img

官方微信

遥感技术与应用, 2020, 35(5): 1015-1027 doi: 10.11873/j.issn.1004-0323.2020.5.1015

LAI专栏

不同叶面积指数遥感数据模拟中国总初级生产力的时空差异

侯吉宇,1, 周艳莲,1, 刘洋2

1.南京大学地理与海洋科学学院,江苏 南京 210023

2.中国科学院地理科学与资源研究所,北京 100101

Spatial and Temporal Differences of GPP Simulated by Different Satellite-derived LAI in China

Hou Jiyu,1, Zhou Yanlian,1, Liu Yang2

1.School of Geography and Ocean science,Nanjing University,Nanjing,Jiangsu 210023,China

2.Institute of Geographical Sciences and Resources,Chinese Academy of Sciences,Beijing 100101,China

通讯作者: 周艳莲(1980年-),女,湖北应城人,副教授,主要从事陆地生态系统碳水循环模拟,生态环境遥感。E⁃mail:zhouyl@nju.edu.cn

收稿日期: 2020-02-04   修回日期: 2020-04-27   网络出版日期: 2020-11-26

基金资助: 国家重点研发计划项目.  2019YFA0606604
国家自然科学基金项目.  41671343

Received: 2020-02-04   Revised: 2020-04-27   Online: 2020-11-26

作者简介 About authors

侯吉宇(1994-),男,黑龙江佳木斯人,硕士研究生,主要从事陆地生态系统总初级生产力估算E⁃mail:18061790512@163.com , E-mail:18061790512@163.com

摘要

陆地生态系统总初级生产力(GPP)反映了植物吸收固定大气中CO2的能力,是碳循环过程中的重要环节。光能利用率(LUE)模型被广泛应用于GPP模拟。叶面积指数(LAI)数据是LUE模型的重要输入数据,不同的LAI数据差异较大,从而导致GPP模拟存在很大差异。利用3种常用的卫星遥感LAI数据(MCD15、GLASS和GlobMap)和气象数据模拟中国2003~2017年的GPP,比较了3种LAI数据在中国区域的时空差异,分析不同LAI数据模拟的中国GPP的时空差异。研究结果表明:3种LAI数据在中国区域的年平均值和LAI变化趋势的空间分布格局存在明显差异,森林区域的差异较大;2003~2017年间,中国区域3种LAI年平均值均呈显著增加趋势(p<0.01),但不同LAI数据年平均值的年际变化差异明显;站点尺度GLASS LAI模拟的GPP与观测值相关性较好;不同LAI数据模拟的中国GPP总量多年平均值差异明显,最大值为7.46 Pg C a-1 (GLASS),最小值为6.39 Pg C a-1 (GlobMap);3种LAI数据模拟的中国GPP总量在2003~2017年呈显著增加趋势(p<0.05),但不同的LAI数据模拟的中国GPP年总量的年际变化差异明显;不同LAI数据模拟的年均GPP和GPP变化趋势的空间分布格局存在明显差异,森林和农田区域的差异较大。研究结果有助于评估由于LAI数据造成的区域GPP模拟结果的不确定性。

关键词: 叶面积指数(LAI) ; 总初级生产力(GPP) ; 两叶光能利用率模型(TL-LUE) ; 时空差异

Abstract

Terrestrial Gross Primary Production (GPP) is a key component of the carbon cycle, which represents the ability of plants to absorb and fix CO2 in the atmosphere. Light Use Efficiency (LUE) model is commonly used in regional simulation of GPP. Leaf Area Index (LAI) is a key input data in TL-LUE model. There are great spatial and temporal difference between various LAI data. Difference in spatial and temporal patterns between GPP simulations derived with different LAI needs to be investigated further. In this study, three satellite-derived LAI data, MCD15, GLASS and GlobMap, were used to simulate GPP in China from 2003 to 2017. Firstly, three LAI data were compared to investigate the difference in the spatial and temporal patterns. Then, GPP simulated by three LAI data were compared to investigate the difference. Results showed that spatial and temporal patterns of LAI differed substantially among different LAI data, and there were great differences in forest regions. Averaged annual value of three LAI data showed significant increasing trends from 2003 to 2017(p<0.01). However, the interannual variation of the annual mean value of different LAI data were obviously different. The GPP simulated by GLASS LAI had high correlation with EC GPP. Mean annual total GPP in China simulated with different LAI data has great difference, varied from 6.39 Pg C a-1 (GlobMap) to 7.46 Pg C a-1 (GLASS). Annual total GPP in China simulated by three LAI data showed significant increasing trends from 2003 to 2017 (p<0.05). However, the interannual variation of different annual total GPP were obviously different. The spatial and temporal patterns of GPP differed substantially among different simulated GPP, and there were great differences in forest and crop regions. This study was helpful to assess the uncertainties of regional GPP simulation derived from input data.

Keywords: Leaf Area Index (LAI) ; Gross Primary Productivity (GPP) ; Two Leaf Light Use Efficiency (TL-LUE) model ; Spatial and temporal difference

PDF (11244KB) 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

侯吉宇, 周艳莲, 刘洋. 不同叶面积指数遥感数据模拟中国总初级生产力的时空差异. 遥感技术与应用[J], 2020, 35(5): 1015-1027 doi:10.11873/j.issn.1004-0323.2020.5.1015

Hou Jiyu, Zhou Yanlian, Liu Yang. Spatial and Temporal Differences of GPP Simulated by Different Satellite-derived LAI in China. Remote Sensing Technology and Application[J], 2020, 35(5): 1015-1027 doi:10.11873/j.issn.1004-0323.2020.5.1015

1 引 言

陆地生态系统总初级生产力(Gross Primary Production, GPP)是绿色植物在单位时间和单位面积上固定的有机碳总量,反映了植物光合作用的能力,是碳循环过程的重要组成部分1。GPP决定了大气和陆地生态系统之间的碳交换2,在调节生态系统功能和缓解全球变暖等方面都具有重要的作用3-4。目前对大尺度生态系统总初级生产力的估计仍有很大的不确定性,准确估算区域或全球尺度GPP对研究全球气候变化有着重要的作用5

常用的区域尺度GPP模型主要包括生态过程模型和光能利用率(Light Use Efficiency, LUE)模型,其中LUE模型具有方法简单、输入数据易于获取以及充分利用遥感数据等特点,被广泛地用于模拟区域和全球尺度的GPP6

作为LUE模型的重要输入数据之一,叶面积指数(Leaf Area Index, LAI)是表征植被冠层结构的基本参数之一,定义为单位地表面积上绿叶表面积总和的一半7。基于卫星遥感的LAI数据被广泛用于碳水通量的模拟。目前常用的卫星遥感LAI数据有:MODIS8、GlobMap9、GIMMS10、GLASS11和GEOV112 LAI等,它们为区域和全球尺度GPP模拟提供了可靠的数据源。然而,由于采用的遥感数据和LAI反演算法的不同,LAI数据之间存在较大的差异13,因此会对GPP模拟结果产生影响。Zhang等14研究了2001~2015年间全球MODIS C5和C6两种数据植被指数的变化趋势,发现Terra C5和Terra C6数据之间差异显著,这可能是传感器退化导致的,需要重新评估之前基于MODIS Terra C5数据研究结果的可靠性。Xiao等15研究了全球4种LAI数据的时空一致性,发现不同LAI数据的空间差异很大,热带雨林地区差异最为显著,4种LAI数据都合理地反映了全球植被特征及其季节变化。Jiang等16在全球尺度上研究了1982~2011年4种长时间序列LAI数据的年际变化趋势,发现4种LAI数据都表明全球LAI呈明显增趋势,但它们之间的年际变化差异很大。Liu等17研究了2000~2012年3种LAI数据对中国区域碳水通量模拟的影响,结果表明不同LAI数据之间存在差异,LAI数据的不确定性会对碳水通量模拟造成很大的影响。Xie等18基于BEPS模型和EC-LUE模型研究了全球96个站点不同LAI数据对GPP模拟的影响,结果表明BEPS模型对LAI的敏感性高于EC-LUE模型,输入LAI数据的不同会导致GPP估计存在很大的不确定性。

为了比较不同卫星遥感LAI数据模拟中国区域GPP的时空差异,本研究选取了3种常用的LAI数据(MODIS、GLASS和GlobMap),分别比较不同LAI数据在中国区域的年平均值和变化趋势的空间分布,以及LAI年平均值的年际变化,分析了3种LAI数据在中国区域的时空差异。基于TL-LUE模型,模拟中国区域2003~2017年的GPP。分别比较不同LAI数据模拟的中国区域GPP年平均值和年际变化趋势的空间分布、GPP年总量以及GPP年平均值的年际变化等,分析了3种LAI数据模拟中国GPP的时空差异,为研究区域和全球尺度GPP模拟提供借鉴。

2 数据与方法

2.1 数 据

2.1.1 LAI数据

研究使用的3种LAI数据包括MODIS LAI、GLASS LAI和GlobMap LAI,基本情况如表1所示。MCD15 LAI(https://lpdaac.usgs.gov/data/)是基于Terra-Aqua MODIS遥感地表反射率数据,采用三维辐射传输模型算法模拟生成查找表,反演得到的全球真实LAI数据14。MCD15比单独的基于Terra或Aqua数据得到的LAI产品的精度高19。GLASS LAI(http://glass-product.bnu.edu.cn/)是基于MODIS遥感数据,采用广义回归神经网络算法,反演生成的全球陆表真实LAI数据20-21。GlobMap LAI(http://modis.cn/globalLAI/)是基于AVHRR/MODIS数据,采用改进的GLOBCARBON LAI算法建立像元级的LAI关系背景库,最后反演生成的全球真实LAI数据9

表1   LAI数据信息(MCD15,GLASS和GlobMap)

Table 1  Characteristic of the LAI data(MCD15,GLASS and GlobMap)

LAI数据集版本数据源空间分辨率时间分辨率时间范围参考文献
MCD15C6MODIS500 m8 d2003~2017Myneni等[8]
GLASSV4.0MODIS C61 km8 d2003~2017Xiao等[20]
GlobMapV3.0MODIS C6500 m8 d2003~2017Liu等[9]

新窗口打开| 下载CSV


2.1.2 土地覆盖类型和气象数据

土地覆盖类型数据采用的是MODIS Collection 6地表覆盖数据集MCD12Q1 V06中提供的国际地圈生物圈计划(IGBP)全球植被分类方案数据(https://lpdaac. usgs.gov /data/)。气象数据是基于全国753个气象台站的观测数据,经过反距离加权插值(Inverse Distance Weighted, IDW)方法生成22,包括逐日总辐射、饱和水气压差(VPD)和日最低气温(Tamin)等。利用天尺度气象数据模拟每日的GPP。

2.1.3 站点通量观测数据

利用ChinaFLUX中8个典型生态站点232006~2010年的通量观测数据进行站点尺度GPP模拟结果的验证:长白山温带针阔混交林(CBS)、千烟洲亚热带人工针叶林(QYZ)、西双版纳热带雨林(XSBN)、鼎湖山亚热带常绿阔叶林(DHS)、海北高寒草甸、当雄高寒草甸(DX)、内蒙古温带典型草原(NMG)和禹城温带农田站点(YC)。8个通量站点的位置分布见图1

图1

图1   2017年中国土地覆盖类型分布图

审图号:GS(2016)2886

Fig.1   Land cover map of China in 2017


2.2 TL-LUE模型

TL-LUE模型将植被分成阴叶和阳叶两部分,分别计算阴叶和阳叶的GPP,最后得到整个冠层的GPP24,GPP的计算公式为:

GPP=εmsh×APARsh+εmsun×APARsun×    fVPD×f(Tamin)

其中:f(VPD)f(Tamin)分别为饱和水气压差(VPD)和日最低温度(Tamin限制因子,εmsh和εmsun分别为阴叶和阳叶的最大光能利用效率。参考Zhou等25利用全球98个通量站点,268站年观测数据进行模型参数优化得到的εmshεmsun 表2)。APARsh和APARsun分别代表阴叶和阳叶吸收的光合有效辐射(PAR),计算公式为:

APARsh=1-α×[(PARdif-PARdif,u)/         LAI+C]×LAIsh 
APARsun=1-α×[PARdir×cos (β)/cos (θ)+           (PARdif-PARdif,u)/LAI+C]×LAIsun 

其中:α为反照率,由植被类型决定(表2);C为冠层内部辐射的多次散射项;β为叶倾角默认取值为60°;θ为太阳天顶角;PARdifPARdir分别代表入射PAR的散射和直射分量7,计算公式为:

PARdif=PAR×0.7527+3.8453R-      16.316 R2+18.962R3-7.0802R4
PARdir=PAR-PARdif 

公式(2)和(3)中的PARdif,u为冠层下方的散射PAR,计算公式为:

PARdif,u=PARdif×exp (-0.5ΩLAI/cos (θ))

式中:Ω为聚集度系数,由植被类型确定(表2)。

表2   TL-LUE模型参数

Table 2  Parameters of the TL-LUE model

植被类型DBFDNFEBFENFMFSHRGRACROSAVWS
聚集度指数Ω0.80.60.80.60.80.80.90.90.80.8
反照率α0.180.150.180.150.170.230.230.230.160.16
εmsun(g CMJ-1)0.620.400.490.590.660.460.891.190.50.48
εmsh(g CMJ-1)2.171.731.961.871.842.112.824.811.531.70
VPDmax(kpa)4.14.14.14.14.14.14.14.14.14.1
VPDmin(kpa)0.930.930.930.930.930.930.930.930.930.93
Tamin,h (℃)7.9410.449.098.318.511.3912.0212.028.6111.39
Tamin,l (℃)-8-8-8-8-8-8-8-8-8-8

新窗口打开| 下载CSV


公式(2)和(3)中的LAIsun和LAIsh分别代表阳叶和阴叶的LAI,计算公式为:

LAIsun=2×cos θ×(1-exp (-0.5LAIcos (θ)))
LAIsh=LAI-LAIsun

公式(1)中的fVPDf(Tamin)的计算公式为:

fVPD= 0                   VPDVPDmax VPDmax-VPDVPDmax-VPDmin  VPDmin<VPD<VPDmax1                    VPDVPDmin
fTamin= 0       TaminTamin,l Tamin-Tamin,lTamin,h-Tamin,l    Tamin,l<Tamin<Tamin,h1      TaminTamin,h

式中:VPDmaxVPDminTamin,lTamin,h是VPD和Tamin校正函数中的参数,与植被类型有关(表2)。

Wu等26和Zhou等25利用全球涡度通量数据在站点尺度进行验证,结果表明TL-LUE模型模拟结果优于LUE模型。Zan等27利用TL-LUE模型模拟了中国的GPP,并验证其与卫星荧光数据之间具有较好的时空一致性。单良等28利用TL-LUE模型模拟了中国的GPP,并与全球GPP产品Fluxcom GPP进行比较,结果表明TL-LUE模型模拟的GPP与Fluxcom GPP也有很好的时空一致性。

2.3 模型评价指标

利用决定系数(R2)和均方根误差(RMSE)和8个通量站点观测数据(GPP_EC)验证模拟结果GPPsim。决定系数的计算公式如下:

R2=[i=1N(GPPEC(i)-GPPEC¯)(GPPsim(i)-GPPsim¯)]2i=1N(GPPEC(i)-GPPEC¯)2i=1N(GPPsim(i)-GPPsim¯)2

其中:GPPEC代表通量观测值,GPPsim代表模拟值,R2越大,观测值与模拟值之间的相关性越强。

均方根误差(RMSE)计算公式如下:

RMSE=1Ni=1N(GPPECi-GPPsim(i))2

3 结果与讨论

3.1 不同LAI数据时空差异

3.1.1 不同LAI数据空间差异

2003~2017年间,3种LAI数据(LAI-MCD15、LAI-GLASS和LAI-GlobMap)在中国区域的年平均值的空间分布格局,基本上都是由南向北,由东向西逐渐递减(图2(a)~(c))。南部地区的常绿林和混交林LAI年平均值较高(>3 m2m-2),东北和西北地区的混交林以及南方地区的灌木林次之(1.5~3 m2m-2),中东部、西南和东北地区的农田相对较低(1~1.5 m2m-2),西北和青藏高原草地的年平均LAI值最低(<1 m2m-2)。

图2

图2   2003~2017年中国LAI-MCD15、LAI-GLASS和LAI-GlobMap年平均值(a~c)、差异(d~f)和年平均变化趋势(g~i)的空间分布(经过了M-K趋势检测,正值代表LAI有显著增加趋势(p<0.05),负值代表LAI有显著减少趋势(p<0.05),灰色代表没有显著变化趋势(p>0.05)) (单位:m2 m-2)

审图号:GS(2016)2886

Fig.2   Spatial patterns of annual mean LAI-MCD15, LAI-GLASS, LAI-GlobMap (a~c) and the differences (d~f) between each two LAI data and the trends of LAI (g~i) in China during 2003~2017 (after M-K trend detection, positive values represent significant increase trends (p< 0.05), negative values represent significant decrease trends (p < 0.05), gray represents no significant trends (p > 0.05)) (Uint: m2 m-2)


森林区域3种LAI数据年平均值空间分布的差异较大(图2(d)~(f))。在东北、东南和西南地区的森林,LAI-GlobMap年平均值明显高于LAI-GLA-SS和LAI-MCD15,部分地区差异超过0.8 m2m-2

华南的部分森林区域,LAI-GLASS年平均值较高,LAI-MCD15次之,LAI-GlobMap的年平均值相对较低。3种LAI数据年平均值在草地和农田区域的空间差异相对较小。

2003~2017年间,中国大部分地区LAI年平均值均有显著的增加趋势(p<0.05)。3种LAI年平均值变化趋势的空间分布格局存在明显差异(图2(g)~(i))。LAI-MCD15、LAI-GLASS和LAI-GlobMap显著增加(p<0.05)区域占中国植被覆盖面积的比例分别为36.9%、29.2%和33.8%,显著下降(p<0.05)区域占中国植被覆盖面积的比例分别为2.0%、5.5%和2.5%。东北、西南、华南以及黄土高原等地区,3种LAI均有显著增加趋势(p<0.05)。黄土高原地区LAI年平均增加为0.02 m2m-2左右,西南、华南等地区LAI年平均值年均增加超过0.05 m2m-2。在华北的大部分农田区域,3种LAI年平均值变化趋势的空间分布格局差异较大,其中 LAI-MCD15和LAI-GlobMap表现出明显的增加趋势(图2(g)、(i)),而LAI-GLASS的变化趋势并不明显(p>0.05)。LAI年平均值显著下降的区域主要集中在南方地区,其中,在长江下游地区,3种LAI都有显著的下降趋势(P<0.05)。此外,LAI-GLASS和LAI-GlobMap在中部和西南部地区也有比较明显的下降趋势,但LAI-MCD15在这些地区并没有明显的下降趋势。

3.1.2 不同LAI年际变化差异

2003~2017年全国LAI-MCD15、LAI-GLASS和LAI-GlobMap年平均值变化范围分别为0.77~0.90,0.91~1.02和0.83~1.03 m2m-2。3种LAI的多年年平均值差异明显(图3)。LAI-GLASS和LAI-GlobMap 多年年平均值(0.96和0.93 m2m-2)更加接近。LAI-MCD15的多年年均值最低(0.83 m2m-2)。2003~2012年LAI-GLASS的年平均值最高,范围为0.91~0.99 m2m-2,LAI-Glob Map年平均值的范围为0.82~0.96 m2m-2。随着时间的推移,LAI-GlobMap与LAI-GLASS年平均值差异逐渐缩小(图4(a))。2012年后,LAI-GlobMap的年平均值开始超过LAI-GLASS。2003年3种LAI的年平均值差异最大,LAI-GLASS(0.92 m2m-2)比LAI-MCD15(0.78 m2m-2)和LAI-GlobMap(0.83 m2m-2)分别高17.9%和10.8%。不同植被类型,3种LAI年平均值的变化也有明显差异(图3(b)~(d))。对于森林,LAI-GlobMap的年平均值最高(2.21~2.75 m2m-2),LAI-GLASS次之(2.09~2.38 m2m-2),LAI- MCD15最低(1.91~2.14 m2m-2)。农田LAI-GLASS的年平均值(1.08~1.16 m2m-2)明显高于LAI-MCD15(0.79~1.01 m2m-2)和LAI-GlobMap (0.75~1.00 m2m-2)。对于草地,LAI-MCD15和LAI-GLASS的年平均值相差不大(0.39~0.46 m2m-2),LAI-GlobMap的年平均值最低(0.29~0.35 m2m-2)。

图3

图3   2003~2017年中国LAI多年年平均值(单位:m2 m-2)

Fig.3   Multiyear averaged annual LAI of China during 2003~2017 (Uint: m2 m-2)


图4

图4   2003~2017年中国LAI年平均值(单位:m2 m-2)

Fig.4   Annual mean LAI of China during 2003~2017 (Unit: m2 m-2)


2003~2017年全国年平均LAI显著增加(p<0.01)(图4(a))。3种LAI年均值的年际变化斜率差异明显。LAI-GlobMap的年际变化斜率最高(0.013 m2m-2R2=0.91),LAI-MCD15次之(0.009 m2m-2R2=0.86),LAI-GLASS最低(0.007 m2m-2R2=0.85)。森林LAI的年平均变化率明显高于农田和草地(图4(b)~(d))。森林LAI-GlobMap的年平均变化率最高(0.033 m2m-2R2=0.86)。农田LAI-MCD15和LAI-GlobMap年平均变化率(0.013和0.015 m2m-2)明显高于LAI-GLASS(0.004 m2m-2)。草地LAI-MCD15和LAI-GlobMap有显著的增加趋势(p<0.05),而LAI-GLASS的增加趋势并不显著(p>0.05)。

3.2 不同LAI数据模拟的中国GPP的时空差异
3.2.1 TL⁃LUE模型站点尺度验证

利用站点气象数据和3种LAI数据模拟GPP (GPP-MCD15、GPP-GLASS和GPP-GlobMap)的年总量与站点通量观测GPP年总量(GPP-EC)比较的结果如图5所示。与GPP-MCD15和GPP-GlobMap相比,GPP-GLASS和GPP-CE之间更加接近1∶1线,GPP-GLASS的R2(0.81)比GPP-MCD15的R2 (0.69)和GPP-GlobMap的R2 (0.58)分别高17.4%和39.7%。GPP-GLASS与GPP-EC的RMSE最小(328.7 gC m2 a-1),比GPP-MCD15的RMSE和GPP-GlobMap的RMSE分别低27.9%和44.1%。

图5

图5   中国8个通量站点GPP-EC与GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量比较

Fig.5   Comparison of annual total GPP-EC and annual total GPP-MCD15, GPP-GLASS, GPP-GlobMap at 8 Chinaflux sites


3.2.2 不同LAI数据模拟GPP的空间差异

2003~2017年的GPP-MCD15、GPP-GLASS和GPP-GlobMap年平均值空间分布格局相似(图6(a)~(c))。中国GPP总量的80%以上分布在东部和南部等地区,西北地区和青藏高原地区的GPP仅占全国总量不到20%。GPP的分布趋势基本上是从东南部向西北部依次递减,在中纬度和低纬度地区较高,中高纬和中低纬度地区相对较低,这与Li等29模拟的中国区域GPP空间分布的特征一致。

图6

图6   2003~2017年中国GPP-MCD15、GPP-GLASS和GPP-GlobMap年平均值(a~c)、差异(d~f)和变化趋势(g~i)的空间分布(经过了M-K趋势检测,正值代表GPP有显著增加趋势(p<0.05),负值代表GPP有显著下降趋势(p<0.05),灰色代表没有显著变化趋势(p>0.05))

审图号:GS(2016)2886

Fig.6   Spatial patterns of GPP-MCD15,GPP-GLASS and GPP-GlobMap and the differences between each two GPP and the trends of annual mean GPP in China during 2003–2017(after M-K trend detection, positive values represent significant increase trends (p < 0.05), negative values represent significant decrease trends (p < 0.05), gray represents no significant trends (p > 0.05))


GPP-MCD15、GPP-GLASS和GPP-GlobMap年平均值在空间分布上存在差异,农田和森林区域的差异较大(图6(d)~(f))。在华北的大部分农田区域,GPP-GLASS年平均值(>2 300 g C m-2 a-1)明显高于GPP-MCD15和GPP-GlobMap。在西藏南部、云南和四川的部分森林区域,GPP-GlobMap年平均值最高(>2 400 g C m-2a-1),GPP-GLASS次之(2 000~2 300 g C m-2a-1),GPP-MCD15最低(1 900~2 200 g C m-2a-1)。在东北地区的森林和西北地区的草地,3种LAI数据模拟的GPP的年平均值的差异较小。

2003~2017年间,中国大部分地区GPP年平均值均有显著的增加趋势(p<0.05),特别是在北方地区GPP增加最为明显(图6(g)~(i))。GPP-MCD15、GPP-GLASS和GPP-GlobMap平均值的变化趋势在空间分布上差异明显,年平均值显著增加(p<0.05)区域的面积占中国植被覆盖面积的比例分别为31.8%、22.7%和32.6%,显著降低(p<0.05)区域的面积占中国植被覆盖面积的比例分别为2.8%、5.5%和3.3%。黄土高原和西南大部分地区GPP均有明显的增加趋势,GPP年均增加超过20g C m-2a-1。这与Liu等23和Ma等30的研究得到的黄土高原地区GPP有明显增加的结果一致。GPP-MCD15和GPP-GlobMap在华北和东北的大部分农田区域也表现出显著的增加趋势(p<0.05),GPP年平均增加超40g C m-2a-1。GPP-GLASS和GPP-GlobMap在华南的部分地区也有比较明显的增加趋势,而GPP-MCD15增加趋势并不明显。在长江下游地区,GPP有显著下降趋势(p<0.05),部分地区GPP年平均下降超过20 g C m-2 a-1。Ma等30的研究发现2003~2016年长江下游地区的GPP下降趋势明显。在陕西中部、四川盆地以及中部的一些地区,GPP-GLASS也有明显的下降趋势(p<0.05),但GPP-MCD15和GPP-GlobMap的变化趋势并不明显。

图7

图7   2003~2017年中国GPP年总量

Fig.7   Annual total GPP of China during 2003~2017


3.2.3 不同LAI数据模拟的中国GPP年总量差异

最终3种LAI模拟得到的2003~2017年中国GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量的多年平均值分别为6.60、7.46和6.39 Pg C a-1。之前许多学者对中国GPP进行了研究,Ma等30利用VPM模型模拟的2000~2016年中国GPP年总量平均值为6.74 Pg C a-1。Running等31利用MOD17算法模型拟的2000~2010年中国GPP年总量平均值为5.09 Pg C a-1。Li等32利用LUE模型模拟的2000~2009年中国GPP年总量平均值为6.04 Pg C a-1。Yao等33模拟的1982~2015年中国GPP年总量平均值为6.62 Pg C a-1。本研究模拟的中国GPP相对较高,但与Zan等27利用TL-LUE模型模拟的2007~2011年中国区域GPP年总量平均值7.17 Pg C a-1相差不大。这可能是由于研究的年份以及使用的GPP模型、数据有所不同。2003~2017年,中国GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量的变化范围分别为6.14~7.04,7.24~7.76和5.79~6.92 Pg Ca-1图8)。GPP-GLASS年总量始终高于GPP-MCD15和GPP-GlobMap。GPP-GLASS年总量的多年平均值(7.46 Pg Ca-1)比GPP-MCD15(6.60 Pg Ca-1)和GPP-GlobMap (6.39-Pg Ca-1)分别高13.0%和16.7%。GPP-MCD15、GPP-GLASS和GPP-GlobMap在2003年差异最大,GPP-GLASS比GPP-MCD15和GPP-GlobMap分别高18.0%,和25.3%。不同植被类型GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量差异明显。对于森林,GPP-MCD15、GPP-GLASS和GPP-GlobMap多年总量平均值分别为3.03 Pg Ca-1、3.45 Pg Ca-1和3.33 Pg Ca-1。对于农田,GPP-GLASS多年平均值最大,为2.79 Pg C a-1,GPP-MCD15次之,为2.39 Pg Ca-1,GPP-GlobMap最小,为2.20 Pg Ca-1。对于草地,GPP-GLASS和GPP-MCD15年总量相差不大,分别为1.22 Pg Ca-1和1.19 Pg Ca-1,GPP-GlobMap(0.86 Pg Ca-1)最小。

图8

图8   2003~2017年中国GPP年总量年际变化

Fig.8   Interannual variation of China’ annual total GPP during 2003~2017


3.2.4 不同LAI模拟的中国GPP的年际变化差异

2003~2017年,中国GPP年总量呈显著增加趋势(P<0.05)。GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量的年际变化斜率存在明显差异(图8)。GPP-GlobMap年平均增长率最高(0.069 Pg Ca-1R2=0.89),GPP-MCD15次之(0.055 Pg Ca-1R2=0.78),GPP-GLASS最低(0.03 Pg Ca-1R2=0.62)。森林GPP的年平均增长率明显高于农田和草地。森林GPP-GlobMap 的年平均增长率最高(0.036 Pg Ca-1R2=0.87)。农田GPP-MCD15和GPP-GlobMap有显著增加趋势(p<0.05),而GPP-GLASS的增加趋势不显著(p>0.05)。草地GPP-MCD15、GPP-GLASS和GPP-GlobMap变化趋势均不显著(p>0.05)。

2003~2017年,中国GPP整体呈增加趋势,但是在2008~2010年间出现了持续多年的下降(图8),干旱和温度异常等极端气候事件是造成GPP下降的主要原因34。例如2008年中国南方低温冻雨天气,以及2008~2010年全国持续的干旱,直接导致这段时间内中国GPP持续下降30。GPP-MCD15、GPP-GLASS和GPP-GlobMap年际波动存在明显差异(图8)。GPP-GLASS在2008年开始下降,此时GPP-MCD15和GPP-GlobMap都没有开始下降。2009年GPP-MCD15、GPP-GLASS和GPP-GlobMap都表现出明显的下降趋势,并且GPP-GLASS和GPP-GlobMap的降幅最大。2010年GPP-GLASS和GPP-GlobMap都开始增加,而GPP-MCD15仍然下降。森林GPP-MCD15、GPP-GLASS和GPP-GlobMap三者之间的年际波动差异均较大。农田和草地,GPP-MCD15和GPP-GlobMap的较小,GPP-GLASS与GPP-MCD15和GPP-GlobMap的年际波动的差异较大。

基于TL-LUE模型,使用相同的土地覆盖类型和气象数据,输入3种不同的LAI数据进行中国区域GPP的模拟,3种LAI数据之间的差异造成了不同GPP模拟结果空间格局和变化趋势的差异。在同一个区域输入数据的LAI值较大,最终模拟得到GPP的值也较大。LAI-GLASS值整体上高于LAI-MCD15和LAI-GlobMap,模拟结果GPP-GLASS值也是最大的,LAI数据的差异是导致GPP模拟结果之间差异的最重要的原因。不同卫星遥感LAI数据之间存在一定的不确定性,在一定程度上LAI数据的不确定性会造成陆地生态系统GPP模拟结果的不确定性17。因此,应该进一步研究LAI遥感数据,提高LAI数据的准确度,以降低GPP模拟结果的不确定性。

3.3 GPP模拟结果的不确定性

许多学者对中国陆地生态系统GPP进行研究,然而,不同GPP模拟结果之间存在很大差异35。 GPP模拟结果不确定性主要来源于以下3个方面36:模型结构、模型参数和模型的输入数据。气候因子、CO2的浓度的变化、氮沉降以及土地覆盖类型变化等都会对GPP产生影响37。一些基于生态过程的GPP模型,考虑到其中一些因素的影响,在模型结构中引入相关的模块,但是LUE模型并没有考虑CO2的施肥效应、氮沉降作用、大气臭氧效应等因素的影响38,可能会导致GPP模拟结果的不确定性。另外模型的参数也会对GPP模拟结果产生重要影响,Yuan等39发现LUE模型中重要的模型参数,最大光能利用效率的不确定性是导致植被GPP模拟精度不高的重要原因。本研究使用的模型参数是参考Zhou等25利用全球98个通量站点数据优化得到的阴阳叶的最大光能利用效率,适用于全球范围,但是没有单独对中国区域进行再次优化,可能也会导致GPP模拟结果的不确定性。LAI数据作为许多GPP模型的重要输入数据,会对陆地生态系统碳GPP模拟产生重要的影响,Zhao等40研究发现模型输入气象数据的准确性也会对GPP模拟结果产生重要影响。此外模型输入数据的分辨率、GPP验证数据的尺度匹配等问题都会影响GPP模拟结果。因此,在今后的研究中需要进一步考虑不同模型、模型参数以及不同输入数据等对于GPP模拟结果的影响,从而减少GPP模拟结果的不确定性,提高GPP的模拟精度。

4 结 论

本研究比较了3种LAI数据(MODIS、GLASS和GlobMap)的时空差异。利用气象数据和LAI数据,基于两叶光能利用率模型(TL-LUE),模拟了2003~2017年中国GPP,分析了不同LAI数据模拟GPP的时空差异。结果表明:

2003~2017年LAI-MCD15、LAI-GLASS和LAI-GlobMap在中国年平均值的空间分布格局整体相似,但是在森林区域3种LAI数据之间差异较大。西南和东南的部分森林,LAI-GlobMap年平均值明显高于LAI-MCD15和LAI-GLASS,华南的森林区域,LAI-GLASS年平均值高于LAI-MCD15。2003~2017年中国LAI年平均值呈显著增加趋势,但3种LAI数据年平均值的空间分布存在明显差异。在北方大部分地区以及西南、华南等地区,3种LAI均显著增加,在长江下游等地区,3种LAI均显著下降,此外,LAI-GLASS在南方的部分地区也有明显的下降趋势。3种LAI数据年际变化存在差异,LAI-GlobMap的年平均增长率最高,LAI-MCD15次之,LAI-GLASS最低,森林LAI的年平均变化率明显高于农田和草地LAI。

3种LAI模拟的中国GPP(GPP-MCD15、GPP-GLASS和GPP-GlobMap)年平均值的空间分布特征相似,南方地区的森林和中部地区的农田GPP年平均值较高,西北地区的草地GPP年平均值较低。由于输入的3种LAI数据在不同区域的差异大不相同,导致GPP模拟结果在一些地区也存在较大的差异。3种LAI数据在部分森林区域相差较大,3种GPP模拟结果GPP-MCD15、GPP-GLASS和GPP-GlobMap在这些地区的空间分布的差异也比较大。我国南部和东部森林区域,GPP-GlobMap 高于GPP-MCD15和GPP-GLASS。在华北的农田区域,GPP-GLASS高于GPP-MCD15和GPP-GlobMap。北方地区以及西南、华南等地GPP均有显著增加趋势,南方部分地区,特别是长江下游地区,GPP显著下降。GPP-MCD15、GPP-GLASS和GPP-GlobMap年总量存在明显差异。GPP-GLASS年总量最高,GPP-MCD15次之,GPP-GlobMap最低。2003~2017年中国GPP呈显著增加趋势,森林和农田GPP增加趋势明显,草地GPP的变化趋势并不显著。GPP-MODIS、GPP-GLASS和GPP-GlobMap的年际变化差异明显,GPP-GlobMap年平均变化率最高,GPP-GLASS最低。森林GPP的年平均变化率明显高于农田和草地GPP的年平均变化率。2008~2010年GPP-MCD15、GPP-GLASS和GPP-GlobMap出现下降的时间和变化的幅度均有明显的差异。

参考文献

Quere C LRaupach M RCanadell J Get al.

Trends in the Sources and Sinks of Carbon Dioxide

[J]. Nature Geoscience, 2009212):831-836. doi: 10.1038/ngeo689.

[本文引用: 1]

Zhang YXu MChen Het al.

Global Pattern of NPP to GPP Ratio derived from MODIS Data: Effects of Ecosystem Type, Geographical Location and Climate

[J]. Global Ecology and Biogeography, 2009183):280-290. doi: 10.1111/j.1466-8238.2008.00442.x.

[本文引用: 1]

Running S W.

Climate Change Ecosystem Disturbance, Carbon, and Climate

[J]. Science, 20083215889):652-653. doi: 10.1126/science.1159607.

[本文引用: 1]

Pan YBirdsey R AFang Jet al.

A Large and Persistent Carbon Sink in the World's Forests

[J]. Science, 20113336045):988-993. doi: 10.1126/science.1201609.

[本文引用: 1]

Turner D POllinger S VKimball J S.

Integrating Remote Sensing and Ecosystem Process Models for Landscape to Regional Scale Analysis of the Carbon Cycle

[J]. BioScience, 2004546):573-584. doi: 10.1641/0006-3568(2004)0540573:IRSAEP]2.0.

CO;2

.

[本文引用: 1]

Field C BRanderson J TMalmstroem C M.

Global Net Primary Production: Combining Ecology and Remote Sensing

[J]. Remote Sensing of Environment, 1995511):77-88. doi: 10.1016/0034-4257(94)00066-V.

[本文引用: 1]

Chen J MBlack T A.

Defining Leaf Area Index for Non-flat Leaves

[J]. Plant Cell and Environment, 1992154):421-429. doi: 10.1111/j.1365-3040.1992.tb00992.x.

[本文引用: 2]

Myneni R BHoffman SKnyazikhin Yet al.

Global Products of Vegetation Leaf Area and Fraction Absorbed PAR from Year One of MODIS Data

[J]. Remote Sensing of Environment, 2002831-2):214-231. doi: 10.1016/S0034-4257(02)00074-3.

[本文引用: 2]

Liu YLiu RChen J M.

Retrospective Retrieval of Long-term Consistent Global Leaf Area Index (1981-2011) from Combined AVHRR and MODIS Data

[J]. Journal of Geophysical Research, 2012117G0403). doi: 10.1029/2012JG002084.

[本文引用: 3]

Zhu ZBi JPan Yet al.

Global Data Sets of Vegetation Leaf Area Index (LAI)3g and Fraction of Photosynthetically Active Radiation (FPAR)3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the Period 1981 to 2011

[J]. Remote Sensing, 201352):927-948. doi: 10.3390/rs5020927.

[本文引用: 1]

Xiao ZLiang SWang Jet al.

Use of General Regression Neural Networks for Generating the GLASS Leaf Area Index Product from Time-series MODIS Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013521):209-223. doi: 10.1109/TGRS.2013.2237780.

[本文引用: 1]

Baret FWeiss MLacaze Ret al.

GEOV1: LAI and FAPAR Essential Climate Variables and FCOVER Global Time Series Capitalizing over Existing Products. Part1: Principles of Development and Production

[J]. Remote Sensing of Environment,2013137299-309. doi: 10.1016/j.rse.2012. 12.027.

[本文引用: 1]

Fang HBaret FPlummer Set al.

An Overview of Global Leaf Area Index (LAI): Methods, Products, Validation, and Applications

[J]. Reviews of Geophysics, 2019573):739-799. doi: 10.1029/2018RG000608.

[本文引用: 1]

Zhang YSong CBand Let al.

Reanalysis of Global Terrestrial Vegetation Trends from MODIS Products: Browning or Greening?

[J]. Remote Sensing of Environment, 2017191145-155. doi: 10.1016/j.rse.2016.12.018.

[本文引用: 2]

Xiao ZLiang SJiang B.

Evaluation of Four Long Time-series Global Leaf Area Index Products

[J]. Agricultural and Forest Meteorology, 2017246218-230. doi: 10.1016/j.agrformet.2017.06.016.

[本文引用: 1]

Jiang CRyu YFang Het al.

Inconsistencies of Interannual Variability and Trends in Long-term Satellite Leaf Area Index Products

[J]. Global Change Biology, 20172310):4133-4146. doi: 10.1111/gcb.13787.

[本文引用: 1]

Liu YXiao JJu Wet al.

Satellite-derived LAI Products Exhibit Large Discrepancies and Can Lead to Substantial Uncertainty in Simulated Carbon and Water Fluxes

[J]. Remote Sensing of Environment, 2018206174-188. doi: 10.1016/j.rse.2017.12.024.

[本文引用: 2]

Xie XLi AJin Het al.

Assessment of Five Satellite-derived LAI Datasets for GPP Estimations through Ecosystem Models

[J]. Science of the Total Environment, 20196901120-1130. doi: 10.1016/j.scitotenv.2019.06.516.

[本文引用: 1]

Fang HWei SLiang S.

Validation of MODIS and CYCLOPES LAI Products Using Global Field Measurement Data

[J]. Remote Sensing of Environment, 201211943-54. doi: 10.1016/j.rse.2011.12.006.

[本文引用: 1]

Xiao ZLiang SWang Jet al.

Use of General Regression Neural.Networks for Generating the GLASS Leaf Area Index Product from Time Series MODIS Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014521):209-223. doi: 10.1109/TGRS.2013.2237780.

[本文引用: 2]

Xiao ZLiang SWang Jet al.

Long Time-series Global Land Surface Satellite(GLASS) Leaf Area Index Product Derived from MODIS and AVHRR Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016549):5301-5318. doi:10.1109/TGRS.2016. 2560522.

[本文引用: 1]

Liu Yibo.

The Spatial and Temporal Variations of Water Use Efficiency in China’s Terrestrial Ecosystems Simulated Using Remote Sensing and a Process-based Model

[D]. NanjingNanjing University2015.

[本文引用: 1]

柳艺博.

基于遥感和过程模型的中国陆地生态系统水分利用效率时空变化特征研究

[D]. 南京南京大学2013.

[本文引用: 1]

Yu GWen XSun Xet al.

Overview of ChinaFLUX and Evaluation of Its Eddy Covariance Measurement

[J]. Agricultural and Forest Meteorology, 20061373-4):125-137. doi: 10.1016/j.agrformet.2006.02.011.

[本文引用: 2]

He MZhou YJu Wet al.

Development of a Two-leaf Light Use Efficiency Model for Improving the Calculation of Terrestrial Gross Primary Productivity

[J]. Agricultural and Forest Meteorology, 201317328-39. doi: 10.1016/j.agrformet.2013.01.003.

[本文引用: 1]

Zhou YWu XJu Wet al.

Global Parameterization and Validation of a Two-leaf Light Use Efficiency Model for Predicting Gross Primary Production across FLUXNET Sites

[J]. Journal of Geophysical Research: Biogeosciences, 20151214):1045-1072. doi: 10.1002/2014JG002876.

[本文引用: 3]

Wu Xiaocui.

Impacts of Changes in Solar Radiation on Terrestrial Gross Primary Productivity in China

[D]. NanjingNanjing University2015.

[本文引用: 1]

吴小翠.

中国地区辐射变化对陆地生态系统总初级生产力的影响

[D]. 南京南京大学2015.

[本文引用: 1]

Zan MZhou YJu Wet al.

Performance of a Two-leaf Light Use Efficiency Model for Mapping Gross Primary Productivity against Remotely Sensed Sun-induced Chlorophyll Fluorescence Data

[J]. Science of the Total Environment, 2018613977-989. doi: 10.1016/j.agrformet.2013.01.003.

[本文引用: 2]

Shan LiangZhou Yanlian. Consistency Analysis of Global GPP Products and

GPP Simulated by Two-leaf Light Use Efficiency Model

[J]. Journal of Shanxi Normal University(Natural Science Edition), 2019473):103-114.

[本文引用: 1]

单良周艳莲.

两叶光能利用率模拟结果与全球GPP产品的时空一致性

[J].陕西师范大学学报(自然科学版),2019473):103-114.

[本文引用: 1]

Zheng YShen RWang Yet al.

Improved Estimate of Global Gross Primary Production for Reproducing Its Long-term Fariation, 1982-2017

[J]. Earth System Science Data Discussion, 2019

in Review

doi: 10.5194/essd-2019-126.

[本文引用: 1]

Ma JXiao XMiao Ret al.

Trends and Controls of Terrestrial Gross Primary Productivity of China during 2000-2016

[J]. Environmental Reseach Letters, 201914084032). doi: 10.1088/1748-9326/ab31e4.

[本文引用: 4]

Running S WNemani R RHeinsch F Aet al.

A Continuous Satellite-derived Measure of Global Terrestrial Primary Production

[J]. BioScience, 2004546):547-560. doi: 10.1641/0006-3568(2004)0540547:ACSMOG]2.0.

CO;2

.

[本文引用: 1]

Li XLiang SYu Get al.

Estimation of Gross Primary Production over the Terrestrial Ecosystems in China

[J]. Ecological Modelling, 201326180-92. doi: 10.1016/j.ecolmodel.2013.03.024.

[本文引用: 1]

Yao YWang XLi Yet al.

Spatiotemporal Pattern of Gross Primary Productivity and Its Covariation with Climate in China over the Last Thirty Years

[J]. Global Change Biology, 2018241):184-96. doi: 10.1111/gcb.13830.

[本文引用: 1]

Chen WZhu DHuang Cet al.

Negative Extreme Events in Gross Primary Productivity and Their Drivers in China during the Past Three Decades

[J]. Agricultural and Forest Meteorology,201927547-58.doi:10.1016/j.agrformet.2019. 05.002.

[本文引用: 1]

Li XZhu ZZheng Het al.

Estimation of Gross Primary Production in China (1982–2010) with Multiple Ecosystem Models

[J]. Ecological Modelling, 201632433-44. doi: 10.1016/j.ecolmodel.2015.12.019.

[本文引用: 1]

Verbeeck HSamson RVerdonck Fet al.

Parameter Sensitivity and Uncertainty of the Forest Carbon Flux Model FORUG: A Monte Carlo Analysis

[J]. Tree Physiology, 2006266):807-817. doi: 10.1093/treephys/26.6.807.

[本文引用: 1]

Chen J MJu WCiais Pet al.

Vegetation Structural Change Since 1981 Significantly Enhanced the Terrestrial Carbon Sink

[J]. Nature Communications, 2019104259). doi: 10.1038/s41467-019-12257-8.

[本文引用: 1]

Smith W KReed S CCleveland C Cet al.

Large Divergence of Satellite and Earth System Model Estimates of Global Terrestrial CO2 Fertilization

[J]. Nature Climate Change, 201663):306-310. doi: 10.1038/nclimate2879.

[本文引用: 1]

Yuan WCai WXia Jet al.

Global Comparison of Light Use Efficiency Models for Simulating Terrestrial Vegetation Gross Primary Production based on the LaThuile Database

[J]. Agricultural and Forest Meteorology, 2014192108-120. doi: 10.1016/j.agrformet.2014.03.007.

[本文引用: 1]

Zhao MRunning S WNemaniR R.

Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) Terrestrial Primary Production to the Accuracy of Meteorological Reanalyses

[J]. Journal of Geophysical Research Biogeoscience, 2006111G01002). doi: 10.1029/2004JG000004.

[本文引用: 1]

/