img

官方微信

遥感技术与应用, 2020, 35(5): 1037-1046 doi: 10.11873/j.issn.1004-0323.2020.5.1037

LAI专栏

生态系统模型模拟中国叶面积指数变化趋势及驱动因子的不确定性

刘刚,1, 桑宇星1, 赵茜1, 江聪1,2, 朱再春,1

1.北京大学 城市规划与设计学院,深圳 518055

2.北京大学 城市与环境学院,北京 100871

Uncertainty of the Ecosystem Models in Simulating the Trend and Drivers of Leaf Area Index in China

Liu Gang,1, Sang Yuxing1, Zhao Qian1, Jiang Cong1,2, Zhu Zaichun,1

1.School of Urban Planning and Design,Peking University,Shenzhen 518055,China

2.College of Urban and Environmental Sciences,Peking University,Beijing 100871,China

通讯作者: 朱再春(1985-),男,湖北武汉人,博士,主要从事全球变化生态学研究。E⁃mail:zhu.zaichun@pku.edu.cn

收稿日期: 2020-08-17   修回日期: 2020-09-25   网络出版日期: 2020-11-26

基金资助: 国家自然科学基金项目“全球植被叶面积指数未来变化趋势研究”.  41901122

Received: 2020-08-17   Revised: 2020-09-25   Online: 2020-11-26

作者简介 About authors

刘刚(1998-),男,湖北武汉人,硕士研究生,主要从事全球变化生态学研究E⁃mail:LGang@pku.edu.cn , E-mail:LGang@pku.edu.cn

摘要

为了厘清中国近30 a来植被生长趋势及其对不同环境变化的响应,使用了3套长时间序列遥感叶面积指数(Leaf area index, LAI)数据集以及8套生态系统模型,对LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因。总量上,1982~2015年遥感观测的LAI趋势(9.8×10-3m2/m2·a)高于生态系统模型模拟的趋势(4.2×10-3m2/m2·a),大气二氧化碳浓度上升是主要驱动因素((3.5×10-3m2/m2·a);遥感观测到全国79.5%的区域LAI都呈现显著增长的趋势,而生态系统模型模拟LAI的增长面积占比为33.1%;除草地外,生态系统模型低估了其他植被类型的LAI变化趋势。模型对降雨变化的响应过于敏感以及对人为活动模拟能力不足是模型模拟中国LAI变化趋势不确定性的重要来源。本研究定量分析了近30 a中国各种植被变化情况及其驱动因子,并对模型低估中国植被生长进行了解释,为后续中国地区植被相关研究提供了参考。

关键词: 叶面积指数 ; 中国 ; 遥感 ; 生态系统模型

Abstract

In order to clarify the trend of vegetation growth and its response to the changing environment factors in China during the past 30 years, three sets of long-term satellite-based LAI (Leaf Area Index) datasets and eight process-based ecosystem models are used to analyze the trend of LAI and its attribution. In the total, the trend of satellite-based LAI datasets (9.8×10-3m2/(m2·year1)) during 1982~2015 is much higher than ecosystem process-based models LAI datasets (4.2×10-3m2/(m2·year1)), in which CO2 is the dominant contributor (3.5×10-3m2/(m2·year1)). In the spatial pattern, the satellite-based LAI datasets show that about 79.5% of area in which LAI has a significant increasing trend, while about 33.1% of the area in which LAI simulated by process-based ecosystem models shows a growth trend. Except for grassland, the other vegetation types all shows that the LAI from models underestimates the growth of vegetation. The response to the changes of precipitation is too sensitive in models and models’ insufficient ability to simulate human activities are important sources of uncertainty in the model’s simulating the trend of LAI in China. The study quantitatively analyzes the change of LAI and its drivers of various vegetation types in China in the past 30 years, and conducted attribution analysis. This study also explains the underestimation of vegetation growth in process-based ecosystem models, which provides a reference for subsequent research on vegetation in China.

Keywords: Leaf Area Index(LAI) ; China ; Remote sensing ; Ecosystem model

PDF (6587KB) 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

刘刚, 桑宇星, 赵茜, 江聪, 朱再春. 生态系统模型模拟中国叶面积指数变化趋势及驱动因子的不确定性. 遥感技术与应用[J], 2020, 35(5): 1037-1046 doi:10.11873/j.issn.1004-0323.2020.5.1037

Liu Gang, Sang Yuxing, Zhao Qian, Jiang Cong, Zhu Zaichun. Uncertainty of the Ecosystem Models in Simulating the Trend and Drivers of Leaf Area Index in China. Remote Sensing Technology and Application[J], 2020, 35(5): 1037-1046 doi:10.11873/j.issn.1004-0323.2020.5.1037

1 引 言

叶面积指数(LAI)是植被冠层的物理参量,反映了植被群落的光能利用情况,与植物的光合作用密切相关。LAI在阔叶林中定义为单位地表面积的单侧绿叶面积,针叶林中表示为单侧、一半或者全部的针叶表面积在单位地表面积的比值1,为植被冠层与环境因子之间的相互作用研究提供结构化的定量信息,相比于以往研究中广泛使用的植被指数(如NDVI、EVI等)有更加明确的物理意义2,是研究植被生长及其驱动力的关键参数。

遥感技术可以提供全球1980年至今的时空连续LAI数据3-5。基于多套长时间序列遥感观测的LAI数据的分析表明,1982~2009年间中国90%以上植被地区呈现LAI增加的趋势6。2000~2017年,中国以占据全球6.6%的植被面积贡献了全球叶片面积净增长的25%7。在全球变化的背景下,中国正在实施旨在减轻土地退化、改善空气污染和减缓气候变化的植树造林与退耕还林计划,厘清中国植被LAI近30 a来的趋势及其驱动机制十分重要。

由于野外控制实验受到控制条件,样地大小和特定生物群落等限制,植被生长变化的驱动机制研究很难直接推广到其他区域。目前植被生长的归因方法主要分为统计学方法和生态系统模型方法两种。

常用的统计学方法诸如回归分析和相关分析,基于统计回归的分析方法表明,气温能够较好地解释植被生长的年际波动8-9。通过分析植被生长与生长季日最高温和最低温的偏相关系数表明,日最高温在湿润凉爽的地区导致了植被生长,而最低温的升高则增加了植被呼吸、抑制了植被生长10-11。同时,基于因果关系的一些统计归因方法(如结构方程、收敛交叉映射等)近年来被越来越多的注意到。

生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分。生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段。然而,生态系统模型发展至今,仍然有诸多尚未解决的问题。首先,由于参数和结构的差异12,各模型对植被生长的模拟存在较大差异。研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现13。其次,过程模型对于环境变量有不同程度的简化和取舍。近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区14,而目前只有少数模型考虑了氮沉降对植被生长的影响。同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化13,如人工林的管理、放牧、轮作、灌溉以及自然灾害。最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性15。因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因。

本研究使用3套最新版本的长时间序列遥感观测的LAI数据集和8个生态系统模型,分析近30 a(1982~2015年)中国LAI的变化趋势及其驱动机制,并探讨生态系统模型模拟中国LAI变化趋势的不确定性来源。

2 数 据

2.1 遥感观测的LAI数据集

遥感能够在较大空间和时间范围内对LAI进行长时间、周期性观测,被广泛用于监测区域和全球范围内的陆地植被生长16-17。本研究使用3套最新版本LAI数据集(GIMMS LAI3g、GLOBMAP LAI、GLASS LAI)来评估过去30 a中国植被生长变化。

2.1.1 GIMMS LAI3g数据集

GIMMS LAI3g 是利用人工神经网络建立月尺度的GIMMS NDVI3g与MODIS LAI之间的关系(2000~2009年),进而利用GIMMS NDVI3g反演GIMMS LAI3g(1982~2015年)3。该数据集时间分辨率为15 d,空间分辨率为1/12°,覆盖1982~2015年。

2.1.2 GLOBMAP LAI

GLOBMAP LAI是由AVHRR LAI(1981-2000)和MODIS LAI(2000~2015)组合而构建的。利用MOD09A1的地表反射率产品计算得到MODIS LAI,然后建立2000~2006年MODIS LAI和GIMMS NDVI在格点尺度的经验关系,从而得到1982~2000年的LAI数值。GLOBMAP在2000年3月之前时间分辨率和空间分辨分别为半月和8 km,之后分别为8 d和500 m。

2.1.3 GLASS LAI

GLASS LAI提供了1982年至今的全球LAI数据,时空分辨率为8 d/0.05°,该数据集利用MOD15 LAI C6和CYCLOPES LAI融合得到LAI数据,在BELMANIP(Benchmark Land Multisite Analysis and Intercomparison of products, BELMANIP)站点上利用广义回归神经网络(GRNN)建立该LAI与特定生物群落地表反射率的经验关系。在2001年之前使用NASA长时间数据记录(Long Term Data Record, LTDR) NOAA/AVHRR地表反射率产品作为驱动,之后则使用Terra/MODIS地表反射率数据集。

2.2 生态系统过程模型

在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟。本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子。这些模型包括:CLM4.5(Version 4.5 of the Community Land model)18、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)19-20、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)1921、LPX(Land Processes and eXchanges)22、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)23、VEGAS (Vegetation-Global-Atmosphere-Soil)24、ISAM (Integrated Science Assessment Model)25、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)26。这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响。其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长。除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被。这些模型已被广泛用于研究全球陆地生态系统碳循环过程27,并且也在中国的各层次生态系统的研究中得到应用28-29

所有的生态系统模型都包含了3种情形的模拟(S1、S2、S3):在S1情景中,模型由大气CO2浓度驱动(https://www.esrl.noaa.gov/gmd/ccgg/trends/global.html),而气候和土地利用固定在初始年份不变;在S2情景中,模型由大气CO2浓度和气候数据(CRU NCEP)(http://www.cru.uea.ac.uk/data)驱动,土地利用固定在初始年份不变;在S3情景中,模型由大气CO2浓度、气候以及土地利用变化(LUH2)(https://luh.umd.edu/)共同驱动。

2.3 分析方法

所有的遥感LAI数据集都通过块平均重采样至0.5°×0.5° 空间分辨率,对每个半月的LAI取最大值,再对两个半月的LAI取均值整合到月尺度,得到月尺度0.5° 遥感观测LAI数据集,同样生态系统过程模型模拟的LAI数据集使用块平均重采样至0.5° 空间分辨率。通过使用1982~2015年间多月平均GIMMS NDVI3g<0.1和1982~2015年CRU NCEP V6多年当月平均温度<0 ℃对非植被覆盖区和非生长季进行掩膜处理,避免非植被区和非生长季的LAI噪音对研究结果的影响,从而提取准确的植被生长信号。

进行趋势分析时,本研究使用Mann-Kendall方法来估算中国生长季LAI总量距平,生长季LAI趋势空间格局以及不同植被类型生长季LAI趋势3部分。这种非参数的方法被广泛用于估算时间序列的趋势,选取样本点对的斜率中值来避免序列中极端数值对趋势估算的影响。

进行归因与讨论时,生态系统模型都包含了3种情形的模拟(S1、S2、S3),通过计算S1 LAI、S2 LAI-S1 LAI、S3 LAI -S2 LAI,遥感LAI-S3 LAI可以分解得到CO2、气候、土地利用/覆被(LUCC)和其他没有纳入模型考虑的驱动力分别对LAI变化趋势的贡献。进一步计算主导因子时,选取与遥感LAI信号一致并且贡献最大的因子作为LAI驱动的主导因子。另外,使用遥感 LAI-S3 LAI的差值计算得到的趋势分别与气候因子的趋势(土壤温度、气温、土壤水分、降雨和饱和水气压差)计算相关系数并检验显著性,进而归因模型与遥感观测的LAI变化趋势差异。其中气温,降雨与饱和水气压差数据来自CRU NCEP v6 (http://www.cru.uea.ac.uk/data),而土壤温度与土壤水分的数据来自ERA 5 (https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels-monthly-means)。

3 结 果

3.1 1982~2015年中国植被LAI的变化趋势

图1所示,图1(a)表示3个遥感观测的长时间序列LAI数据集的平均值以及多个生态系统模型(由二氧化碳、气候以及土地利用驱动)计算得到的LAI数据集平均值对应时间段的中国生长季LAI距平,对应的颜色阴影部分为距平的最大值和最小值。图1(b)显示了1982~2015年间在不同情景模拟下,由3套遥感观测的LAI数据集(Obs LAI)和8个基于生态系统模型得到的LAI(MMEM LAI)变化趋势。

图1

图1   1982~2015年中国生长季LAI距平(m2/m2)

Fig.1   Anomaly of China growing season LAI of various LAI products during 1982~2015(m2/m2)


总体上来说,距平后模型模拟的LAI与遥感观测的LAI的波动是一致的(R2=0.70,p<0.01),趋势信号也是相同的,但是大小存在明显的差异,遥感观测的LAI均值的变化趋势(9.8×10-3m2/m2·a)是模型模拟的LAI趋势的(4.2×10-3m2/m2·a)两倍多。

图1(b)可知1982~2015年间,模型模拟的中国植被平均LAI显著小于遥感观测的中国植被平均LAI的变化趋势。其中,大气CO2的浓度升高(研究期间约增加60 ppm)是中国植被LAI升高的主要原因(3.5×10-3m2/m2·a, p<0.05)。其次是土地利用变化(2.6×10-3m2/m2·a, p<0.05)。模型模拟结果表明,气候变化导致近30年中国地区LAI显著降低(-3.0×10-3m2/m2·a,p<0.05)。

3.2 中国植被LAI变化趋势及其驱动因子的空间格局

图2(a)显示了1982~2015年遥感观测LAI的变化趋势的空间分布,图2(b)显示了模型模拟的 LAI的变化趋势的空间分布,图2(c)~(j)为8种过程模型模拟的LAI变化趋势的空间分布,图2(k)为8种模型模拟LAI变化趋势的标准差的空间分布。图中的黑点代表该格点内LAI的变化趋势显著(p<0.05),左下角的柱状图代表不同趋势的格点的面积占比(%)。

图2

图2   1982~2015年中国生长季LAI趋势空间格局(10-2m2/m2·a)

Fig.2   Spatial pattern of trends in growing season LAI during 1982 to 2015(10-2m2/m2·a)in China


遥感观测的 LAI表明,近30 a来,中国大部分地区(79.5%)的LAI都呈现显著增长的趋势,只有不到1.5%的区域呈现显著下降的趋势。然而,模型模拟的 LAI显著增长的面积比例(33.1%)少于遥感观测的 LAI的增长的面积比例,而显著下降的面积比例(5.2%)略多于遥感观测。遥感观测的LAI趋势和模型模拟的 LAI趋势在西部地区(例如四川、甘肃和青藏高原)呈现出较高的一致性,差异主要体现在中部、东部、东北、广西以及云贵高原地区。

大部分模型的结果都表明中国大部分地区的植被LAI都在增加。8套生态系统模型的模型间不确定性主要体现在中东部地区,南部地区以及青藏高原(图2(k))。其中ORCHIDEE模型模拟的 LAI趋势与遥感观测LAI趋势最为接近,而有一半的模型(LPJ LAI,LPX LAI,CLM4.5 LAI 以及JSBACH LAI)都在内蒙古东北部以及云贵高原等区域呈现出减小的趋势。

3.3 中国LAI变化趋势的驱动因子的空间格局

本研究从大气CO2浓度升高、气候变化、土地利用变化3个主要驱动机制对遥感观测到的LAI变化趋势进行归因分析,对于未被模型解释的部分归为其他因素。

二氧化碳施肥效应的空间分布较为均一,对低纬度地区的植被LAI增加趋势的贡献高于高纬度地区(图3(a))。二氧化碳增加可以使植被关闭部分气孔,提高水的利用率来增强植被生长,这解释了宁夏甘肃和内蒙交界处的一块二氧化碳主导的集中区域。

图3

图3   中国生长季LAI趋势各驱动因子的贡献及主导因子

Fig.3   Contribution and dominant factors of trends in growing season LAI in China


土地利用对植被LAI变化趋势的贡献在大部分地区都表现为正,仅在江苏,山东,安徽和东北的部分地区有负贡献(图3(b))。土地利用的变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(d))。中国自本世纪初以来实施了一系列促进西藏与青海退耕还林还草的工程,这是土地利用变化驱动该地区LAI增加的可能原因之一。

1982~2015年间,气候变化对中国植被LAI变化趋势的贡献有较高的空间异质性,在青藏高原,新疆西北部,以及东部沿海地区都呈现正贡献,而在东北地区、内蒙古的东北部、广西以及云贵高原都呈现了较强的负贡献 (图3(c))。模型在相当一部分地区低估了中国植被LAI的增加趋势(图2),尤其是在东中部地区,这主要是由于模型模拟气候变化对植被LAI变化趋势的贡献差异而导致的。中国LAI降低的区域大部分(约60%)都可以用气候变化来解释,主要集中在内蒙古的东北部地区。而气候变化主导的趋势增长区域主要集中在青藏高原,这可以归因为由于温度上升,增强了光合作用并且延长了生长季,从而驱动了LAI的增加。

遥感观测的 LAI变化趋势在中国大部分地区不能被生态系统模型中二氧化碳施肥效应、气候变化和土地利用变化很好的解释(图3(d))。尤其是在胡焕庸线以东(除青藏高原东南缘)的地区,这部分地区的遥感观测的 LAI上升趋势较快,但生态系统模型并未模拟出这一现象。

3.4 不同植被类型的LAI变化趋势及其驱动因子

几乎所有植被类型(除了混交林)的遥感LAI在这三十年间都显著上升,其中农田、灌木和常绿林的LAI上升最为明显(图4)。对于模型模拟的 LAI的趋势,除了草地和遥感观测的 LAI较为接近,其余植被类型都不同程度的低于遥感观测的趋势(47.1%~123.3%),在落叶阔叶林甚至呈现了相反的趋势。

图4

图4   不同植被类型生长季LAI趋势及其驱动力(10-2m2/(m2·a))

Fig.4   Trends and its drivers in growing season LAI in different vegetation types (10-2m2/(m2·a))


二氧化碳施肥效应和土地利用的变化在不同植被类型都有着显著的正趋势,但是存在较高的异质性。二氧化碳施肥效应在常绿林(5.1×10-3m2/(m2·a))、农田(4.2×10-3m2/(m2·a))和灌丛(4.2×10-3m2/(m2·a))的效应最高,在草地的效应(2.2×10-3m2/(m2·a))最低。土地利用的变化主要影响了常绿林(3.7×10-3m2/(m2·a))、灌丛以及落叶针叶林,而对农田(1.3×10-3m2/(m2·a))以及混交林(1.9×10-3m2/(m2·a))几乎没有影响。除草地外其余植被类型对于气候变化都有着LAI显著降低的趋势,气候变化对于农田(-5.1×10-3m2/(m2·a))与森林的影响最大,尤其是落叶阔叶林(-6.6×10-3m2/(m2·a))。

4 讨 论

大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势13,而中国对全球的变绿趋势做出了重要的贡献7。本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近7,也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a)6,略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致17

植被生长变化通常是二氧化碳浓度上升、气候变化以及土地利用变化等因素共同驱动,但是传统的统计分析方法难以独立区分这些驱动因子。例如,部分学者认为全球变暖是北半球植被增长的主要驱动力30,也有研究指出大气二氧化碳浓度上升是北半球植被变绿的主要驱动因子31。本研究对比分析了中国地区遥感观测的LAI与模型模拟的LAI,基于多情景生态系统模型模拟结果分析了中国LAI变化趋势的驱动因子,并探讨了生态系统模型模拟LAI变化趋势的不确定性。

结果表明,二氧化碳施肥效应是驱动中国LAI增加最主要的原因,为中国LAI的变化趋势贡献了3.5×10-3m2/(m2·a)(图1)。二氧化碳施肥效应在空间上的异质性较小,但在低纬度地区的施肥效应会高于高纬度地区(图3)。大气反演模型和自下而上的清单计算结果都表明中国陆地生态系统碳汇主要位于中国南部32。二氧化碳施肥效应对于不同的植被类型存在一定的差异,对常绿林、农田和灌丛的贡献最大33

近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性。除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献。中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图534图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强。通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系。对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势。先前已有研究指出生态系统模型高估了降雨对植被生长的影响132335,结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响。除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响。模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响28

图5

图5   1982~2015年环境因子趋势及遥感观测的 LAI趋势与模型模拟的 LAI趋势差值

Fig.5   Trends of environment factors and differences of trends of observation LAI and processed-based LAI during 1982 to 2015


土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3)。土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果。在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关2836。但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况34-35模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足。例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国7。这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田。另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中。模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区。同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东37, 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响。

5 结 语

本研究使用了3套长时间序列遥感LAI数据集以及八套生态系统模型,对近30 a LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因:

(1)总量上,遥感观测的LAI趋势(9.8×10-3m2/(m2·a))高于生态系统模型的趋势(4.2×10-3m2/(m2·a)),其中CO2的浓度升高(研究期间约+60 ppm)是驱动中国植被LAI增加的主要驱动因子(3.5×10-3m2/(m2·a), p<0.05)。

(2)空间分布上,遥感观测数据表明,全国79.5%的区域LAI都呈现显著增长的趋势,而生态系统模型模拟的显著增长面积只有33.1%。中国大部分地区遥感观测的 LAI趋势不能被生态系统模型中二氧化碳施肥效应,气候变化和土地利用这3个因素很好的解释,尤其是在胡焕庸线以东的地区。

(3)几乎所有植被类型的遥感观测的 LAI在这30 a间都显著上升,其中农田、灌木和常绿林的LAI上升最为明显。对于模型模拟的 LAI的变化趋势,除了草地和遥感观测的 LAI较为接近,其余植被类型都不同程度(47.1%~123.3%)的低于遥感观测的LAI变化趋势。

无论是总量,空间格局或是不同植被类型,生态系统模型都低估了近30 a来的中国植被LAI的变化趋势,尤其是胡焕庸线以东的地区。一方面,可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响,使中国非干旱地区(胡焕庸线以东)降雨的变化对LAI趋势的影响被高估了;另一方面,模型对人类活动对植被生长的影响机制模拟不足(例如植树造林等直接人为活动与农业管理等间接人为活动)。在未来的研究中,通过优化模型关键参数、引入当前模型尚未考虑的关键生态过程是下一步研究的重点6-73839

参考文献

Chen J MBlack T A.

Defining Leaf Area Index for Non‐flat Leaves

[J]. Agricultural & Forest Meteorology, 1992154): 421-429.

[本文引用: 1]

Piao S LWang X HPark Tet al.

Characteristics, Drivers and Feedbacks of Global Greening

[J]. Nature Reviews Earth & Environment, 202011): 14-27.

[本文引用: 1]

Zhu Z CBi JPan Y Zet 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, 20135927-948.

[本文引用: 2]

Xiao ZLiang SWang Jet al.

Long-Time-Series Global Land Surface Satellite Leaf Area Index Product Derived from MODIS and AVHRR Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016549): 5301-5318.

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 Biogeoences, 2015117 (G4):1-14.

[本文引用: 1]

Piao S LYin G DTan J Get al.

Detection and Attribution of Vegetation Greening Trend in China over the Last 30 Years

[J]. Global Change Biology, 2015214): 1601-1609.

[本文引用: 3]

Chen CPark TWang X Het al.

China and India Lead in Greening of the World Through Land-use Management

[J]. Nature Sustainability, 201922): 122-129.

[本文引用: 5]

Zhou L MTucker C JKaufmann R Ket al.

Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index During 1981 to 1999

[J]. Journal of Geophysical Research Atmospheres, 200210617): 20069-20083.

[本文引用: 1]

Piao S LFang J YZhou L Met al.

Interannual Variations of Monthly and Seasonal Normalized Difference Vegetation Index (NDVI) in China from 1982 to 1999

[J]. Journal of Geophysical Research Atmospheres, 2003108 (D14): 4401. doi:10.1029/2002JD002848.

[本文引用: 1]

Peng S SPiao S LCiais Pet al.

Asymmetric Effects of Daytime and Night-time Warming on Northern Hemisphere Vegetation

[J]. Nature, 20135017465): 88-92.

[本文引用: 1]

Los S O.

Analysis of Trends in Fused AVHRR and MODIS NDVI Data for 1982-2006: Indication for a CO2 Fertilization Effect in Global Vegetation

[J]. Global Biogeochemical Cycles, 2013272): 318-330.

[本文引用: 1]

Sitch SHuntingford CGedney Net al.

Evaluation of the Terrestrial Carbon Cycle, Future Plant Geography and Climate Carbon Cycle Feedbacks Using Five Dynamic Global Vegetation Models (DGVMs)

[J]. Global Change Biology, 2008149): 2015-2039.

[本文引用: 1]

Zhu Z CPiao S LMyneni R Bet al.

Greening of the Earth and Its Drivers

[J]. Environmental Pollution, 201668): 791-795.

[本文引用: 4]

Gu FengxueHuang MeiZhang Yuandonget al.

Modeling the Temporal-spatial Patterns of Atmospheric Nitrogen Deposition in China during 1961—2010

[J].Acta Ecologica Sinica, 20163612): 3591-3600.

[本文引用: 1]

顾峰雪黄玫张远东.

1961—2010年中国区域氮沉降时空格局模拟研究

[J]. 生态学报, 20163612): 3591-3600.

[本文引用: 1]

Kolby Smith WReed 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.

[本文引用: 1]

Myneni R BRamakrishna RNemani Ret al.

Estimation of Global Leaf Area Index and Absorbed Par Using Radiative Transfer Models

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002356): 1380-1393.

[本文引用: 1]

Sang YuxingLiu GangJiang Conget al.

Uncertainty Assessment of the Change Trend of China's Leaf Area Index in the Past 30 Years

[J]. Remote Sensing Technology and Application, 2020355):1028-1036.

[本文引用: 2]

桑宇星刘刚江聪.

近30 a中国叶面积指数变化趋势的不确定性评估

[J]. 遥感技术与应用, 2020355):1028-1036.

[本文引用: 2]

Oleson K WLawrence D MBonan G Bet al. Technical Description of Version4.

5 of the Community Land Model (CLM)

[M]. ColoraclaNCAR2013.

[本文引用: 1]

Queré C LPeters G PAndres R Jet al.

Global Carbon Budget 2013

[J]. Earth System Science Data, 201361): 235-263.

[本文引用: 2]

Sitch SSmith BPrentice I Cet al.

Evaluation of Ecosystem Dynamics, Plant Geography and Terrestrial Carbon Cycling in the LPJ Dynamic Global Vegetation Model

[J]. Global Change Biology, 200392): 161-185.

[本文引用: 1]

Lindeskog MArneth ABondeau Aet al.

Implications of Accounting for Land Use in Simulations of Ecosystem Carbon Cycling in Africa

[J]. Earth System Dynamics, 201342): 385-407.

[本文引用: 1]

Stocker B DStrassmann KJoos F.

Sensitivity of Holocene Atmospheric CO2 and the Modern Carbon Budget to Early Human Land Use: Analyses with a Process-based Model

[J]. Biogeosciences, 201181): 69-88.

[本文引用: 1]

Krinner GViovy NDe Noblet-Ducoudré Net al.

A Dynamic Global Vegetation Model for Studies of the Coupled Atmosphere-biosphere System

[J]. Global Biogeochemical Cycles, 2005191): GB1015.doi:10.1029/2003GB002199.

[本文引用: 2]

Zeng NNeelin J DChou C.

A Quasi-Equilibrium Tropical Circulation Model--Implementation and Simulation

[J]. Journal of the Atmospheric ences, 20005711): 1767-1796.

[本文引用: 1]

Jain A KMeiyappan PSong Yet al.

CO2 Emissions from Land-use Change Affected More by Nitrogen Cycle, Than by the Choice of Land-cover Data

[J]. Global Change Biology, 2013199): 2893-2906.

[本文引用: 1]

Raddatz TReick C JKnorr Wet al.

Will the Tropical Land Biosphere Dominate the Climate-carbon Cycle Feedback During the Twenty-first Century?

[J]. Climate Dynamics, 2007296): 565-574.

[本文引用: 1]

Sitch SFriedlingstein PGruber Net al.

Trends and Drivers of Regional Sources and Sinks of Carbon Dioxide over the Past Two Decades

[J]. Biogeosciences Discussions, 20131012): 20113-20177.

[本文引用: 1]

Piao S LSitch SCiais Pet al.

Evaluation of Terrestrial Carbon Cycle Models for Their Response to Climate Variability and to CO2 Trends

[J]. Global Change Biology, 2013197): 2117-2132.

[本文引用: 3]

Tan KCiais PPiao S Let al.

Application of the ORCHIDEE Global Vegetation Model to Evaluate Biomass and Soil Carbon Stocks of Qinghai-Tibetan Grasslands

[J]. Global Biogeochemical Cycles, 2010241-12.

[本文引用: 1]

Kaufmann R KZhou LTucker C Jet al.

Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index during 1981 to 1999

[J]. Journal of Geophysical Research Atmospheres, 2002107D11): ACL-1-ACL 7-3.

[本文引用: 1]

Ahlbeck J R.

Comment on “Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index During 1981-1999” by L. Zhou et al

[J]. Journal of Geophysical Research Atmospheres,2002107D11): ACH-1-ACH 9-2.

[本文引用: 1]

Piao S LFang J YCiais Pet al.

The Carbon Balance of Terrestrial Ecosystems in China

[J]. China Basicence, 20104587241): 1009-1013.

[本文引用: 1]

Kolby Smith WReed 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.

[本文引用: 1]

Piao S LCiais PHuang Yet al.

The Impacts of Climate Change on Water Resources and Agriculture in China

[J]. Nature, 20104677311): 43-51.

[本文引用: 2]

Wang WCiais PNemani R Ret al.

Variations in Atmospheric CO2 Growth Rates Coupled with Tropical Temperature

[J]. Proceedings of the National Academy of ences of the United States of America, 201311032): 13061-13066.

[本文引用: 2]

Chen Y ZChen L YCheng Yet al.

Afforestation Promotes the Enhancement of Forest LAI and NPP in China

[J]. Forest Ecology and Management, 2020462.doi:10.1016/j.foreco.2020.117990.

[本文引用: 1]

Liu Hongyan.

It is Difficult for China’s Greening Through Large-scale Afforestation to Cross the Hu Line

[J]. Science China Earth Sciences, 20194911): 1831-1832.

[本文引用: 1]

刘鸿雁.

中国大规模造林变绿难以越过胡焕庸线

[J]. 中国科学:地球科学, 20194911): 1831-1832.

[本文引用: 1]

Anav AFriedlingstein PBeer Cet al.

Spatiotemporal Patterns of Terrestrial Gross Primary Production: A Review

[J]. Reviews of Geophysics, 2015533): 785-818.

[本文引用: 1]

Guanter LZhang YJung Met al.

Global and Time-resolved Monitoring of Crop Photosynthesis with Chlorophyll Fluorescence

[J]. Proceedings of the National Academy of Sciences, 201411114): 1327-1333.

[本文引用: 1]

/