img

官方微信

遥感技术与应用, 2019, 34(5): 950-958 doi: 10.11873/j.issn.1004-0323.2019.5.0950

林业遥感专栏

多层土壤观测数据同化的森林碳、水通量模拟

刘克俭,1, 闫敏2, 冯琦1

1. 中国人民公安大学公安遥感应用工程技术研究中心,北京 100083

2. 中国科学院遥感与数字地球研究所数字地球重点实验室,北京 100094

Forest Carbon and Water Fluxes Simulation Using Multi-layer Soil Parameters Assimilation

Liu Kejian,1, Yan min2, Feng qi1

1. People’s Public Security University of China, Beijing 100038, China

2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

收稿日期: 2019-03-19   修回日期: 2019-10-10   网络出版日期: 2019-11-28

Received: 2019-03-19   Revised: 2019-10-10   Online: 2019-11-28

作者简介 About authors

刘克俭(1969-),男,山东烟台人,副教授,主要从事遥感技术与应用研究E-mail:liukejian@ppsuc.edu.cn , E-mail:liukejian@ppsuc.edu.cn

摘要

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度,利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量,该模型包含了多层土壤模块、物候模块以及管理模块;其次,利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中,并用站点涡动通量数据进行了验证。结果表明:与Biome-BGC模型模拟结果相比,Biome-BGC MuSo改善了站点净生态系统交换量(Net ecosystem exchange, NEE)、生态系统呼吸量(Ecosystem respiration, ER)和蒸散发(Evapotranspiration, ET)模拟精度,站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后,碳、水通量模拟结果有了进一步的提升(NEE: R2 = 0.70, RMSE = 1.16 gC·m–2·d–1; ER: R2 = 0.85, RMSE = 1.97 gC·m–2·d–1 ; ET: R2 = 0.81, RMSE = 0.70 mm·d–1)。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。

关键词: 土壤温度 ; 土壤水分 ; Biome-BGC MuSo ; 集合卡尔曼滤波

Abstract

A strategy of forest carbon and water fluxes simulation was proposed aiming at taking into account soil vertical movements and improving the simulation of forest carbon and water fluxes. Forest carbon and water fluxes at Changbai Mountain forest site was simulated using Biome-BGC MuSo model, which was composed of multi-layer soil module, phenology module and management module. Then multi-layer soil observed parameters were assimilated into Biome-BGC MuSo model, and modeled carbon and water fluxes were evaluated against eddy covariance data. The results demonstrated that Biome-BGC MuSo improved simulations of Net Ecosystem Exchange (NEE), Ecosystem Respiration (ER), and evapotranspiration (ET). After data assimilation, carbon and water fluxed were improved at the Changbai Mountain forest site (NEE: R2 = 0.70, RMSE = 1.16 gC·m–2·d–1; ER: R2 = 0.85, RMSE = 1.97 gC·m–2·d–1; ET: R2 = 0.81, RMSE = 0.70 mm·d–1). Data-model assimilation provides scientific technology in simulation of forest carbon and water fluxes.

Keywords: Soil temperature ; Soil moisture ; Biome-BGC MuSo ; Ensemble Kalman filter

PDF (3511KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘克俭, 闫敏, 冯琦. 多层土壤观测数据同化的森林碳、水通量模拟. 遥感技术与应用[J], 2019, 34(5): 950-958 doi:10.11873/j.issn.1004-0323.2019.5.0950

Liu Kejian, Yan min, Feng qi. Forest Carbon and Water Fluxes Simulation Using Multi-layer Soil Parameters Assimilation. Remote Sensing Technology and Application[J], 2019, 34(5): 950-958 doi:10.11873/j.issn.1004-0323.2019.5.0950

1 引 言

森林作为陆地生态系统的第一大碳库,其碳通量的准确估算对全球碳循环及气候变化具有重要意义[1]。目前,观测和模拟是描述生态系统过程的两种主要手段,其中,生态过程模型作为定量化碳、水通量的重要途径,在森林生态系统碳、水通量的模拟中的应用已十分广泛[2,3,4]。生态过程模型中的土壤模块描述了植被枯落物、土壤有机质的分解以及氮的矿化和平衡等过程,在整个生态系统中具有重要地位。而土壤温度和水分是控制土壤相关过程的敏感参数,是碳通量和水通量平衡的重要纽带[5],土壤温度调节着地表及地下的呼吸过程,包括自养呼吸和异养呼吸[6];土壤水分对土壤呼吸的作用较为复杂,主要受到根部重量、枯落物量、土壤有机碳、土壤密度等因素的综合影响。

绝大多数的生态过程模型都是基于单层土壤模块进行模拟,未考虑土壤水分的垂直运动,仅涉及植被吸收水分、冠层截留、融雪、径流以及土壤蒸腾等水循环过程,因此,诸多研究已从改善土壤水循环的角度改进了土壤模拟过程,如Pietsch等[7]扩展了Biome-BGC模型,充分考虑了季节性洪灾情况下地表水的下渗过程;Wang等[8]以交换关键变量(如LAI,土壤温度和水分)的方式整合了Biome-BGC模型和多层水文模型(SHAW),经通量站点验证表明整合后的模型显著了提高了碳、水通量的模拟精度;Hidy等[9]基于Biome-BGC模型,发展了Biome-BGCMuSo模型,该模型增加了多层土壤水模块、物候模块以及人为管理模块,多层土壤水模块中土壤碳、水通量过程主要依赖于土壤质地,但区域范围内多层土壤质地参数的获取,仍然存在困难,这也是造成模型模拟偏差的重要原因。

生态过程模型模拟过程中不可避免地存在误差及不确定性,主要来源于输入数据、模型参数等,数据同化提供了融合观测数据和模型的有效方式,在考虑数据时空分布、模型误差和观测误差的基础上,在模型运行动态过程中不断加入观测数据,以实时纠正模型模拟过程中产生的误差[10,11]。按照数据同化算法与模型之间的关系,将同化算法分为顺序同化和连续同化[12],顺序同化为滤波算法,常见的顺序滤波包括集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)等。土壤参数同化到过程模型中已有相关研究,旨在更新模型相关变量或调整参数初始状态。如Yu等[13]利用粒子滤波算法将站点观测的土壤温度和MODIS陆表温度产品同化到陆面过程模型中,有效提高了模型的模拟精。Zhu等[14]比较了多尺度土壤水分数据同化到水文模型中的效果,表明粗分辨率的土壤水分观测数据对模型参数的优化也有帮助。Ines等[15]利用集合卡尔曼滤波算法,分别同化土壤水分和LAI产品到作物模型中,由此调控模型参数,改善状态变量。

目前生态过程模型模拟碳、水通量普遍存在土壤层简化、多层土壤参数难以获取等问题,由此造成碳、水通量的估计存在偏差;数据同化作为提高模型模拟精度的重要手段,针对多层土壤水同化到过程模型中的研究较少。因此,本文拟以长白山森林通量站点为例,探索站点多层土壤水热数据的同化,改善碳、水通量模拟精度的同时,以期为区域尺度的模拟以及森林资源可持续发展提供技术支撑和科学的参考。

2 研究区及数据

2.1 长白山森林通量站

长白山森林通量观测站位于吉林省延边朝鲜族自治州安图县二道白河镇。该站位于长白山自然保护区内,地理坐标42°24′9″N,128°05′45″E,周围地势较为平坦,海拔高度738 m,该站代表了中国典型的温带针阔混交林生态类型。长白山森林通量观测站属于温带大陆性气候,受季风气候影响,具有显著的中纬度山地气候特征,春季干旱多风,夏季炎热多雨,冬季干燥寒冷,年平均气温3.6℃,年平均降水量713 mm,主要集中在6~8月,全年日照时数为2 271~2 503 h,无霜期109~141 d。

长白山森林通量塔下垫面植被类型为阔叶红松林,主要树种有红松(Pinus koraiensis)、紫椴(Tilia amurensis)、蒙古栎(Quercus mongolica Fisch. ex Ledeb)、水曲柳(Fraxinus mandshurica)等。观测塔共安装了7层常规气象系统、开路式涡度相关通量观测系统(CSAT3超声风速仪(Campbell, USA)和Li7500 CO2/H2O(Li-cor, USA)红外气体分析仪)、7层CO2廓线系统。观测从2002年开始,数据采样频率为10 Hz,通量平均时间为30 min。

2.2 数据概况

2.2.1 站点通量数据

研究获取了长白山森林通量站2003~2007年的通量及气象数据。长白山森林通量站建有62 m的通量塔,传感器固定在40 m的吊杆上,并在塔的逆风处延申3 m,以保证风场畸变的最小化[16]。开路涡动通量系统包含了三维声波风速计和快速响应的开路红外气体分析仪,原始通量数据和气象数据的获取频率分别为10 Hz和0.5 Hz,每个变量分别计算30 min的平均值。原始数据获取后,需要进行一系列的预处理,主要包括野点剔除,坐标系转换,时间滞后分析,频率响应订正和WPL校正等,30 min碳通量和能量的计算通过EdiRe软件完成。根据涡动观测获取的碳通量数据,可直接得到净生态系统交换量(Net Ecosystem Exchange, NEE),并从NEE中分离计算得到总初级生产力(Gross Primary Productivity, GPP)和生态系统呼吸量(Ecosystem Repiration, ER),研究中认为植被在夜间没有光照的情况下不进行光合作用,夜间的NEE即为生态系统呼吸,呼吸强度通常与温度之间存在指数函数的关系[17],文中采用Vant’s Hoff呼吸方程拟合NEE与温度:

NEEnight=Rref,10×Q10(T-10)/10

其中:Rref,10是温度为10℃时的呼吸速率,Q10是呼吸随温度的变化速率,T为长白山森林通量站实测的10 cm的土壤温度。在假定白天温度对生态系统呼吸的响应与夜晚相同的条件下,可根据公式(1)推算白天生态系统的呼吸量[18],进而将NEE与ER求和计算得到生态系统GPP[19]。水通量(Evaportranspiration, ET)可以通过能量和水分的等价方程来表示,潜热通量(LE, W·m-2)与蒸散发(ET)的转换关系为:ET = LE/λ,λ为水蒸气的汽化参数。

2.2.2 站点气象数据

站点观测的气象要素包括2003~2007年日平均空气温度(Tday)、日平均湿度(RH)、逐日降水量(Precp)以及光合有效辐射(PAR)。由于模型输入数据需要,将原始大气观测项目逐小时的数据处理计算得到逐日最高温(Tmax)、最低温(Tmin)、降水量(Precip)、光合有效辐射(Photosynthesis active radiation ,PAR)等。此外,由寒区旱区科学数据中心发布的中国区域高时空分辨率地面气象要素驱动数据集获取了1980~2002年的长白山森林通量站观测数据,用于初始化Biome-BGCMuSo模型。驱动模型所需要的其他参数,饱和水气压差(Vapor Pressure Deficit, VPD)、下行短波辐射(Shortwave download radiation, Srad)、日照时数(Daylen),由山地气候模型(MTCLIM 4.3)计算得来[20],该模型利用站点逐日最高温、最低温和降水数据,借助DEM、坡度、坡向以及站点纬度信息,即可计算站点的VPD、Srad和Daylen参数。

长白山森林通量站土壤有3层组成,深度分别为5、20和40cm,表层(0~5 cm)为枯枝落叶层;5~20 cm为深灰色或深灰棕色腐殖质层,黏壤土,根系分布较多;20~40 cm为白浆土,根系分布较多。40cm向下基本没有根系分布,且白浆土的透水能力弱,因此,土壤水分的向上和向下运动主要发生在这三个活跃层。活跃层土壤温湿度的测量主要利用数据采集微记录器(CR23X-TD, Campbell Scientific Inc., Utah, USA),最终得到频率为30 min的土壤温湿度。

2.2.3 土壤质地数据

土壤质地数据是生态过程模型的重要输入参数,Biome-BGCMuSo模型需要输入站点的土壤砂土、粉土以及粘土百分比含量,土壤质地数据由中国科学院资源环境数据云平台提供,其空间分辨率为1 km。

2.2.4 其他数据

站点DEM、坡度和坡向数据也是模型的重要输入参数,DEM数据自ASTER GDEM下载,由此计算得到站点的坡度、坡向。

3 研究方法

3.1 Biome-BGCMuSo模型

Biome-BGCMuSo模型在Biome-BGC模型基础上改进而来,时间尺度为每天,输入数据包括气象数据、站点信息、生理生态参数以及二氧化碳(CO2)和氮沉降数据(N-dep)。模型主要的生态过程包含光合作用、分配、落叶以及碳、氮、水在植被、枯落物和土壤间的循环。模拟过程分为两个阶段,首先是初始化阶段,模型在较低土壤碳和氮含量的情况下开始运行,直到达到稳定的状态,由此模拟得到状态变量的初始值;第二阶段是常规模拟阶段,该阶段利用初始化阶段得到的碳、氮的初始值进行模拟。

模型输入文件包含3类:①初始化文件,包括研究区的基本信息(经纬度、海拔、坡度、坡向等位置信息以及土壤质地组成、土壤有效深度),输入输出文件的设定等;②气象数据文件,包含日尺度的最高温、最低温、降水、饱和水汽压差、辐射以及日照时数;③生理生态参数文件,包含站点植被的生理生态参数,如叶片碳氮比、最大气孔导度以及分配比例等。

Biome-BGCMuSo模型主要包含两个模块:①碳通量模块。植被GPP通过Farquhar光合酶促反应机理模型计算得来[21],自养呼吸分成了维持性呼吸(MR)和生长性呼吸(GR),维持性呼吸是活立木中氮含量的函数,而生长性呼吸是由碳分配到植被各组分的比例计算得来。GPP减掉MR和GR可得到NPP,而生态系统得碳平衡由NPP和异养呼吸(HR)维持,异养呼吸由一系列得分解活动调控,枯落物和土壤得分解过程通过异养呼吸进行,NEE正是由NPP减去HR计算得到。②多层土壤模块。本文根据长白山森林通量站的特点,将土壤模块设计为三个活跃层,第一层深度为0~5 cm,第二层为5~20 cm,第三层为20~40 cm,研究中认为底层土壤水含量等于田间含水量,且土壤矿化值为固定的很小的值。Biome-BGCMuSo模型提供了两种经验方程计算温度,第一种方法简便易行,假设地表温度和边界层温度为指数关系(Biome-BGC模型中仅仅考虑线性关系);第二种方法基于DSSAT模型和4M模型[22]来估算土壤温度。经过实验对比,文中采用DSSAT/4M模型估算土壤温度。与Biome-BGC相比,Biome-BGCMuSo模型新增了水分的径流、扩散和渗透等,增强了蒸腾过程的模拟。

3.2 集合卡尔曼滤波

EnKF算法是根据蒙特卡洛方法的短期集合预报方式,来估计预报误差协方差[23]。其主要思路是:先根据背景场和观测值的特征误差分布对背景场和观测值产生一系列扰动,并通过扰动生成模型预报的状态变量集合(Ensemble),每个时刻状态变量集合的均值作为该时刻状态变量的最优估计值[23],每个集合通过过程驱动模型前向积分,以预测下一时刻的状态变量集合。在没有观测值的情况下,利用模型进行模拟,即通过初始值驱动模型后,利用前一时刻的状态变量预测下一时刻的状态变量;在有观测值的情况下,利用观测数据对每个时刻集合分别进行更新,所有集合的均值表示状态参量的最优估计,估计值的方差基于集合计算。通过集合卡尔曼滤波进行分析,同时考虑模型预报误差和观测数据误差,利用卡尔曼增益对模拟结果进行更新,最终利用同化后的状态变量预测下一时刻的状态变量。

文中将土壤温湿度同化到模型中,一旦有观测数据输入,模型模拟即被中断,EnKF算法将更新模型状态变量,基于更新的状态变量重新初始化和模拟,直到下一次的更新。模型参数的不确定性设为10%且符合高斯分布[24],顺序同化同时可纠正模型参数的误差。集合大小由随机采样的方式决定,研究中设置为集合为200,观测数据(土壤温湿度)误差从已有研究中获取[25]

原始Biome-BGC模型中,土壤有机质和枯落物的分解过程主要受土壤温度,土壤水分状态,土壤和枯落物的碳、氮含量影响,而根部的维持性呼吸受土壤温度和根部的碳、氮含量影响。Biome-BGCMuSo模型中,土壤温湿度的限制作用根据特定土壤层的土壤水含量和土壤温度计算(区别于原始模型中利用整个土壤层的平均土壤温湿度)。

根部的维持性呼吸计算方式如下:

MR=1nr(NrootMlayermrpernQ10Tsoil(layer)-20))

其中:nr是土壤层数;Nroot是土壤根部的总含氮量;Mlayer是某一层中根部所占比重;mrpern是可调整的生理生态参数;Q10是温度每发生10℃的变化呼吸的变化比例;Tsoil(layer)是某一层的土壤温度。数据同化过程中,随着逐日土壤温度的输入,可更新根部呼吸值,用于下一步计算生态系统呼吸值。

模型中利用土壤体积含水量、土壤层厚度和水分密度计算土壤含水量,初始化阶段同化观测土壤含水量转化为体积含水量矩阵,反过来可为模拟阶段传递可靠的土壤含水量信息。一旦土壤观测数据同化到模型中,将会改善初始化过程,同时在模型模拟阶段纠正参数误差。文中对比了同化前模型模拟结果(Biome-BGC和Biome-BGCMuSo模型)以及同化Biome-BGCMuSo模型后的碳、水通量结果,并用站点2003~2007年的涡动通量数据进行了验证。

4 结果与分析

4.1 净生态系统交换量结果分析

根据站点观测的涡动通量数据显示,长白山森林通量站在2003和2004年冬季平均NEE均为正值,(分别为9.76 gC·m-2·yr-1 和2.13 gC·m-2·yr-1),该站点在该段时间内表现为碳汇,意味着即使在温度较低的情况下,森林生态系统的总光合作用仍然超过呼吸作用。3组实验(Biome-BGC、Biome-BGCMuSo和同化后的Biome-BGCMuSo)模拟的NEE分别表示为: NEE_BGC、NEE _MuSo和NEE _DA,与站点观测NEE(NEE_EC)对比发现,3组实验模拟的NEE季节变化和碳源/汇情况与NEE_EC整体一致(图1(a))。

图1

图1   长白山森林通量站2003~2007年NEE模拟结果季节变化与涡动通量数据的对比图

Fig.1   Season variations of NEE obtained from EC measurements, calibrated Biome-BGC, Biome-BGC MuSo and assimilated Biome-BGC MuSo


模拟结果与涡动通量数据的相关性分析表明:NEE_BGC存在明显的低估(图1(b),R 2 = 0.64, RMSE = 3.340 gC·m-2·d-1, p < 0.01),由表1可知,年均值为275.01 gC·m-2·yr-1,明显低于NEE_EC(359.96 gC·m-2·yr-1),其中冬季的低估最为明显,其均值为;-23.11 gC·m-2·yr-1,而涡动通量的冬季均值为-3.67 gC·m-2·yr-1,冬季的低估整体上削弱了森林生态系统碳汇的作用。NEE_MuSo的模拟在引入了多层土壤模块后,模拟效果有了明显改善(图1(c),R 2 = 0.67, RMSE = 1.228 gC·m-2·d-1, p < 0.05),主要是由于Biome-BGCMuSo模型对土壤呼吸模拟的改善,进而改善了NEE。

表1   长白山森林通量站2003~2007年NEE年均及季节均值

Table1  Statistics of average NEE on the forest flux site during 2003 to 2007

NEE

年均值

(gC·m–2·yr–1)

春季均值

(gC·m–2·yr–1)

夏季均值(gC·m–2·yr–1)

秋季均值

(gC·m–2·yr–1)

冬季均值(gC·m–2·yr–1)
EC359.9627.99323.3415.77-3.67
BGC275.0112.44254.1931.48-23.11
MuSo414.6623.46381.5726.33-16.69
DA413.5815.01372.9442.16-16.52

新窗口打开| 下载CSV


土壤参量同化改善土壤呼吸作用的同时,间接提高了NEE的模拟精度(图1(d)R 2 = 0.70, RMSE = 1.163 gC·m-2·d-1, p < 0.05),且其年均值及季节均值与通量观测均值更为接近。

4.2 生态系统呼吸结果分析

利用涡动通量观测值计算得到的ER(ER_EC)分别验证Biome-BGC(ER_BGC)、Biome-BGCMuSo(ER_MuSo)和同化后的Biome-BGCMuSo(ER_DA)模拟的ER,由图2(a)可知,各组实验模拟结果的季节变化与ER_EC一致性较好,从整体上证明了模拟的可靠性。

图2

图2   长白山森林通量站2003~2007年ER模拟结果季节变化及其与涡动通量数据的对比图

Fig.2   Season variations of ER obtained from EC measurements, calibrated Biome-BGC, Biome-BGC MuSo and assimilated Biome-BGC MuSo


ER_BGC经ER_EC验证后,存在明显的高估,年均值为1 868.55 gC·m-2·yr-1,ER_EC年均值仅为1 035.55 gC·m-2·yr-1表2),夏季的高估最为明显,ER_BGC夏季均值为1 004.88 gC·m-2·yr-1,比观测值的夏季均值高了近一倍。Biome-BGC模型中土壤有机质的分解受温度、水分和土壤碳氮含量影响,而根部呼吸受土壤温度和碳、氮含量的影响;Biome-BGCMuSo模型中,这些变量对土壤有机质分解和根部呼吸的影响分层逐级计算,降低了模拟过程中的不确定性,使得ER_ MuSo与ER_BGC相比(R 2 = 0.78, RMSE = 3.241 gC·m-2·d-1, p < 0.01),模拟结果精度有了极大提高(R 2 = 0.81, RMSE = 2.499 gC·m-2·d-1, p < 0.01)(图2(c))。

表2   长白山森林通量站2003~2007年ER年均及季节均值

Table2  Statistics of average ER on the forest flux site during 2003 to 2007

ER

年均值

(gC·m–2·yr–1)

春季均值

(gC·m–2·yr–1)

夏季均值

(gC·m–2·yr–1)

秋季均值

(gC·m–2·yr–1)

冬季均值

(gC·m–2·yr–1)

EC1 035.55148.48578.43255.7352.92
BGC1 868.55346.941 004.88426.5990.14
MuSo1 613.73222.39925.59362.09103.66
DA1 467.05200.71850.30332.6483.41

新窗口打开| 下载CSV


随着同化过程的加入,ER_DA在年均值(1 467.05 gC·m-2·yr-1)和季节均值(夏季:850.30 gC·m-2·yr-1)上都明显接近了ER_EC(图2(d)),且与ER_EC的相关度更高,误差更小(R 2 = 0.85, RMSE = 1.969 gC·m-2·d-1, p < 0.01)。

4.3 蒸散发模拟结果分析

图3(a)分别为Biome-BGC(ET_BGC)、Biome -BGCMuSo(ET_MuSo)和同化后的Biome-BGCMuSo(ET_DA)模拟ET的结果,3组实验模拟的ET与涡动通量得到的ET(ET_EC)季节变化情况较为一致,年均值及各个季节的均值见表3

图3

图3   长白山森林通量站2003~2007年ET模拟结果季节变化及其与涡动通量数据的对比图

Fig.3   Season variations of ET obtained from EC measurements, calibrated Biome-BGC, Biome-BGC MuSo and assimilated Biome-BGC MuSo


表3   长白山森林通量站2003~2007年ET年均及季节均值

Table3  Statistics of average ET on the forest flux site during 2003 to 2007

ET

年均值

(mm·yr–1)

春季均值

(mm·yr–1)

夏季均值

(mm·yr–1)

秋季均值

(mm·yr–1)

冬季均值

(mm·yr–1)

EC448.52126.13304.43111.0217.58
BGC313.0455.78153.0991.0913.08
MuSo381.4171.46212.5686.7210.67
DA450.4885.05245.31106.3913.74

新窗口打开| 下载CSV


与ET_EC 相比(年均值为448.52 mm·yr-1),ET_BGC存在明显的低估现象(图3(b),R2 = 0.68, RMSE = 1.152 mm·d-1, p < 0.01),年均值为313.04 mm·yr-1,ET_MuSo模拟结果有明显改善,夏季模拟值的提升最为明显,年均值提升至381.41 mm·yr-1,夏季的均值由153.09 mm·yr-1提升至212.56 mm·yr-1,更为接近ET_EC的夏季值(304.43 mm·yr-1)。植被在缺氧条件下气孔会闭合而长白山森林通量站夏季通常降水量较大,易造成缺氧条件,Biome-BGC模型并未考虑到这点,另外Biome-BGC模型中不考虑土壤的饱和问题,这与长白山森林通量站冬季或初春底层土壤通常为冻融层的实际情况不符,因此,ET_MuSo在充分考虑了土壤饱和及缺氧等情况下的模拟更为合理(图3(c)R2 = 0.72, RMSE = 0.895 mm·d-1, p < 0.01)。

随着土壤温湿度数据的加入,模型模拟的土壤蒸腾过程得到改善,进而提高了生态系统的蒸散发(图3(d),R2 = 0.81, RMSE = 0.696 mm·d-1, p < 0.01),同化后ET_DA的年均值(450.48 mm·yr-1)与ET_EC最为接近,且夏季及秋季的提高最为明显。

5 讨 论

基于Biome-BGCMuSo模型和数据同化算法模拟了碳、水通量的季节变化,经站点涡动通量数据验证后精度有明显的提高,主要归因于土壤观测数据的同化,提高了土壤呼吸和蒸腾作用的模拟,进而提高了生态系统碳、水通量模拟效果。然而,碳、水通量在冬季模拟的低估现象仍然存在,表明Biome-BGCMuSo模型众多参数的本地化及不确定性研究需进一步提高。

由于观测站点和观测数据的可获取性较差,研究中未针对同化方法做多个站点不同植被类型的验证,后期可通过分析长白山森林地区的气候代表性,即精度的提高与气候及水热条件的关系,间接证明该方法的可靠性和可推广性。

森林碳、水通量的时间序列变化除了受气候因素(温度、降水、辐射等)影响外,其他干扰因素(火灾、砍伐、放牧)的影响同样不可忽视,将在后续工作中进一步探讨。

6 结 语

本文基于站点观测数据、遥感数据、土壤质地以及相关辅助数据,利用生态过程模型和EnKF算法,模拟了长白山森林通量站的碳、水通量,对比分析了Biome-BGC、Biome-BGCMuSo模型以及同化Biome-BGCMuSo模型后的结果,验证了站点碳、水通量模拟的准确性,主要结论如下:

(1)Biome-BGCMuSo模型在Biome-BGC模型基础上,增加了多层土壤、人为管理、物候、灌溉等模块,丰富了植被生理生态过程的模拟,提高了土壤碳、水通量的模拟精度,进而提高生态系统的模拟精度,ET: R2 = 0.72, RMSE = 0.895 mm·d-1;ER: R2 = 0.81, RMSE = 2.499 gC·m-2·d-1; NEE: R2 = 0.67, RMSE = 1.228 gC·m-2·d-1

(2)随着站点观测数据的同化,改善了土壤呼吸和蒸腾作用的模拟,使得模型碳、水通量的模拟精度有了更进一步的提高,ET: R2 = 0.81, RMSE = 0.696 mm·d-1;ER: R2 = 0.85, RMSE = 1.969 gC·m-2·d-1; NEE: R2 = 0.70, RMSE = 1.163 gC·m-2·d-1

综上所述,多层土壤模型和数据同化算法的引入,可较大提高碳、水通量的模拟精度,进而为区域尺度碳、水通量模拟以及为全球碳循环研究奠定了方法基础。

参考文献

Pukkala, T. Carbon Forestry is Surprising

[J]. Forest Ecosystem,2018, 5:11. doi:10.1186/s40663-018-0131-5.

[本文引用: 1]

Running S W, Hunt E R.

Generalization of a Forest Ecosystem Process Model for Other Biomes, BIOME~BGC, and An Application for Global~scale Models

[M]. Scaling Physiological Processes: Leaf to Globe. San Diego: Academic Press, 1993: 141-158.

[本文引用: 1]

Thornton P E, Rosenbloom N A.

Ecosystem Model Spin-up: Estimating Steady State Conditions in a Coupled Terrestrial Carbon and Nitrogen Cycle Model

[J]. Ecological Modelling, 2005, 189(1):25-48.

[本文引用: 1]

Li Ainong,Bian Jinhu,Zhang Zhengjian,et al.

An Integrated Multi-scale Remote Sensing Experiment on Carbon Budget Parameters in the Zoige Plateau:Scientific Objectives and Experiment Design

[J]. Remote Sensing Technology and Application, 2016, 31(3): 405-416.

[本文引用: 1]

李爱农,边金虎,张正健,.

若尔盖高原区域碳收支参量多尺度遥感综合观测试验:科学目标与试验设计

[J]. 遥感技术与应用, 2016, 31(3): 405-416.

[本文引用: 1]

Ise T, Moorcroft P R.

The Global-scale Temperature and Moisture Dependencies of Soil Organic Carbon Decomposition: An Analysis Using A Mechanistic Decomposition Model

[J]. Biogeochemistry, 2006, 80(3):217231.

[本文引用: 1]

Hursh A, Ballantyne A, Cooper L, et al.

The Sensitivity of Soil Respiration to Soil Temperature, Moisture, and Carbon Supply at the global scale

[J]. Global Change Biology, 2017, 23(5):2090-2103.

[本文引用: 1]

Pietsch SA, Hasenauer H, Kucera J, et al.

Modeling Effects of Hydrological Changes on the Carbon and Nitrogen Balance of Oak in Floodplains

[J]. Tree Physiology, 2003, 23(11):735746.

[本文引用: 1]

Wang Xufeng, Ma M, Yi S, et al.

Coupling of A Biogeochemical Model with A Simultaneous Heat and Water Model and Its Evaluation at An Alpine Meadow Site

[J]. Environmental Earth Sciences, 2014, 72(10):4085-4096.

[本文引用: 1]

Dóra Hidy, Zoltán Barcza, Hrvoje M, et al.

Terrestrial Ecosystem Process Model Biome-BGCMuSo v4.0: Summary of Improvements and New Modeling Possibilities

[J]. Geoscientific Model Development, 2016, 9(12):4405-4437.

[本文引用: 1]

Ma Jianwen, Qin Sixian, Wang Haoyu, et al.

Data Assimilation Algorithm Development and Experiment

[M]. Beijing: Science Press, 2013.马建文,秦思娴,王皓玉,.

数据同化算法研发与实验

[M]. 北京: 科学出版社, 2013.

[本文引用: 1]

Shen Zheqi, Tang Youmin, Gao Yanqiu.

The Theoretical Framework of the Ensemble-based Data Assimilation Method and Its Prospect in Oceanic Data Assimilation

[J]. Haiyang Xuebao, 2016, 38(3): 1-14.

沈浙奇,唐佑民,高艳秋

集合资料同化方法的理论框架及其在海洋资料同化的研究展望

[J]. 海洋学报, 2016, 38(3): 1-14.

[本文引用: 1]

Li Xin, Bai Yulong.

A Bayesian Filter Framework for Sequential Data Assimilation

[J]. Advances in Earth Science, 2010, 25(5):515-522.

李新, 摆玉龙

顺序数据同化的Bayes滤波框架

[J]. 地球科学进展, 2010, 25(5):515-522.

[本文引用: 1]

Yu Zhongbo, Fu Xiaolei, Luo Lifeng, et al.

One‐dimensional Soil Temperature Simulation with Common Land Model by Assimilating in Situ Observations and MODIS LST with the Ensemble Particle Filter

[J]. Water Resources Research, 2015, 50(8):6950-6965.

[本文引用: 1]

Zhu Penghui, Shi Liangsheng, Zhu Yan, et al.

Data Assimilation of Soil Water Flow Via Ensemble Kalman Filter: Infusing Soil Moisture Data at Different Scales

[J]. Journal of Hydrology, 2017, 555:912-925.

[本文引用: 1]

Ines AV, Das NN, Hansen JW, et al.

Assimilation of Remotely Sensed Soil Moisture and Vegetation with A Crop Simulation Model for Maize Yield Prediction

[J]. Remote Sensing of Environment, 2013, 138:149-164.

[本文引用: 1]

Wu J B, Guan D X, Sun X M, et al.

Eddy Flux Corrections for CO2 Exchange in Broad-leaved Korean Mixed Forest of Changbai Mountains

[J]. Science in China Series D Earth Sciences, 2005, 48(S1):106-115.

[本文引用: 1]

Lasslop G, Reichstein M, Papale D, et al.

Separation of Net Ecosystem Exchange into Assimilation and Respiration Using A Light Response Curve Approach: Critical Issues and Global Evaluation

[J]. Global Change Biology, 2010, 16(1):187-208.

[本文引用: 1]

Yan Min, Li Zengyuan, Tian Xin, et al.

Remote Sensing Estimation of Gross Primary Productivity and Its Response to Climate Change in the Upstream of Heihe River Basin

[J]. Chinese Journal of Plant Ecology, 2016, 40(1):1-12.

闫敏

李增元, 田昕,.

黑河上游植被总初级生产力遥感估算及其对气候变化的响应

[J]. 植物生态学报, 2016, 40(1):1-12.

[本文引用: 1]

Desai A R, Richardson A D, Moffat A M, et al.

Cross-site Evaluation of Eddy Covariance GPP and RE Decomposition Techniques

[J]. Agricultural and Forest Meteorology, 2008, 148(6-7):821-838.

[本文引用: 1]

Bristow K L, Campbell G S.

On the Relationship between incoming Solar Radiation and Daily Maximum and Minimum Temperature

[J]. Agricultural and Forest Meteorology, 1984, 31(2):159-166.

[本文引用: 1]

Farquhar G D, von Caemmerer S, Berry J A.

A Biochemical Model of Photosynthetic CO2 Assimilation in Leaves of C3 Species

[J]. Planta, 1980, 149: 78-90.

[本文引用: 1]

Sándor R, Fodor N.

Simulation of Soil Temperature Dynamics with Models Using Different Concepts

[J]. The Scientific World Journal, 2012, doi:10.1100/2012/590287.

[本文引用: 1]

Evensen G.

The Ensemble Kalman Filter: Theoretical Formulation and Practical Implementation

[J]. Ocean Dynamics, 2003, 53(4):343-367.

[本文引用: 2]

White M A, Thornton P E, Running S W, et al.

Parameterization and Sensitivity Analysis of the BIOME~BGC Terrestrial Ecosystem Model: Net Primary Production Controls

Earth Interactions, 2000, 4(3): 1-85.

[本文引用: 1]

Wang Zhian, Pei Tiefan.

Determination and Calculation of Evapotranspiration of Broad-leaved Korean Pine Forest on Changbai Mountain

[J]. Chinese Journal of Applied Ecology, 2002, 1312):1547-1550.

王志安,裴铁璠

长白山阔叶红松林蒸散量的测算

[J]. 应用生态学报,2002,13(12):1547-1550.

[本文引用: 1]

/