
[49] 詹蕾. SRTM DEM的精度评价及其适用性研究[D]. 南京: 南京师范大学, 2008.
[50] 朱梅, 李发源. 坡度分级对地面坡谱的影响研究. 测绘科学, 2009, 34(6): 165-167.
[51] 额日敦同拉嘎. 基于DEM的内蒙古大青山林地景观格局分析[D]. 呼和浩特: 内蒙古师范大学, 2013.
[52] 赵琛, 张兰慧, 李金麟, 田杰, 吴维臻, 金鑫, 张喜风, 蒋忆文, 王晓磊, 贺缠生, 白晓. 黑河上游土壤含水量的空间分布与环境因子的关系. 兰州大学学报: 自然科学版, 2014, 50(3): 338-347.
[53] 贾海坤, 刘颖慧, 徐霞, 王昆, 高琼. 皇甫川流域柠条林地水分动态模拟——坡度、坡向、植被密度与土壤水分的关系. 植物生态学报, 2005, 29(6): 910-917.
[54] 赵永, 沙晋明. 地形因子对福州市水热空间分布影响的分析. 遥感信息, 2007, (6): 68-72.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |