CN112257225B - 一种适用于高寒草地生态系统的npp计算方法 - Google Patents
一种适用于高寒草地生态系统的npp计算方法 Download PDFInfo
- Publication number
- CN112257225B CN112257225B CN202010971976.9A CN202010971976A CN112257225B CN 112257225 B CN112257225 B CN 112257225B CN 202010971976 A CN202010971976 A CN 202010971976A CN 112257225 B CN112257225 B CN 112257225B
- Authority
- CN
- China
- Prior art keywords
- temperature
- npp
- data
- respiration
- grassland
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims abstract description 21
- 238000011160 research Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims description 34
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 32
- 230000001651 autotrophic effect Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 15
- 230000000243 photosynthetic effect Effects 0.000 claims description 14
- 230000012010 growth Effects 0.000 claims description 12
- 208000005156 Dehydration Diseases 0.000 claims description 10
- 230000029553 photosynthesis Effects 0.000 claims description 10
- 238000010672 photosynthesis Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008635 plant growth Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 26
- 244000025254 Cannabis sativa Species 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 27
- 230000035882 stress Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000005068 transpiration Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000003463 organelle Anatomy 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000968928 Carex brizoides Species 0.000 description 1
- 241000209046 Pennisetum Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于地理学和生态学技术领域，涉及一种适用于高寒草地生态系统的NPP计算方法。本发明对温度子模型进行了重新拟合，并通过正弦函数积分的方法求解白天的月均温，以此来代替模型中的温度。本发明采用NIRv代替NDVI，以此求取温度子模型中的最适温度。本发明根据已有的研究反推出基于GPP的不同草地利用类型的最大光能利用率值。本发明简单实用、涉及到的数据都可以从相关网站下载得到，可快速、低成本的对高寒地区草地植被净初级生产力进行更加可靠的估算。
Description
技术领域
本发明属于地理学和生态学技术领域，涉及一种适用于高寒草地生态系统的NPP计算方法，具体说是通过遥感技术获取MODIS影像，通过气象站数据获取温度降水数据，基于现有的光能利用率模型框架，优化其中温度胁迫和最大光能利用率部分，并将其用于高寒草地植被净初级生产力的估算。
背景技术
植被净初级生产力(Net primary productivity,NPP)是指绿色植物在单位面积、单位时间内所能累积的有机物的数量，是光合作用产生的有机物总量(Gross primaryproductivity,GPP)扣除自养呼吸(autotrophic respiration,R)后的剩余部分。NPP作为陆表碳循环的重要组成部分,国际地圈生物圈计划(International Geosphere-BiosphereProgram,IGBP)和全球变化与陆地生态系统计划(Global Change andThterrestrialEcosystem.GCTE)均把NPP的评估作为重要的内容之一。
草地是高山生命带的重要组成部分，草地NPP的评估对于准确认识整个生态系统的有机物数量十分重要，高山地区海拔高温度低，如何正确认识低温对高寒草地生态系统的影响以及准确量化草地生态系统对低温的响应机制是评估NPP的关键。
目前，进行NPP评估的模型方法有气候模型(统计模型)，过程模型(机理模型)和遥感模型(参数模型)。气候模型，如Miami模型，Thornthwaite Memorial模型和Chikugo模型等，它们的计算主要是基于实测数据与气候因素的回归关系建立得到，这种方法计算非常简单，但是十分依赖于区域实测数据的统计回归，模型建立后很难外推到其他区域。过程模型，如TEM模型，Biome-BGC模型，它们十分详细的描述了植物的能量通量和物质循环，但是这类模型需要的参数众多，数据难以获取，计算过程十分复杂，且多为站点尺度，难以外推到其他区域，因此，他们的使用受到了限制。遥感模型是基于遥感数据，如MOD09Q1,MOD15A2等，这些数据都可以从NASA,USGS等官方途径获取得到，且遥感模型是基于光能利用率(Light use efficiency,LUE)基础之上的，理论清晰，模型简单，因此获得广泛的应用。
遥感模型适用于大尺度的NPP研究，但是现有的遥感方法应用到高海拔地区时，没有考虑高山植物对低温的特殊响应机制，即相比低地植物，高山植物能够更加适应低温环境，能够在1天或者几天内将最适温度调整为环境温度以适应温度的变化。夜间低温不会或者很少影响到光合细胞器的活性，也就是说，在运用NPP方法计算光合速率时，基于白天的月均温是更合适的。原有方法多定义NDVI最大时的环境温度为最适温度，但是NDVI最大只能代表植物的收支平衡点，并不能说明此时为最大生长速率。因此，有必要设计一种简单实用，精度更高，并充分考虑高山植物的特殊响应机制的NPP评估方法。
发明内容
针对现有技术的不足，本发明的目的在于提供一种适用于高寒草地生态系统的NPP评估方法。该方法考虑到原有模型的缺点以及高寒生态系统的特殊响应机制，基于光能利用率理论，利用遥感与气象数据，逐月的计算生长季高寒草地的NPP。
本发明的目的是通过以下技术方案来实现。一种适用于高寒草地生态系统的NPP计算方法，其步骤是：
第一步：获取遥感数据和气象数据；
根据研究区域的时空分辨率要求，下载相关的气象数据和遥感数据；
第二步：处理遥感数据和气象数据；
对下载得到的MODIS(中分辨率成像光谱仪)数据进行重采样、投影、镶嵌、裁剪，并进行时间序列滤波处理以消除大气因素的影响，滤波处理后的数据进行最大值合成和影像裁剪，生成研究区域的月值数据集；对气象数据进行空间插值，进一步进行格式转换；
第三步：各个子模型的计算
分别计算陆表太阳辐射，光合有效辐射分量，温度胁迫系数、水分胁迫系数以及自养呼吸。
第四步：GPP(总初级生产力)下最大光能利用率的计算
基于已有的不同草地利用类型NPP下的最大光能利用率，反推出GPP下的最大光能利用率；
第五步：NPP的计算
NPP＝PAR×0.5×FPAR×f(T)×f(W)×εG-R
其中，PAR表示陆表太阳辐射(MJ/m2/月)，0.5表示可被植物吸收利用的可见光部分(波长为0.38～0.71μm)，FPAR为光合有效辐射分量(无单位)，f(T)表示温度胁迫系数(无单位)，f(W)表示水分胁迫系数(无单位)，εG为不同草地利用类型所对应的最大光能利用率(gC/MJ),R为自养呼吸(gC/月)，以上各指标已在前四步分别求取，将其耦合得到植被净初级生产力NPP(gC/月)。
上述步骤中，所述陆表太阳辐射
其中，as和bs是两个与大气外界太阳辐射So有关的系数，as是0.25，bs是0.5，n/N代表日照百分率。
所述光合有效辐射分量FPAR＝0.95(1-e-k(LAI))，其中，k是消光系数，取值为0.45，LAI是叶面积指数(无单位)。
所述温度胁迫系数
f(T)＝f(Ts1)×f(Ts2)
f(Ts1)＝0.8+0.02Topt-0.0005Topt 2
其中，f(Ts1)表示在低温和高温环境下，植物内在的生化机理对最大光合速率的限制。f(Ts2)表示植物适应了当地环境后，环境温度变化对光合作用的限制。T表示白天月均温，Topt表示在当地环境下植物生长的最适温度，a＝0.1505，b＝2.3876，c＝-0.7075，d＝-1.7868；
所述水分胁迫系数
其中，EET是区域实际蒸散(mm)，PET是区域潜在蒸散(mm)。
所述自养呼吸包括维持性呼吸与生长性呼吸：
R＝Rg+Rm，i
R为自养呼吸；
Rg为生长性呼吸；
Rm，i为植物不同器官的维持性呼吸。
一般地，将生长性呼吸量化为GPP的定值。
Rg＝rg×GPP
rg取值为0.35，GPP为植物总初级生产力。
维持性呼吸将草地分为根和叶分别计算。
Mi为植被各器官的生物量，以单位叶面积的碳含量与叶面积指数的乘积表示。
rm，i为植被各器官的维持性呼吸系数，叶与根分别是0.00908和0.00519。
Q10为维持性呼吸对温度的敏感性，根据BEPS模型，叶、根维持性Q10分别是2.1、1.9。
T为月温度，Tb为基温，取值15℃。
所述GPP下最大光能利用率分别是：高寒草甸0.499，高寒草原0.353，高寒草甸草原0.420，温性草原0.360，温性荒漠草原0.269。
本发明方法具有如下优点：
1、本发明数据易获取，NPP的计算全部依赖于免费的遥感数据和气象数据，这两者都可以通过相关网站下载获得。
2、温度对光合与呼吸影响不同，因此将GPP与呼吸分开计算，模型结构清晰。
3、计算结果更加可靠。(1)高寒草地对温度的特殊响应机制已有相关的实验基础，将此理论基础引入NPP的计算，并重新修正温度胁迫模型,该子模型对温度的刻画更加可靠。(2)利用卫亚星已有的针对高寒草地εN的研究，本发明将其反推得到εG，如此将不同的草地利用类型赋予不同的最大光能利用率值，计算的NPP会更加可靠。(3)将NDVI与最适温度的关系，替换为NIRv与最适温度的关系，更加可靠的反应最大生长速率所对应的最适温度。
4、本发明采用遥感的方法计算NPP，能够实时的反应不同空间尺度和时间尺度的植被现状，有利于进行空间分析和气候驱动力分析。
附图说明
图1一种适用于高寒草地生态系统的NPP计算方法流程图。
具体实施方式
综合考虑研究区域的时间尺度和空间尺度，选用合适的遥感影像和气象站数据。将遥感影像进行投影、重采样、时间序列重构并进行最大值合成转为月度数据集。气象站数据进行空间插值，重采样为相同分辨率的月度数据集。利用处理好的气象数据和遥感数据分别计算陆表太阳辐射、光合有效辐射分量、温度胁迫、水分胁迫、光能利用率和自养呼吸，将各个子模型耦合在一起求解最终的NPP。
三江源位于青海省南部，青藏高原腹地，平均海拔4000米以上，是长江黄河澜沧江的发源地，具有重要的水源涵养功能，素有“中华水塔”之称。草地是三江源高寒生态系统的重要组成部分，因此，就以三江源草地为例，对模型的具体方法和验证过程表述如下：
一种适用于高寒草地生态系统的NPP计算方法，其具体步骤是：
第一步：获取遥感数据和气象数据；
根据三江源的空间范围下载MODIS的光合有效辐射分量和叶面积指数数据MOD15A2，影像条带号为h25v5与h26v5，数据可通过NASA(https://ladsweb.modaps.eosdis.nasa.gov/)或者USGS(https://earthexplorer.usgs.gov/)得到，其中，光合有效辐射分量用于陆表光合有效辐射的计算，叶面积指数用于自养呼吸的计算。下载MOD17A3数据，该数据为MODIS提供的年度NPP产品(MOD17 NPP)，用于与本发明研究结果的精度进行对比。通过中国气象数据网(http://data.cma.cn/)下载温度与降水的日值数据集，用于温度胁迫系数与水分胁迫系数的计算。以上数据下载的时间范围为2011年-2012年。
第二步：处理遥感数据和气象数据
MOD15A2为具有8天时间分辨率，500米空间分辨率的光合有效辐射分量数据。数据下载后通过MRT(MODIS Reprojection Tool)进行影像镶嵌、重投影与重采样，并同时进行格式转换。为了提高数据质量，将处理好的数据通过TIMESAT进行MODIS影像的时间序列滤波处理以消除云和气溶胶等大气因素的影响，滤波方法选择Savizky-Glolay滤波，这可以在消除云和缺失数据的影响的同时，基本保持原有曲线的基本形状，较为真实的恢复植被指数曲线。滤波处理后的数据通过ArcGIS进行最大值合成和影像裁剪，生成三江源空间区域的月值数据集。MOD17A3数据与MOD15A2数据处理基本相同，由于该数据是年NPP数据，因此不需要进行最大值合成。中国气象数据网下载的温度与降水日值数据集，通过MATLAB将其处理成各站点的月平均值，并通过SPSS进行宽度和小数的定义，将文本数据生成具有ASCII的dat格式数据集。并将该数据通过ANUSPLIN专业气象插值软件进行空间插值。已有研究表明，ANUSPLIN对于气象数据的插值效果明显优于其他方法。
第三步：各个子模型的计算；
陆表太阳辐射的计算采用世界粮农组织(FAO)提供的方法计算得到：
其中，PAR是陆表太阳辐射，a3和bs是两个与大气外界太阳辐射(S0)有关的系数。n/N代表日照百分率。通常的，as是0.25，bs是0.5。
大气外界太阳辐射通过太阳常数，太阳赤纬和日序计算得到：
其中，So表示大气外界太阳辐射，Gsc表示太阳常数0.0820MJ/m2min，dr表示大气外界相对日地距离的倒数，ωs表示太阳时角，
表示纬度，δ为太阳赤纬。
大气外界相对日地距离与太阳赤纬计算为：
J为该年中所处的天数。太阳时角ωs由纬度和太阳赤纬计算得到。
实际日照时数n由气象站点数据通过ANUSPLIN插值得到，最大日照时数N由太阳时角计算得到：
光合有效辐射分量的计算是由叶面积指数得到的。
FPAR＝0.95(1-e-k(LAI))
其中，k是消光系数，一般取值为0.45，LAI是叶面积指数。FPAR是光合有效辐射分量，叶面积指数和光合有效辐射分量直接通过MOD15A2产品获取。
为了获取白天的月均温，需要通过气象站提供的最高温度和最低温度进行正弦函数积分得到。假设当日最高气温比最低气温晚12h，最高气温出现后的12h也是次日最低气温出现的时间；气温的变化符合正弦曲线。因此，在i时刻的温度为
ti＝αsinωi+β
其中，α与β是两个与日最大最小温度有关的系数，ωi为i时刻对应的时角。
最低温与最高温对应的时角分别是
与/>
由此可得：
可以求解出，
当日出(t1)与日落(t2)时间已知时，白天的月均温即可通过积分求得。
通过动态调整研究区域的日出与日落时间，则可获得该区域白天的月均温。假设高山草地生长季的日出时间为早上6点，日落时间为晚上8点，则白天月均温为：
其中，α与β取值可由公式(#)获得。
已知白天的月均温，进而将其运用到温度胁迫系数的计算中。该温度胁迫系数的计算方法是通过Korner等人在进行高山植物温度与光合作用关系的实验数据，在光饱和的情况下重新刻画得出的：
f(T)＝f(Ts1)×(Ts2)
f(Ts1)＝0.8+0.02Topt-0.0005Topt 2
其中，f(Ts1)表示在低温(低于Topt)和高温(高于Topt)环境下，植物内在的生化机理对最大光合速率的限制。f(Ts2)表示植物适应了当地环境后，环境温度变化对光合作用的限制。T表示月均温，Topt表示在当地环境下植物生长的最适温度，a＝0.1505，b＝2.3876，c＝-0.7075，d＝-1.7868。
Topt表示在最大NIRv所对应的白天月均温。
NIRv＝NDVI×NIRT，NDVI表示归一化植被指数，NIRT表示近红外波段反射率，两者通过MOD13A1获得。
计算水分胁迫系数f(W)采用CASA的计算方法。
其中，EET是区域实际蒸散，PET是区域潜在蒸散。
区域实际蒸散的计算与降水、地表净辐射有关。
其中，P是月均降水(mm)，Rn为地表净辐射量(MJ)。
气象站很少有关于地表净辐射的观测，因此地表净辐射量利用经验模型得到：
其中，Ep为局地潜在蒸散(mm)，采用Thornthwaite的方法计算。
I是在一个生长期的热量总和，a是与热量总和有关的指数。
a＝(0.6751·I3-77.1·I2+17920·I+492390)·10-6
以上计算得到区域实际蒸散与局地潜在蒸散，由此可通过求均值得到区域潜在蒸散
自养呼吸包括维持性呼吸与生长性呼吸。
R＝Rg+Rm，i
R为自养呼吸；
Rg为生长性呼吸；
Rm，i为植物不同器官的维持性呼吸。
一般地，生长性呼吸总量取GPP的定值比：
Rg＝rg×GPP
rg为植被的生长性呼吸占总呼吸的比例，取值为0.35，GPP为植物总初级生产力；
维持性呼吸将草地分为根和叶分别计算。
Mi为植被各器官的生物量，以单位叶面积的碳含量与叶面积指数的乘积表示。
rm，i为植被各器官的维持性呼吸系数。
Q10为维持性呼吸对温度的敏感性，根据BEPS模型，叶、根维持性Q10分别是2.1、1.9。
T为温度，Tb为基温，取值15℃。
上式中，叶子与根的呼吸系数取自Biome-BGC模型，单位叶面积的地上碳含量由课题组实测获得，地下部分碳含量为地上部分的93.02％，该比值由三江源实测获得。
由此可得下表
第四步：GPP的最大光能利用率反推
尚未发现有GPP下不同草地类型最大光能利用率(εG)的研究，但是已有基于NPP的不同草地类型最大光能利用率(εN)的拟合，因此，这里通过已有的研究进行最大光能利用率的反推。假设植物处于最适环境生长状态，此时不受环境胁迫的影响：
APAR×εG-Rm，i-Rg＝APAR×εN
APAR×εG-Rm，i-0.35×APAR×εG＝APAR×εN
0.65×APAR×εG-Rm，i＝APAR×εN
0.65×APAR×εG＝APAR×εN+Rm，i
APAR为植物吸收的光合有效辐射，为陆表太阳辐射PAR与FPAR的乘积。
根据以上εN与εG的关系式，并根据卫亚星拟合得到的εN，本发明推算出不同草地利用类型的εG如下：
第五步：NPP的计算；
NPP＝PAR×0.5×FPAR×f(T)×f(W)×εG-R
其中，PAR表示陆表太阳辐射，0.5表示可被植物吸收利用的可见光部分，FPAR为光合有效辐射分量，f(T)表示温度胁迫,f(W)表示水分胁迫，εG为不同草地利用类型所对应的最大光能利用率,R为植物的自养呼吸。以上各指标已在前四步分别求取，将其耦合得到植被净初级生产力NPP。
第六步：对比验证
为了验证本发明方法的有效性，将MOD17 NPP，本发明NPP(Alpine GrassPhotosynthesis Model,AGPM)分别与实测数据求取均方根误差(RMSE)，结果如表，高寒草甸草原的RMSE最低，分别是31.12gC/m2 yr与29.65gC/m2 yr,MOD17NPP对温性荒漠草原模拟效果很差，这主要是因为MOD17没有区分不同的草地利用类型，其εG取值过高造成的，而本发明GPP是基于不同草地利用类型εG得出的，因此计算精度更高。总体上来说，MOD17的RMSE为105.65gC/m2 yr,本发明的RMSE为78.09gC/m2 yr.本发明的结果明显优于MOD17的模拟结果。需要说明的是，本发明RMSE的绝对值依然较大是因为三江源畜牧啃食，实测数据偏低，而遥感所获取的数据有一定的补偿性生长，估值偏高，这两者的不一致造成的，但这并不影响本发明的创新点的合理性。
| 草地类型 | 采样点 | MOD17 NPP | AGPM |
| 高寒草甸 | 239 | 96.22 | 83.98 |
| 高寒草甸草原 | 4 | 31.12 | 29.65 |
| 高寒草原 | 26 | 96.69 | 58.63 |
| 温性草原 | 16 | 124.81 | 54.93 |
| 温性荒漠草原 | 16 | 200.67 | 57.12 |
| 全部样本点 | 301 | 105.65 | 78.09 |
现有的植被净初级生产力(Net Primary Productivity,NPP)评估模型主要包括气候模型、过程模型与遥感模型。其中，遥感模型数据易获取，时空分辨率高，能够实时监测植被生长状态，因此得到了广泛的应用，如CASA,GLO-PEM与MOD17 NPP等。温度影响羧化酶的活性从而影响光合速率，因此温度是植物生长的一个重要指标。但是全球海拔不一，不同海拔地区对同一环境温度的响应也有一定的差异，即相同温度下，高山植物与低地植物的响应不同。相比低地植物，高山植物对温度的特殊响应机制主要包括：1)最低光合温度要比低地植物的最低光合温度更低；2)高山植物已经对低温具有较强的适应性，因此在相同的较低环境温度下能够达到更高的光合速率；3)在生长季，-6℃～-3℃的夜间温度很少影响到高山植物的光合活性，即夜间低温不会影响白天光合作用细胞器的活性，不会影响到白天的光合作用。另外，NDVI只代表植物的收支平衡点，并不能代表最大生长速率，现有方法也并没有考虑到不同的草地类型所具有的不同最大光能利用率。因此，本发明根据已有的高山实验数据重新刻画温度曲线，通过正弦函数积分算法求解白天的月均温，根据NIRv与温度的关系重新计算最适温度，通过已有实测数据反推出基于GPP的不同草地利用类型的最大光能利用率值。最后，通过三江源高寒草地为例进行方法的合理性验证。本发明简单实用、涉及到的数据都可以从相关网站下载得到，可快速、低成本的对高寒地区草地植被净初级生产力进行更加可靠的估算。
Claims (5)
1.一种适用于高寒草地生态系统的NPP计算方法，其特征在于，其步骤是：
第一步：获取遥感数据和气象数据；
根据研究区域的时空分辨率要求，下载相关的气象数据和遥感数据；
第二步：处理遥感数据和气象数据；
对下载得到的MODIS数据进行重采样、投影、镶嵌，并进行时间序列滤波处理以消除大气因素的影响，滤波处理后的数据进行最大值合成和影像裁剪，生成研究区域的月值数据集；对气象数据进行空间插值，进一步进行格式转换；
第三步：各个子模型的计算
分别计算陆表太阳辐射，光合有效辐射分量，温度胁迫系数、水分胁迫系数以及自养呼吸；
温度胁迫系数f(T)＝f(Tε1)×f(Tε2)
f(Tε1)＝0.8+0.02Topt-0.0005Topt 2
其中，f(Tε1)表示在低温和高温环境下，植物内在的生化机理对最大光合速率的限制，f(Tε2)表示植物适应了当地环境后，环境温度变化对光合作用的限制，T表示白天月均温，Topt表示在当地环境下植物生长的最适温度，a＝0.1505,b＝2.3876,c＝-0.7075,d＝-1.7868；
自养呼吸包括维持性呼吸与生长性呼吸：R＝Rg+Rm,i，R为自养呼吸，Rg为生长性呼吸；Rm,i为植物不同器官的维持性呼吸；
Rg＝rg×GPP
rg取值为0.35，GPP为总初级生产力；
维持性呼吸将草地分为根和叶分别计算，
Mi为植被各器官的生物量，以单位叶面积的碳含量与叶面积指数的乘积表示；rm,i为植被各器官的维持性呼吸系数，叶与根分别是0.00908和0.00519；Q10为维持性呼吸对温度的敏感性，根据BEPS模型，叶、根维持性Q10分别是2.1、1.9；T为温度，Tb为基温，取值15℃；
第四步：GPP下最大光能利用率的计算
基于已有的不同草地利用类型NPP下的最大光能利用率εN，反推出GPP下的最大光能利用率εG；
第五步：NPP的计算
NPP＝PAR×0.5×FRAR×f(T)×f(W)×εG-R
其中，PAR表示陆表太阳辐射，0.5表示可被植物吸收利用的可见光部分，FPAR为光合有效辐射分量，f(T)表示温度胁迫系数，f(W)表示水分胁迫系数，εG为不同草地利用类型所对应的最大光能利用率，R为自养呼吸，以上各指标已在前四步分别求取，将其耦合得到植被净初级生产力NPP。
2.根据权利要求1所述的NPP计算方法，其特征在于，陆表太阳辐射
其中，as和bs是两个与大气外界太阳辐射So有关的系数，as是0.25，bs是0.5，n/N代表日照百分率。
3.根据权利要求1所述的NPP计算方法，其特征在于，光合有效辐射分量FPAR＝0.95(1-e-k(KAI))，其中，k是消光系数，取值为0.45，LAI是叶面积指数。
4.根据权利要求1所述的NPP计算方法，其特征在于，水分胁迫系数
其中，EET是区域实际蒸散，PET是区域潜在蒸散。
5.根据权利要求1所述的NPP计算方法，其特征在于，GPP下最大光能利用率分别是：高寒草甸0.499，高寒草原0.353，高寒草甸草原0.420，温性草原0.360，温性荒漠草原0.269。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010971976.9A CN112257225B (zh) | 2020-09-16 | 2020-09-16 | 一种适用于高寒草地生态系统的npp计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010971976.9A CN112257225B (zh) | 2020-09-16 | 2020-09-16 | 一种适用于高寒草地生态系统的npp计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257225A CN112257225A (zh) | 2021-01-22 |
| CN112257225B true CN112257225B (zh) | 2023-07-14 |
Family
ID=74231691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010971976.9A Active CN112257225B (zh) | 2020-09-16 | 2020-09-16 | 一种适用于高寒草地生态系统的npp计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257225B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225372A (zh) * | 2021-03-22 | 2021-08-06 | 中国科学院新疆生态与地理研究所 | 草地生态健康监测系统 |
| CN113569409B (zh) * | 2021-07-28 | 2023-05-30 | 生态环境部华南环境科学研究所 | 耦合气候累积效应的植被生产力模型优化方法 |
| CN114021348B (zh) * | 2021-11-05 | 2022-05-20 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
| CN114897630B (zh) * | 2022-06-21 | 2022-11-18 | 生态环境部卫星环境应用中心 | 植被生长最适温度估算方法和装置 |
| CN115115224A (zh) * | 2022-06-28 | 2022-09-27 | 中国矿业大学(北京) | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345567A (zh) * | 2013-05-21 | 2013-10-09 | 青海师范大学 | 一种基于遥感影像测量生态补偿量的方法 |
| CN103631999A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院寒区旱区环境与工程研究所 | 一种基于样点时空代表性的npp监测网采样设计方法 |
| CN104797704A (zh) * | 2012-09-21 | 2015-07-22 | 积水化学工业株式会社 | 重组细胞以及β-水芹烯的生产方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107977944A (zh) * | 2017-12-12 | 2018-05-01 | 华南农业大学 | 一种估测npp遥感图像数据生成方法 |
| CN108152212A (zh) * | 2017-12-12 | 2018-06-12 | 中国科学院地理科学与资源研究所 | 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法 |
| CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
| CN110443504A (zh) * | 2019-07-30 | 2019-11-12 | 中国环境科学研究院 | 一种植被净初级生产力的遥感估算方法 |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
-
2020
- 2020-09-16 CN CN202010971976.9A patent/CN112257225B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104797704A (zh) * | 2012-09-21 | 2015-07-22 | 积水化学工业株式会社 | 重组细胞以及β-水芹烯的生产方法 |
| CN103345567A (zh) * | 2013-05-21 | 2013-10-09 | 青海师范大学 | 一种基于遥感影像测量生态补偿量的方法 |
| CN103631999A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院寒区旱区环境与工程研究所 | 一种基于样点时空代表性的npp监测网采样设计方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107977944A (zh) * | 2017-12-12 | 2018-05-01 | 华南农业大学 | 一种估测npp遥感图像数据生成方法 |
| CN108152212A (zh) * | 2017-12-12 | 2018-06-12 | 中国科学院地理科学与资源研究所 | 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法 |
| CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
| CN110443504A (zh) * | 2019-07-30 | 2019-11-12 | 中国环境科学研究院 | 一种植被净初级生产力的遥感估算方法 |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 京津冀地区森林植被净初级生产力遥感估算研究;刘广;《中国优秀硕士学位论文全文数据库基础科学辑》(第12期);A006-260 * |
| 基于GF-1/WFV数据的三江源草地月度NPP反演研究;袁烨城 等;《地球信息科学》;第20卷(第12期);1799-1809 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257225A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257225B (zh) | 一种适用于高寒草地生态系统的npp计算方法 | |
| Gao et al. | A MODIS-based Photosynthetic Capacity Model to estimate gross primary production in Northern China and the Tibetan Plateau | |
| Xu et al. | Assessing the impact of urbanization on regional net primary productivity in Jiangyin County, China | |
| CN106446564A (zh) | 一种植被净初级生产力遥感估算方法 | |
| CN103513290B (zh) | 基于遥感的区域陆地生态系统呼吸监测方法 | |
| CN102162850A (zh) | 基于模型的小麦产量遥感监测预报方法 | |
| Wei et al. | Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 | |
| CN108152212A (zh) | 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法 | |
| CN104657935B (zh) | 一种近地面气温反演方法 | |
| CN107423850A (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
| CN114510824A (zh) | 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法 | |
| CN116562139A (zh) | 一种糖料蔗种植区域碳汇量计算方法 | |
| CN115795819A (zh) | 基于sebs模型和casa模型的水分利用效率模拟方法 | |
| Wang et al. | Effects of temperature and precipitation on spatiotemporal variations of net primary productivity in the Qinling Mountains, China. | |
| Ma et al. | Coupling water and carbon processes to estimate field-scale maize evapotranspiration with Sentinel-2 data | |
| CN112598266A (zh) | 基于产量构成要素的冬小麦气象灾害产量损失评估方法 | |
| Farukh et al. | Trend and variability analysis of sunshine duration in divisional headquarters of Bangladesh | |
| CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 | |
| Bayarsaikhan et al. | Variations of vegetation net primary productivity and its responses to climate change from 1982 to 2015 in Mongolia | |
| Wei et al. | Simulating alpine vegetation net primary productivity by remote sensing in Qinghai Province, China | |
| Zhang et al. | Estimations of net primary productivity and evapotranspiration based on HJ-1A/B data in Jinggangshan city, China | |
| Bingfang et al. | Crop area estimation using remote sensing on two-stage stratified sampling | |
| Geng et al. | Estimation of NPP in Xuzhou based on improved CASA model and remote sensing data | |
| You | Determining paddy field spatiotemporal distribution and temperature influence using remote sensing in Songnen Plain, Northeastern China | |
| Wang et al. | Estimation of Maize Yield in Yitong County Based on Multi-source Remote Sensing Data from 2007 to 2017 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |