遥感应用模型6植被3初级生产力

合集下载

一种全球通用植被总初级生产力遥感指数估算方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010976999.9(22)申请日 2020.09.17(71)申请人中国科学院空天信息创新研究院地址 100094 北京市海淀区邓庄南路9号(72)发明人吴文瑾　李新武　(74)专利代理机构北京得信知识产权代理有限公司 11511代理人孟海娟　阿苏娜(51)Int.Cl.G06F 30/20(2020.01)(54)发明名称一种全球通用植被总初级生产力遥感指数估算方法(57)摘要本发明公开一种全球通用植被总初级生产力遥感指数估算方法。

该方法基于全球通用植被总初级生产力遥感指数模型，采用遥感数据对陆地植被GPP实现大范围的快速估算。

拟合效果显著优于目前的NIRv指数获取的结果，而且该指数模型表现在不同植被类型和纬度之间有较好的一致性，可以准确追踪不同植被类型的物候变化，同时不易受雪的影响。

权利要求书2页说明书5页附图4页CN 112149295 A 2020.12.29C N 112149295A1.一种全球通用植被总初级生产力遥感指数估算方法，其特征在于，包括以下步骤：提出全球通用植被总初级生产力遥感指数模型，模型的计算公式为：GPP＝A×CC×PAR×Ev+B，其中，A＝0.15，B＝1.3,为回归模型的经验系数，该系数全球统一，不必随不同的植被类型和地理位置进行调整；CC代表植被覆盖度；PAR是总体下行短波辐射；Ev是植被对光合有效辐射的总体转化效率，为吸收效率和利用效率的乘积；将CC通过归一化植被指数NDVI进行近似；吸收效率通过近红外波段反射率-NIR进行表征，利用效率通过叶绿素含量占总色素含量的比例-Rchl进行表征，则该模型可以进一步推导为：GPP＝A×NDVI×PAR×NIR×Rchl+B；利用MODIS反射率数据分别计算每日的NDVI，NIR和Rchl均值，并通过相应产品获取PAR；基于所述全球通用植被总初级生产力遥感指数模型求得最终的植被总初级生产力值。

利用机器学习的植被净初级生产力遥感估算方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201610719136.7(22)申请日 2016.08.25(71)申请人三亚中科遥感研究所地址 572029 海南省三亚市天涯镇黑土村6号(72)发明人于博　陈方　(51)Int.Cl.G06N 99/00(2010.01)(54)发明名称利用机器学习的植被净初级生产力遥感估算方法(57)摘要本发明公开了一种基于多源遥感产品，通过机器学习构建植被净初级生产力(Net Primary Production，NPP)估算模型的方法，该方法针对海量数据产品的分析特点，提出采用机器学习的方法模拟和构建全球植被净初级生产力估算模型，同时基于该模型计算了各个相关特征产品在植被净初级生产力估算中的重要性。

主要分四步：(1)收集NPP空间观测产品和NPP相关变量的空间观测产品；(2)数据归一化处理；(3)训练NPP 估算模型；(4)评估各个因素在估算NPP模型中的重要性。

该方法为利用多空间观测数据开展植被净初级生产力的估算提供了一种新思路。

权利要求书1页说明书6页附图2页CN 106372730 A 2017.02.01C N 106372730A1.一种基于多源遥感产品，通过机器学习构建植被净初级生产力(Net Primary Production，NPP)估算模型的方法，其特征在于，利用机器学习模型客观的学习NPP相关变量与NPP空间观测值之间存在的关系，再根据各个变量对估算得到的NPP值与该变量被替换为0时得到的NPP值之差衡量其对NPP估算过程中产生的影响大小，具体实施方案如下：(1)收集NPP空间观测产品和NPP相关变量的空间观测产品N P P 空间观测产品主要采用M O D I S (M O d e r a t e -r e s o l u t i o n I m a g i n g Spectroradiometer)卫星产品作为NPP的实际值，NPP相关变量的空间观测产品主要包括OMI(Ozone Monitoring Instrument)传感器提供的气溶胶指数，大气二氧化氮浓度以及紫外线辐照度；MODIS传感器提供的火灾辐射强度(FRP，Fire Radiative Power)、地表温度、湿度、土壤湿度、光谱植被指数和土地利用类型；AIRS(Atmospheric Infrared sounder)传感器提供的大气二氧化碳浓度；GES DISC (Goddard Earth Sciences Data and Information Services Center)平台提供的植被高度，土壤温度和净全波辐射(Net all-wave radiation)产品以及BP(英国石油公司)2015全球能源统计报告全球能源市场统计数据中的人类主要能源与可再生能源消耗量与二氧化碳排放量数据；(2)数据归一化处理将每景相关遥感产品值都归一化到0-1，避免不同变量产品的值因单位不同，差异较大；(3)训练NPP估算模型采用随机森林方法训练NPP估算模型，其中选取80％的数据为训练数据，其他数据为测试数据；(4)评估各个特征变量在估算NPP模型中的重要性基于训练好的模型计算每个特征变量对估算NPP的重要性，通过计算在各个特征变量值为零时随机森林模型的估算结果与正常训练后的模型得到的估算结果之间的差而得到。

我国陆地植被净初级生产力变化规律及其对气候的响应

而且也是对人类活动和全球气候变化最敏感的生物圈 .植被是陆地生态系统的重要组成部分 , 在区域气候变化和全球碳循环中扮演着重要的角色[ 1 -2, 10, 22 -23] .植被净初级生产力 (netprimaryproductivity, 简称 NPP)是指绿色植物在单位面积、单位时间内所积累的有机物数量 , 是光合作用所产生的有机质总量减去呼吸消耗后的剩余部分 .NPP是
ArcGIS地理信息系统的支持下 , 采用三角网插值方
法将气象数据插值成空间分辨率为 8 km×8 km的
Albers投影的栅格数据 .同时对植被类型分类数据
进行转换 , 生成 8 km×8 km的 Albers投影的栅格数
据 , 以便与遥感数据进行匹配 .
2.2 研究方法
基于光能利用率的植被净初级生产力模型主要
被层对入射光合辐射 (PAR)的吸收比例 , 具体计算参见文献 [ 9] .在理想条件下 , 植被光能利用率为潜
在光合利用率 , 即最大光能利用率 , 而在实际环境中
植被光能利用率主要受空气温度、大气水汽压、土壤
水分状况等因素的影响 .光能利用率计算式如下 :
ε =σ σ σ ε (x, t)
陆地植被 NPP具有明显的时间和空间变化特征 .NPP的空间变化主要与气候特征、植被分布、土地利用类型有关 , 而 NPP的时间变化主要表现在季节间和年际间的变化 .长时间序列的卫星遥感数据集的建立 , 为研究区域或全球尺度的陆地植被 NPP 的季节和年际变化提供了可能[ 3, 11, 20] .我国也有不少学者利用 CASA和 GLO-PEM模型估算近 20年来中国陆地植被 NPP分布及其时空变化规律 , 并从点上简单分析了 NPP与气候因子的相互关系 [ 6, 17] .但到目前为止 , 对我国不同植被生态系统 NPP年际波动的差异以及气候变化对植被影响规律的时空特征还不完全清楚 .另外 , 彭少麟等 [ 15] 认为 , 在 CASA模型中取全球植被月最大光能利用率 (0.389 gC· MJ-1)对中国广东省来说偏低 .GLO-PEM模型所需参数完全由遥感手段反演获得 , 而目前地表参数遥感反演技术还存在许多不确定性的因素[ 13] .因此 , 本文在 GIS系统的支持下 , 根据前人的研究成果 , 充分利用气象资料和卫星遥感的优势 , 构建基于光能利用率的植被 NPP模型 , 估算了 1982— 2000年中国陆地植被月 NPP分布 , 分析了我国陆地不同植被类型 NPP的季节性和年际性变化规律 , 并从像元空间尺度上揭示了我国陆地植被 NPP在不同季节、不同区域对气候变化的响应 .

基于遥感技术评估海洋初级生产力

2、海洋水体的光学特性。海水的光学特性可分为两类: 固有光学量和表观光学量。固有光学量是指只与水体成分有关而不随光照条件变化而变化的量。
它直接反映媒介的散射和吸收特性，并且它随水中的溶解和悬浮物以及媒介的电磁特性的变化而变化。表观光学量是指随光照条件变化而变化的量，这些参必须进行归一化，才有可能进行不同时间、地点测量
4、海洋初级生产力。海洋水色遥感的根木目的
是监测海洋初级生产力的变化，初级生产力表示在单位海洋面积里，浮游植物通过光合作用固定碳的净速
率，初级生产力的单位是mg.耐d ，其中，第一个mg
指增长的浮游植物量 (由碳含量量度) 。而海洋初级生产力的两类算法 (经验算法和解析算法) 都是基于下面两点假设: (1 叶绿素 a 的浓度与浮游植物生 ) 物量 (用细胞浓度、细胞体积和浮游植物碳来表示) 间有很强和很稳定的相关性; (2 光合作用时，细 ) 胞中起主要作用的叶绿素是叶绿素 a。因此可看出，通过遥感海水浮游植物中的叶绿素是评估海洋初级生产力的一个重要指标。
精度‘ 3 ， 0一测量精度蕊 0 。 0 0.1 另外为了避开海面直射反射光入瞳，需要探测器沿轨前后倾斜 ( 一加0 扫 o 0 士 ) 描，倾角按照一年四季太阳高度角变化而进行调整。 3、探测器。海洋水色探测器的性能要求，主要
是由于波段设置、信噪比 ( 八) 、 S 视场、量化级、辐
初级生产力海洋水色遥感是利用机载或星载遥感探测器探测与海洋水色有关的参数即海色要素如叶绿素悬浮物可溶有机物污染物等的光谱辐射根据生物光学特性太空中的传感器在探测到的辐射度中推算离水辐射度的大小和分布求得海水中叶绿素和悬浮物的含量等海洋环境要素获取有关的物质的分布信息从而进一步提取海洋叶绿素浓度等的信息来监测海洋环境和根据叶绿素的浓度评估海洋生产力

基于遥感资料估算全球植被总初级生产力_袁文平

遥感定量反演算法研讨会128基于遥感资料估算全球植被总初级生产力袁文平1*，刘曙光2(1北京师范大学全球变化与地球系统科学研究院，北京，100875; 2美国地质勘探局地球资源观测与科学研究中心)摘要：植被初级生产力是生态系统碳循环的开始，对其的模拟直接关系到对生态系统碳收支评估的准确性，是全球碳循环研究的关键议题之一。

以全球涡度相关碳通量观测资料为基础，我们发展了一个简单的光能利用率模型（EC-LUE模型），用于估算陆地生态系统植被总初级生产力（GPP）。

该模型的驱动变量仅为：归一化植被指数、光合有效辐射、空气温度和波文比。

利用全球范围内近50个涡相关站点的验证表明，EC-LUE模型可以解释超过70%的GPP变化，能够很好的刻画GPP的季节和年际变化，其模拟能力超过了MODIS-GPP产品。

基于MODIS的植被指数产品和全球气象数据，我们应用EC-LUE模型估算了全球范围的GPP变化。

结果显示，全球年平均GPP为125Pg C，与其它同类研究结果极为接近。

全球GPP表现出了极强的空间和时间变异性。

Global estimate of vegetation gross primary production based on MODIS and global meteorology dataYUAN Wen-ping, LIU Shu-guang（College of Global Change and Earth System Science, Beijing Normal University, Beijing100875, China；2 United States Geological Survey）*通讯作者简介：袁文平联系方式：wyuan@。

【国家自然科学基金】_遥感模型_基金支持热词逐年推荐_【万方软件创新助手】_20140801

111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
科研热词遥感 gis 植被指数高光谱遥感高光谱 modis 模型太湖小麦土地利用地理信息系统叶面积指数神经网络监测模型植被覆盖度土壤侵蚀土地利用变化遥感监测遥感影像水稻植被净初级生产力棉花土壤水分叶绿素a 反演反射率 rs 模拟植被大气校正地表温度后向散射系数主成分分析 ndvi dem 钉螺遥感模型遥感技术蒸散绿洲线性光谱混合模型纹理空间变异生物量玉米模式分解方法应用进展多尺度地形因子图像融合半分析模型分类

卫星遥感在生态监测与农业中的应用

8 卫星遥感在生态与农业气象中的应用8.1 目的与意义卫星遥感集中了空间、电子、光学、计算机、通讯和地球科学等学科的最新成就，在地球系统科学、资源与环境科学以及农业、林业、地质、水文、城市与区域开发、海洋、气象、测绘等科学和国民经济的重大领域发挥着越来越大的作用。

随着社会的开展，我国正面临着日益严重的环境与资源问题，这个问题将关系到国民经济的持续开展。

因此，遥感技术已被列为国家90年代国民经济开展的35项关键技术之一。

遥感技术在解决我国资源与环境问题、促进国民经济持续开展的作用是：(1) 为制定国民经济开展方案提供资源与环境动态根底数据；(2) 为国家重大的资源、环境突发性事件提供及时准确的监测评估数据，保证国家对这些重大问题作出正确、快速的反响；(3) 生物量估测〔包括农牧业产量、初级生产力估计〕；(4)为国家的重要经济领域提供信息效劳。

自1961年美国第1颗气象卫星问世以来，已有4800多颗各类卫星被送入轨道。

按运行轨道区分为低轨道卫星、中高轨道卫星、地球同步卫星、地球静止卫星、太阳同步卫星、大椭圆轨道卫星和极轨道卫星。

按用途一般分为科学卫星、应用卫星和技术试验卫星。

其中，应用卫星直接为国民经济和军事效劳的卫星，按用途可细分为通信卫星、气象卫星、侦察卫星、导航卫星、测地卫星、地球资源卫星、截击卫星和多用途卫星等。

在应用卫星中，对地观测卫星有气象卫星、地球资源卫星、侦察卫星。

这些卫星可以直接效劳于气象、农林、地质、水利、测绘、海洋、环境污染和军事侦察等方面。

它们许多采用太阳同步轨道〔如中巴一号资源卫星、风云1系列卫星〕，也有使用静止轨道〔如风云2系列卫星〕和其他轨道。

接收、处理卫星遥感信息，实时制作各类应用效劳产品，向政府和有关部门提供效劳。

学习国外卫星遥感应用的先进技术，研究解决监测应用中的有关技术问题，将卫星遥感技术应用在省自然资源监测和农业生产效劳中，对于研究生态和农业，扩展对它的认识，明确自然界与人类的相互影响，了解我们赖以生存的自然环境。

遥感模型碳储量

遥感模型在碳储量研究中发挥着重要的作用。

通过利用遥感技术获取的卫星数据，可以对地球表面的植被类型、覆盖面积以及生长状态进行监测和分析。

这些信息可以用来估计森林和植被的碳储量。

遥感模型通常基于光谱特征和植被指数来推断植被的生物物理参数，如叶面积指数（Leaf Area Index，LAI）、净初级生产力（Net Primary Productivity，NPP）等。

这些参数与植被的生长状况和碳储量密切相关。

例如，LAI反映了植被的叶片面积，而NPP表示单位面积内植被所固定的碳量。

遥感模型还可以利用雷达技术来获取地表高度信息，从而实现对森林垂直结构的观测。

森林的垂直结构包括树木高度、枝干密度等参数，这些参数与森林的碳储量紧密相关。

通过将雷达数据与其他遥感数据相结合，可以更准确地估计森林的碳储量。

此外，遥感模型还可以利用热红外遥感数据来推断土壤有机碳含量。

土壤中的有机碳是碳循环的重要组成部分，对于全球碳储量的估计至关重要。

通过分析热红外遥感数据中的土壤表面温度和辐射信息，可以推断土壤中有机碳的含量。

综上所述，遥感模型在碳储量研究中具有广泛应用。

通过利用遥感技术获取的地表信息，结合相应的模型和算法，可以实现对森林、植被和土壤的碳储量进行有效监测和估算，为碳循环和气候变化研究提供重要的科学依据。

1。

中国陆地植被净初级生产力遥感估算重点

植物生态学报2007,31(3)413～424ΞJournalofPlantEcology(formerlyActaPhytoecologicaSinica)中国陆地植被净初级生产力遥感估算朱文泉潘耀忠张锦水3(北京师范大学资源学院,环境演变与自然灾害教育部重点实验室,北京100875) 摘要该文在综合分析已有光能利用率模型的基础上,构建了一个净初级生产力(NPP)遥感估算模型,该模型体现了3方面的特色:1)将植被覆盖分类引入模型,并考虑植被覆盖分类精度对NPP估算的影响,由它们共同决定不同植被覆盖类型的归一化植被指数(NDVI)最大值;2)根据误差最小的原则,利用中国的NPP实测数据,模拟出各植被类型的最大光能利用率,使之更符合中国的实际情况;3)根据区域蒸散模型来模拟水分胁迫因子,与土壤水分子模型相比,这在一定程度上对有关参数实行了简化,使其实际的可操作性得到加强。

模拟结果表明,1989～1993年中国陆地植被NPP平均值为3.12PgC(1Pg=1015g),NPP模拟值与观测值比较接近,690个实测点的平均相对误差为4.5%;进一步与其它模型模拟结果以及前人研究结果的比较表明,该文所构建的NPP遥感估算模型具有一定的可靠性,说明在区域及全球尺度上,利用地理信息系统技术将遥感数据和各种观测数据集成在一起,并对NPP模型进行参数校正,基本上可以实现全球范围不同生态系统NPP的动态监测。

关键词生物量遥感模拟NPP NDVI中国ESTIMATIONOFNETPRIMARYPROFVEGETATIONBASEDONREMOTEZHUWe n2Quan,PANYao2Zhong,andKeyLaboratoryofEnvironmentalChangeofof,CollegeofRes ourcesScienceandTechnology,BeijingNormalUniversity,Beijing100875Abstract (NPP)isakeycomponentoftheterrestrialcarboncycle.Modelsimulationistoestimateregional andglobalNPPgivendifficultiestodirectlymeasureNPPatsuchspatialscales.AnumberofNP Pmodelshavebeendevelopedinrecentyearsasresearchissuesrelatedtofoodsecurityandbioti cresponsetoclimaticwarminghavebecomemorecompelling.However,largeuncertain2tiess tillexistbecauseofthecomplexityofecosystemsanddifficultiesindeterminingsomekeymode lparame2ters.Methods WedevelopedanestimationmodelofNPPbasedongeographicinformationsystem(GIS)andr e2motesensing(RS)technology.Thevegetationtypesandtheirclassificationaccuracyaresim ultaneouslyintro2ducedtothecomputationofsomekeyvegetationparameters,suchasthemax imumvalueofnormalizeddiffer2encevegetationindex(NDVI)fordifferentvegetationtypes. Thiscanremovesomenoisefromtheremotesens2ingdataandthestatisticalerrorsofvegetation classification.ItalsoprovidesabasisforthesensitivityanalysisofNPPontheclassificationaccu racy.Themaximumlightuseefficiency(LUE)forsometypicalvegetationtypesinChinaissim ulatedusingamodifiedleastsquaresfunctionbasedonNOAA/AVHRRremotesensingdataan dfield2observedNPPdata.ThesimulatedvaluesofLUEaregreaterthanthevalueusedintheCA SAmodelandlessthanthevaluessimulatedwiththeBIOME2BGCmodel.Thecomputationoft hewaterrestrictionfactorisdrivenwithgroundmeteorologicaldataandremotesensingdata,an dcomplexsoilparametersareavoided.Resultsarecomparedwithotherstudiesandmodels. Importantfindings ThesimulatedmeanNPPinChineseterrestrialvegetationfrom1989-1993is3.12Pg15C(1Pg=10g).ThesimulatedNPPisclosetotheobservedNPP,andthetotalmeanrelativeerro ris4.5%for690NPPobservationstationsdistributedinthewholecountry.Thisillustratestheutilit yofthemodelfortheestimationofterrestrialprimaryproductionoverregionalscales. Keywords biomass,remotesensing,simulation,NPP,NDVI,China收稿日期:2006202215接受日期:2006206224基金项目:国家自然科学基金项目(40371001)和北京师范大学青年基金项目3通讯作者Authorforcorrespondence E2mail:zhangjsh@E2mailofthefirstauthor:zhuwq75@414植物生态学报31卷植被生产力是人类生活所需食物、原料及燃料的来源。

基于CASA模型的常州市森林植被净初级生产力及碳汇估算

基于CASA模型的常州市森林植被净初级生产力及碳汇估算周崴;耿若楠
【期刊名称】《科技和产业》
【年(卷),期】2024(24)11
【摘要】森林植被在碳循环过程中发挥着关键作用,其碳汇分析对于城市生态系统管理有重要意义。

基于多种卫星遥感数据、林地分布以及气象资料,结合
CASA(Carnegie-Ames-Stanford Approach)模型,对2022年常州市森林碳汇进行模拟估算,综合分析其时空变化特征及驱动机制。

结果表明:2022年常州市森林年度碳汇量总体达29.94万t,4—8月碳汇量较高;不同类型林地碳汇能力不同,乔木林碳汇能力较强,7月碳汇量最高可达80 gC/m2;气象因素对于森林碳汇具有相关影响,其中温度的影响要高于降水量。

【总页数】9页(P202-210)
【作者】周崴;耿若楠
【作者单位】江苏省常州环境监测中心;江苏省环境保护水环境生物监测重点实验室;大地新亚(北京)技术有限公司
【正文语种】中文
【中图分类】S771.8
【相关文献】
1.应用CASA模型估算浙江省植被净初级生产力
2.基于CASA模型的瓦屋山林场植被净初级生产力估算
3.基于 CASA模型的云南省植被净初级生产力遥感估算
4.安徽省植被净初级生产力估算--基于改进的CASA模型
因版权原因，仅展示原文概要，查看原文内容请购买。

森林植被净初级生产力遥感估算研究进展

森林植被净初级生产力遥感估算研究进展黄夏;李荣全;云丽丽;王微;高明;柴旭光【摘要】森林植被净初级生产力(NPP)作为地表碳循环的重要组成部分,在全球变化及碳平衡中发挥着重要的作用.遥感技术在森林植被净初级生产力估算中具有较强的优势和巨大的潜力.文章从遥感估算森林植被净初级生产力的原理,遥感数据源的选择及估算模型的运用等方面阐述近年来遥感技术在森林植被净初级生产力估算领域的研究进展,并探讨目前存在的问题与对未来的展望.【期刊名称】《辽宁林业科技》【年(卷),期】2013(000)003【总页数】5页(P43-46,60)【关键词】森林植被;净初级生产力;遥感;数据源;模型【作者】黄夏;李荣全;云丽丽;王微;高明;柴旭光【作者单位】辽宁省林业科学研究院,辽宁沈阳 110032;沈阳兰溪绿化技术开发有限责任公司,辽宁沈阳100161;辽宁省林业科学研究院,辽宁沈阳 110032;阜新蒙古族自治县森林病虫害防治检疫站,辽宁阜新123108;阜新蒙古族自治县国有大板林场,辽宁阜新123122;阜新蒙古族自治县林业局,辽宁阜新123000【正文语种】中文【中图分类】Q948.15森林植物在单位时间、单位面积上由光合作用产生的有机物质总量中扣除自养呼吸后的剩余部分[1]，称为森林植被净初级生产力（Net Primary Productivity，简称NPP）。

森林植被的NPP 作为地表碳循环的重要组成部分，不仅直接反映了植被群落在自然环境条件下的生产能力，表征陆地生态系统的质量状况，而且是判定生态系统碳源/汇和调节生态过程的主要因子，在全球变化及碳平衡中扮演着重要的作用[2]。

因此，开展大尺度上森林植被NPP 值的有效估算是生态学研究的热点。

遥感技术是获得大尺度植被生长分布及其动态变化强有力的手段，在空间、时间和光谱分辨率上能够获得适合于全球环境的数据。

以遥感数据作为信息源的森林植被NPP 研究将会显示出其越来越重要的作用。

高光谱遥感技术在农林植被调查方面的应用

高光谱遥感技术在农林植被调查方面的应用高光谱分辨率遥感（简称高光谱遥感），是20世纪末迅速发展起来的一项集探测器技术、精密光学机械、微弱信号检测、计算机和信息处理技术于一体的全新遥感技术。

它能够获得地物的连续光谱信息，实现地物图像信息与光谱信息的同步获取，因而在地质、林业、农业、生态环境、海洋、军事等领域具有巨大的应用价值和广阔的发展前景。

植被作为遥感观测和记录的第一表层，是遥感数据反映的最直接信息。

目前，多光谱遥感已被广泛应用于植被的长势研究、沙漠化研究、气候演变规律分析等方面，但传统的多波段遥感数据对于植被的研究和应用仍仅限于一般性的红光吸收特征与近红外的反射特征及中红外的水吸收特征波段，由于受波段宽度和波段数以及波长位置的限制，往往对植被类型不敏感，对植被长势反映不理想，而高光谱遥感在对目标的空间特征成像的同时，对每个像元可在更宽范围上，形成几十个乃至几百个窄波段连续的光谱覆盖，使更深入地考察植被光谱的响应机制和物理机制成为可能，因此成为植被和林业方面监测的强有力工具。

1. 高光谱遥感在植被调查方面的优势高光谱遥感在光谱分辨率方面的提高，使地物目标的属性信息探测能力有所增强，因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势：（1）成像光谱仪所获取的地物连续光谱比较真实，能全面反映自然界各种植被所固有的光谱特征以及其间的细节差异性，从而大大提高地物分类的精细程度和准确性，使得高光谱图像数据与光谱仪地面实测光谱曲线数据之间的直接匹配成为可能。

（2）高光谱图像数据提高了根据混合光谱模型进行混合像元分解的能力，减少了土壤等植被生长背景地物的影响，从而能够获取最终光谱端元的真实光谱特性曲线数据。

（3）高光谱分辨率的植被图像数据将对传统的植被指数运算予以改进，大大提高了植被指数所能反演的信息量，使人们可以直接收获诸如植被叶面积指数、生物量、光合有效吸收系数等植被生物物理参量。

（4）提高遥感高定量分析的精度和可靠性，基于高光谱分辨率的光谱吸收特征信息提取可以完成部分植被生物化学成分（如植被干物质和水分含量等）定量填图。

遥感应用模型6-植被(3)-初级生产力

FPAR的估算
在一定范围内， FPAR与NDVI之间存在着线性关系，这一关系可以根据某一植被类型NDVI的最大值和最小值以及所对应的FPAR最大值和最小值来确定；
式中，NDVIi ,max和NDVIi ,min分别对应第i种植被类型的NDVI 最大值和最小值
FPAR 与比值植被指数RVI(SR) 也存在较好的线性关系
总初级生产力自养呼吸的消耗量
NPP作为地表碳循环的重要组成部分，不仅直接反映了植被群落在自然环境条件下的生产能力，表征陆地生态系统的质量状况；而且是判定生态系统碳源/ 汇和调节生态过程的主要因子，在全球变化及碳平衡中扮演着重要的作用；是判定大气成分，尤其是CO2浓度的变化的重要因子，使得NPP的研究对气候具有重要的指导意义。
水分胁迫影响系数Wε(x , t)反映了植物所能利用的有效水分条件对光能利用率的影响，随着环境中有效水分的增加，Wε(x , t)逐渐增大，它的取值范围为0. 5 (在极端干旱条件下) 到1 (非常湿润条件下)；
式中，E(x, t)为区域实际蒸散量(mm)，可根据周广胜和张新时建立的区域实际蒸散模型求取； Ep(x , t) 为区域潜在蒸散量 (mm) ；可根据 Boucher 提出的互补关系求取。
NPP的估算模型
NPP 的估算可以由植物吸收的光合有效辐射 ( APAR) 和实际光能利用率(ε) 两个因子来表示，其估算公式如下：
式中，APAR (x, t)表示像元x 在t月吸收的光合有效辐射，ε(x , t)表示像元x 在t月的实际光能利用率。光能利用率指单位土地面积上，农作物通过光合作用所产生的有机物中所含的能量与所接受的太阳能的比。

第 5 章植被生态遥感

叶子的组织结构及光谱特征

叶绿素对紫外线和紫色光
的吸收率极高，对蓝色光
和红色光也强烈吸收，以进行光合作用。

对绿色光部分则部分吸收，部分反射，所以叶子呈绿色，并形成在0.55µm,附近的一个小反射峰值，而在0.33µm-0.45µm及 0.65µm附近有两个吸收谷。叶子的多孔薄壁细胞组织（海绵组织）对0.8µm-1.3µm的近红外光强烈地反射，形成光谱曲线上的最高峰区。其反射率可达40％，甚至高达60%，吸收率不到15

再如，可见光中绿光波段0.52µm-0.59 µm对区分植
物类别敏感；红光波段0.63µm-0.69µm对植被覆盖度、
植物生长状况敏感等。但是，对于复杂的植被遥感，仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组
变化信息提取
统计数据
初始动态图
变化信息提取（续）
详查图数字化形式时相① 遥感影像配准配准裁剪和高克投影配准主成分分析法迭加分析图像特征选择反映变化信息明显的分量分类初始动态分类（有变化）确定动态变化的具体内容（由什么变成什么）初始动态变化图时相② 遥感影像
合方式），产生某些对植被长势、生物量等有一定
指示意义的数值——即所谓的“植被指数”。它用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。
植被指数：是由遥感图像的多光谱数据，经线性和非线性组合构成的对植被有一定指示意义的各种数值。在植被指数中，通常选用对绿色植物强吸收的可见光红波段和对绿色植物高反射和高透射的近红外波段。

全国生态状况调查评估技术规范——生态系统质量评估(HJ 1172—2021)

目次前言 (ii)1 适用范围 (1)2 规范性引用文件 (1)3 术语和定义 (1)4 总则 (2)5 技术流程 (2)6 生态系统质量评估指标与方法 (2)7 生态系统质量分级 (3)附录A（资料性附录）全国生态系统分类体系表 (4)附录B（规范性附录）遥感关键生态参数计算方法 (5)i前言为贯彻《中华人民共和国环境保护法》及相关法律法规，以及《全国生态状况定期遥感调查评估方案》（环办生态〔2019〕45号），制定本标准。

本标准规定了生态系统质量评估的总则、技术流程、指标与方法和生态系统质量分级等要求。

本标准的附录A为资料性附录，附录B为规范性附录。

本标准为首次发布。

本标准与以下标准同属全国生态状况调查评估技术规范系列标准：《全国生态状况调查评估技术规范——生态系统遥感解译与野外核查》（HJ 1166—2021）；《全国生态状况调查评估技术规范——森林生态系统野外观测》（HJ 1167—2021）；《全国生态状况调查评估技术规范——草地生态系统野外观测》（HJ 1168—2021）；《全国生态状况调查评估技术规范——湿地生态系统野外观测》（HJ 1169—2021）；《全国生态状况调查评估技术规范——荒漠生态系统野外观测》（HJ 1170—2021）；《全国生态状况调查评估技术规范——生态系统格局评估》（HJ 1171—2021）；《全国生态状况调查评估技术规范——生态系统服务功能评估》（HJ 1173—2021）；《全国生态状况调查评估技术规范——生态问题评估》（HJ 1174—2021）；《全国生态状况调查评估技术规范——项目尺度生态影响评估》（HJ 1175—2021）；《全国生态状况调查评估技术规范——数据质量控制与集成》（HJ 1176—2021）；。

本标准由生态环境部自然生态保护司、法规与标准司组织制订。

本标准主要起草单位：生态环境部卫星环境应用中心、中国科学院生态环境研究中心。

中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化

中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化一、本文概述《中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化》一文集中探讨了我国不同区域植被生态系统在时间和空间维度上所展现出的总初级生产力（Gross Primary Productivity，GPP）、蒸散发（Evapotranspiration，ET）特征以及水分利用效率（Water Use Efficiency，WUE）的变化规律。

通过对长时间序列遥感数据、实地观测资料和相关模型的应用，文章系统地分析了我国植被生态系统的能量流动和水循环过程，并结合气候变化、土地利用变化等因素的影响，深入探究了这些关键生态指标动态变化的原因。

文中首先介绍了研究背景和意义，强调了植被生产力和蒸散发作为生态系统功能的核心组成部分，在维持全球碳循环、水循环以及生物多样性等方面的重要性。

研究采用先进的遥感技术与生态模型相结合的方法，构建了适合中国复杂地形和多样气候条件下的GPP、ET估算框架。

接着，文章详细展示了全国尺度及重点区域（如淮河流域）植被总初级生产力时空分布特征及其变化趋势，揭示了不同生态系统类型和地理区域之间的显著差异。

同时，对蒸散发量进行了全面评估，分析了其随季节、年际变化的规律以及与降水量、气温等气候因子的关系。

文章还深入研究了我国植被水分利用效率的时空格局演变，探讨了自然因素与人类活动如何共同作用于水分利用效率的变化，并讨论了这些变化对于生态系统服务功能维护和未来管理策略制定的意义。

《中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化》一文通过对大量数据的整合分析，不仅提供了关于我国植被生态系统关键过程的最新科学认识，而且为今后生态环境保护、资源管理及应对气候变化政策的制定提供了坚实的科学依据和决策支持。

二、方法论为了估算中国植被的总初级生产力（Gross Primary Productivity, GPP）、蒸散发（Evapotranspiration, ET）及水分利用效率（Water Use Efficiency, WUE），本研究采用了多种数据源和模型方法。

应用CASA模型估算河南省主要森林植被碳储量

第５１卷第１１期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５１Ｎｏ．１１２０２３年１１月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＮｏｖ．２０２３１）国家自然科学基金面上项目（４２１７１０５８）；校企合作项目（３０８０２２３２）㊂第一作者简介：郭爱青，男，１９９６年９月生，河南农业大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：３５２８５０３０６９＠ｑｑ．ｃｏｍ㊂通信作者：王德彩，河南农业大学林学院，副教授㊂Ｅ－ｍａｉｌ：ｌｖ⁃ｌｕｕｏ＠１２６．ｃｏｍ㊂收稿日期：２０２３年５月１７日㊂责任编辑：王广建㊂应用ＣＡＳＡ模型估算河南省主要森林植被碳储量１）郭爱青㊀王德彩㊀闫坤㊀王元㊀闫东锋胡传伟㊀（河南农业大学，郑州，４５０００２）㊀㊀（棕榈生态城镇发展股份有限公司）㊀㊀㊀摘㊀要㊀森林作为陆地生态系统的主体，也是最大的碳库，对维持全球气候稳定，减缓温室效应等有着至关重要的作用㊂为了解河南省主要森林的植被碳密度及碳储量，以遥感影像（ＭＯＤＩＳ１３Ｑ１）和气象数据为基础，利用ＣＡＳＡ模型及植物枯损模型，对河南省２０００㊁２００５㊁２０１０㊁２０１５㊁２０１９年（以９月为例）主要森林区域的碳密度及碳储量进行了估算，并分析了其变化趋势㊂结果表明：２０００２０１９年，森林区域碳密度平均值为３５．２１４９．５６ｔ／ｈｍ２，碳密度增加与减少的变化趋势面积比为２．５２；主要森林区域植被碳储量整体呈现出增加趋势，由２０００年的６３０９６２．４８ｔ增加到２０１９年的７１６８０５．０６ｔ，２０００２０１９年碳储量净增加８５８４２．４８ｔ，平均增长速率为４２９２．１２９ｔ㊃ａ－１；不同植被类型中碳储量由大到小依次为：阔叶林㊁灌从㊁针叶林㊁草丛㊁混交林㊂其中阔叶林碳储量最大，平均占总碳储量的比例为６８．５２％，混交林占比最少，仅为２．４２％；不同植被类型的碳密度平均值每年从大到小排列总体表现为：落叶阔叶林㊁混交林㊁草丛㊁灌丛㊁针叶林；降水量对森林植被碳储量影响的灰色关联度最大为０．７４㊂关键词㊀ＣＡＳＡ模型；ＭＯＤＩＳ１３Ｑ１；植被净初级生产力；碳储量；碳密度分类号㊀Ｓ７５７．２ＣＡＳＡＭｏｄｅｌｉｎＥｓｔｉｍａｔｉｎｇＭａｉｎＦｏｒｅｓｔＶｅｇｅｔａｔｉｏｎＣａｒｂｏｎｉｎＨｅｎａｎＰｒｏｖｉｎｃｅ／／ＧｕｏＡｉｑｉｎｇ，ＷａｎｇＤｅｃａｉ，ＹａｎＫｕｎ，ＷａｎｇＹｕａｎ，ＹａｎＤｏｎｇｆｅｎｇ（ＨｅｎａｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）；ＨｕＣｈｕａｎｗｅｉ（ＰａｌｍＥｃｏ⁃ＴｏｗｎＤｅｖｅｌｏｐｍｅｎｔＣｏ．，Ｌｔｄ．）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２３，５１（１１）：８０－８５．ＴｏｕｎｄｅｒｓｔａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｃａｒｂｏｎｄｅｎｓｉｔｙａｎｄｃａｒｂｏｎｓｔｏｃｋｉｎｔｈｅｍａｊｏｒｆｏｒｅｓｔｓｏｆＨｅｎａｎＰｒｏｖｉｎｃｅ，ｗｅｅｓｔｉｍａｔｅｄｔｈｅｃａｒｂｏｎｄｅｎｓｉｔｙａｎｄｃａｒｂｏｎｓｔｏｃｋｉｎｔｈｅｍａｊｏｒｆｏｒｅｓｔａｒｅａｓｏｆＨｅｎａｎＰｒｏｖｉｎｃｅｉｎ２０００，２００５，２０１０，２０１５ａｎｄ２０１９（ｔａｋｉｎｇＳｅｐｔｅｍｂｅｒａｓａｎｅｘａｍｐｌｅ），ａｎｄａｎａｌｙｚｅｄｔｈｅｔｒｅｎｄｏｆｃｈａｎｇｅｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ（ＭＯＤＩＳ１３Ｑ１）ａｎｄｍｅｔｅｏｒｏｌｏｇｉｃａｌｄａｔａ，ｂｙｕｓｉｎｇｔｈｅＣＡＳＡｍｏｄｅｌａｎｄｔｈｅｐｌａｎｔｄｅｐｌｅｔｉｏｎｍｏｄｅｌ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：ｆｒｏｍ２０００ｔｏ２０１９，ｔｈｅａｖｅｒａｇｅｃａｒｂｏｎｄｅｎｓｉｔｙｉｎｆｏｒｅｓｔａｒｅａｗａｓ３５．２１－４９．５６ｔ㊃ｈｍ－２，ａｎｄｔｈｅａｒｅａｒａｔｉｏｏｆｔｈｅｔｒｅｎｄｏｆｃｈａｎｇｅｉｎｃａｒｂｏｎｄｅｎｓｉｔｙｉｎｃｒｅａｓｅａｎｄｄｅｃｒｅａｓｅｗａｓ２．５２．Ｔｈｅｖｅｇｅｔａｔｉｏｎｃａｒｂｏｎｓｔｏｃｋｓｉｎｍａｊｏｒｆｏｒｅｓｔａｒｅａｓｓｈｏｗｅｄａｎｏｖｅｒａｌｌｉｎｃｒｅａｓｉｎｇｔｒｅｎｄ，ｆｒｏｍ６３０９６２．４８ｔｉｎ２０００ｔｏ７１６８０５．０６ｔｉｎ２０１９．Ｆｒｏｍ２０００ｔｏ２０１９，ｔｈｅｎｅｔｉｎｃｒｅａｓｅｏｆｃａｒｂｏｎｓｔｏｒａｇｅｗａｓ８５８４２．４８ｔ，ａｎｄｔｈｅａｖｅｒａｇｅｇｒｏｗｔｈｒａｔｅｗａｓ４２９２．１２９ｔ㊃ａ－１．Ａｍｏｎｇｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｔｙｐｅｓ，ｃａｒｂｏｎｓｔｏｒａｇｅｉｓｏｒ⁃ｄｅｒｅｄｆｒｏｍｈｉｇｈｅｓｔｔｏｌｏｗｅｓｔａｓｆｏｌｌｏｗｓ：ｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔ，ｓｈｒｕｂｓ，ｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔ，ｈａｓｓｏｃｋ，ａｎｄｍｉｎｇｌｅｄｆｏｒｅｓｔ．Ａｍｏｎｇｔｈｅｍ，ｔｈｅｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔｈａｓｔｈｅｌａｒｇｅｓｔｃａｒｂｏｎｓｔｏｒａｇｅ，ａｃｃｏｕｎｔｉｎｇｆｏｒ６８．５２％ｏｆｔｈｅｔｏｔａｌｃａｒｂｏｎｓｔｏｒａｇｅｏｎａｖｅｒａｇｅ，ａｎｄｔｈｅｍｉｘｅｄｆｏｒｅｓｔｈａｓｔｈｅｌｅａｓｔｐｒｏｐｏｒｔｉｏｎ，ｏｎｌｙ２．４２％．Ｔｈｅａｖｅｒａｇｅｃａｒｂｏｎｄｅｎｓｉｔｙｏｆｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｔｙｐｅｓ，ｒａｎｋｅｄｆｒｏｍｈｉｇｈｅｓｔｔｏｌｏｗｅｓｔｆｏｒｅａｃｈｙｅａｒ，ｗａｓｇｅｎｅｒａｌｌｙａｓｆｏｌｌｏｗｓ：ｄｅｃｉｄｕｏｕｓｂｒｏａｄｌｅａｖｅｄｆｏｒｅｓｔ，ｍｉｎｇｌｅｄｆｏｒｅｓｔ，ｈａｓｓｏｃｋ，ｓｈｒｕｂｓ，ａｎｄｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔ．Ｔｈｅｍａｘｉｍｕｍｇｒｅｙｃｏｒｒｅｌａｔｉｏｎｆｏｒｔｈｅｅｆｆｅｃｔｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｏｎｆｏｒｅｓｔｖｅｇｅｔａｔｉｏｎｃａｒｂｏｎｓｔｏｃｋｗａｓ０．７４．Ｋｅｙｗｏｒｄｓ㊀ＣＡＳＡｍｏｄｅｌ；ＭＯＤＩＳ１３Ｑ１；Ｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｏｆｖｅｇｅｔａｔｉｏｎ；Ｃａｒｂｏｎｓｔｏｒａｇｅ；Ｃａｒｂｏｎｄｅｎｓｉｔｙ㊀㊀森林生态系统是由植物和动物相互作用㊁互相依存而形成的一个复杂的生态系统，它不仅具有维护生态平衡㊁保护生物多样性等功能，还可以调节气候，影响地表和大气层的气候和气象特征，也是陆地生态系统中最大的碳库［１］㊂森林生态系统通过光合作用吸收二氧化碳并释放氧气，森林承载全球陆地生物量碳约５０％，同时也是重要的环境和碳汇资源［２］，为全球碳循环做出了巨大贡献㊂因此，森林生态系统对环境保护㊁生态平衡和经济发展具有重要价值㊂对于森林植被碳储量研究主要以森林资源清查资料对森林碳储量的估算㊂刘领等［３］利用河南省连续四次森林资源清查资料对河南省森林植被碳储量的动态变化进行了研究，发现其碳储量由１９９８年的４５．５７Ｔｇ增加到２０１３年的１０７．９８Ｔｇ；贾松伟［４］利用第七次森林资源清查资料对河南省森林植被碳储量进行了研究，２００８年河南省森林总碳储量为８０９０．７２万ｔ，其中乔木林碳储量占比最大，森林平均碳密度为２０．００ｔ／ｈｍ２㊂随着对地物信息的遥感观测技术的不断进步与发展，应用遥感观测数据及相关模型的遥感估算已经成为森林植被碳储量估算的热点㊂遥感数据与传统估测数据相比，遥感数据在空间格局㊁时空分辨率及客观性均表现出更好的优越性，也避免了站点实测数据的耗费大㊁空间不连续等缺点，提高了森林碳储量的估算工作效率［５］㊂利用以遥感技术获取地表气象㊁植被指数㊁植被结构参数等数据为参数，建立的模型也逐渐丰富㊂具有代表性的模型为ＣＡＳＡ模型（卡内基－艾姆斯－斯坦福方法模型），该模型是基于植被光合作用机理构建遥感参数模型，通过遥感数据㊁气象数据对森林植被初级生产力进行估算，能较为准确地进行大范围的森林植被初级生产力模拟［６－７］，结合碳储量计算方法估算森林植被碳储量㊂李富海等［８］应用ＣＡＳＡ模型对香格里拉碳储量进行了估算，表明ＣＡＳＡ模型的碳储量估算方便快捷，结果真实可靠；Ｃｈｅｎｅｔａｌ．［９］应用遥感数据和ＣＡＳＡ模型核算了青海湖流域植被碳储量变化，表明ＣＡＳＡ模型能较为准确可靠的对区域碳储量进行估算㊂近年来，随着环境保护意识的加强，河南省针对森林生态系统的保护及合理使用管理措施日趋完善㊂为了进一步了解河南省森林植被碳储量的变化㊁现状等，本研究应用ＣＡＳＡ模型，利用遥感影像数据（ＭＯＤＩＳ１３Ｑ１影像）㊁气象数据，以模拟的植被初级生产力数据为基础，结合植物枯损模型估算河南省主要森林区域的碳密度与碳储量，以期为我国暖温带及亚热带地区的森林植被碳密度及碳储量的估算提供技术支持㊂１㊀研究区概况河南省（３１ʎ２３ᶄ ３６ʎ２２ᶄＮ，１１０ʎ２１ᶄ １１６ʎ３９ᶄＥ）位于华北平原南部的黄河中下游地区，气候温和湿润，自然条件良好，拥有丰富的森林资源㊂２０１８年河南省森林资源清查数据显示，森林覆盖率为２４．１４％，森林蓄积量２．０７亿ｍ３㊂河南省地势西高东低，北㊁西㊁南三面由太行山㊁伏牛山㊁桐柏山㊁大别山沿省界呈半环形分布（见图１）㊂河南北部南部以及西部以山地㊁丘陵为主，植被以森林为主，太行山脉㊁伏牛山脉和桐柏－大别山脉等区域为主要森林分布区，植被类型属于暖温带落叶阔叶林向亚热带常绿阔叶林过渡的类型，主要有落叶阔叶林㊁针阔混交林㊁针叶林㊁常绿阔叶林㊁灌丛等㊂生物多样性十分丰富，河南省大部分地处暖温带，南部跨亚热带，属于北亚热带向暖温带过渡的大陆性季风气候，同时还具有自东向西由平原向丘陵山地气候过渡的特征，具有四季分明㊁雨热同期㊁复杂多样和气象灾害频繁的特点㊂２㊀研究方法２．１㊀数据来源及处理本研究采用５年为时间间隔，并以研究期内９月为例，对河南省主要森林区域２０００２０１９年森林碳密度及碳储量进行模拟研究㊂归一化植被指数（ＮＤＶＩ）数据是采用的ＭＯＤＩＳ系列遥感数据产品（ｈｔｔｐｓ：／／ｌａｄｓｗｅｂ．ｍｏｄａｐｓ．ｅｏｓｄｉｓ．ｎａｓａ．ｇｏｖ／），分辨率均为２５０ｍ㊂利用ＭＯＤＩＳＲｅｐｒｏｊｅｃｔｉｏｎＴｏｏｌ对影像进行归一化植被指数提取㊁投影转换等处理，利用ＥＮＶＩ５．３等软件对处理后的数据利用最大值合成法，合成月度数据㊂图１㊀河南省森林区域高程及森林分布气象数据来源于国家气象科学数据中心（ｈｔ⁃ｔｐｓ：／／ｄａｔａ．ｃｍａ．ｃｎ／），主要为逐月平均气温和降水量数据，数据时间与ＭＯＤＩＳ系列遥感数据的保持一致㊂利用ＡｒｃＧＩＳ１０．２等遥感软件，采用克里金（Ｋｒｉｇｉｎｇ）法对气象数据插值，将插值后的数据重采样为２５０ｍ；太阳辐射数据为中国地面气候资料日志数据集Ｖ３．０，按照气象数据处理方法得到研究区太阳辐射数据㊂植被类型数据为中国１ʒ１００万植被类型图（数据来源于国家自然科学基金委中国西部环境与生态科学数据中心（ｈｔｔｐ：／／ｗｅｓｔｄｃ．ｗｅｓｔｇｉｓ．ａｃ．ｃｎ））［１０］㊂本研究将森林区域植被类型分为草丛㊁灌丛㊁落叶阔叶林㊁针叶林以及针阔混交林㊂２．２㊀利用ＣＡＳＡ模型估算森林植被初级生产力（ＮＰＰ）ＣＡＳＡ模型是一个基于遥感数据的模型，是由网格化的区域气候㊁辐射㊁土壤与植被指数的数据进行估算森林植被初级生产力（ＮＰＰ）的模型［１１－１２］㊂计算公式如下：㊀㊀ＮＰＰ（ｘ，ｔ）＝ＡＰＡＲ（ｘ，ｔ）ˑε（ｘ，ｔ）㊂式中：ＮＰＰ（ｘ，ｔ）为植物在像元ｘ处ｔ月份的有机物质累积总量，ＡＰＡＲ（ｘ，ｔ）为像元ｘ处ｔ月份所吸收的有效光合辐射，ε（ｘ，ｔ）为植物在像元ｘ处ｔ月份的实际光能利用率㊂㊀㊀ＦＰＡＲ（ｘ，ｔ）＝ＳＯＬ（ｘ，ｔ）ˑＦＰＡＲ（ｘ，ｔ）ˑ０．５㊂式中：ＳＯＬ（ｘ，ｔ）表示太阳在像元ｘ处ｔ月份的总辐射量；ＦＰＡＲ（ｘ，ｔ）为植被在像元ｘ处ｔ月份吸收有效光合辐射比；光合有效辐射和太阳总辐射之比取０．５㊂㊀㊀ε（ｘ，ｔ）＝Ｔεａ（ｘ，ｔ）ˑＴεｂ（ｘ，ｔ）ˑＷｃ（ｘ，ｔ）ˑεｍａｘ㊂式中：Ｔεａ（ｘ，ｔ）和Ｔεｂ（ｘ，ｔ）分别为低温和高温胁迫影响系数；Ｗｃ（ｘ，ｔ）表示水分胁迫影响系数；εｍａｘ为理想状态下最大光能利用率㊂２．３㊀碳储量的估算植被净初级生产力被认为是陆地生态系统碳循环和碳平衡的重要环节，也是判定生态系统碳汇和１８第１１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀郭爱青，等：应用ＣＡＳＡ模型估算河南省主要森林植被碳储量调节生态过程的主要因子和重要指标㊂利用植物枯损模型计算生长生物量密度及碳储量［１３］㊂选用计算公式如下：㊀㊀㊀㊀㊀㊀ＭＤｉ＝０．５６５ˑＮＰＰ；㊀㊀㊀㊀㊀㊀ＣＴｉ＝ＭＤｉˑＬｉˑα㊂式中：ｉ为植被类型；ＣＴｉ表示第ｉ种地表植被的碳储量；ＭＤｉ表示第ｉ种植被的地上生物量密度；Ｌｉ表示第ｉ种植被类型的面积；α表示生物量转化为碳的系数（取值为０．５）㊂２．４㊀Ｓｅｎ－ＭＫ趋势分析方法Ｔｈｅｉｌ－ＳｅｎＭｅｄｉａｎ方法是一种稳健的非参数统计的趋势计算方法㊂该方法计算效率高，对于测量误差和离群数据不敏感，常被用于长时间序列数据的趋势分析中㊂表达式如下：㊀㊀㊀㊀㊀㊀β＝ｍｅｄｉａｎ（Ｃｉ－Ｃｊｊ－ｉ），ｊ＞ｉ㊂式中：β为植被碳密度变化趋势指数，Ｃｊ是第ｊ年的碳密度值，Ｃｉ是第ｉ年的碳密度值㊂如果β＞０，则碳密度呈增加的趋势，表明植被碳密度在该时间段得到改善㊂如果β＜０，则碳密度呈下降的趋势，表明植被碳密度在该时间段有降低的趋势㊂Ｍａｎｎ－Ｋｅｎｄａｌｌ（ＭＫ）检验是一种非参数的时间序列趋势性检验方法，其不需要测量值服从正态分布，不受缺失值和异常值的影响，适用于时间序列数据的趋势显著检验［１４－１５］㊂对于时间序列，ｉ＝２０００㊁２００５㊁㊁２０１９，ｊ＝２０００㊁２００５㊁㊁２０１９㊂定义标准化检验统计量Ｚ：㊀㊀㊀㊀Ｚ＝ＳＶａｒ（Ｓ），Ｓ＞０㊀０Ｓ＋１Ｖａｒ（Ｓ），Ｓ＜０ìîíïïïïïï，Ｓ＝０，㊀㊀㊀㊀Ｓ＝ðｎ－１ｉ＝１ðｎｊ＝ｉ＋１ｓｉｇｎ（ｘｊ－ｘｉ）；㊀㊀㊀㊀ｓｉｇｎ（θ）＝１，θ＞００，θ＝０－１，θ＜０{；㊀㊀㊀㊀Ｅ（Ｓ）＝０；㊀㊀㊀㊀Ｖａｒ（Ｓ）＝ｎ（ｎ－１）（２ｎ＋５）１８㊂式中：ｘｉ和ｘｊ表示像元ｉ年和ｊ年的碳密度值；ｎ是时间序列的长度；ｓｉｇｎ是符号函数㊂θ为ｘｊ－ｘｉ；统计量Ｚ的值在（－ɕ，＋ɕ）㊂在给定显著性水平α下，当｜Ｚ｜＞Ｚ１－α／２时，表示时间序列在α水平上存在显著的变化㊂２．５㊀灰色关联系数本研究由于影响因子样本数量限制，难以利用传统回归分析影响因子重要性，而灰色关联分析法没有对样本规律和数量要求，且计算方便㊂该方法是灰色系统分析方法的一种，主要依据序列曲线几何形状的相似程度判断其关联度的紧密程度，各曲线越平行则变化趋势越接近，表示关联度越大［１６］㊂计算公式如下：ξｉ（ｋ）＝ｍｉｎｉｍｉｎｋ｜ｘ０（ｋ）－ｘｉ（ｋ）｜＋０．５ｍａｘｉｍａｘｋ｜ｘ０（ｋ）－ｘｉ（ｋ）｜｜ｘ０（ｋ）－ｘｉ（ｋ）｜＋０．５ｍａｘｉｍａｘｋ｜ｘ０（ｋ）－ｘｉ（ｋ）｜㊂式中：ξｉ（ｋ）为第ｉ个点指标ｋ的灰色关联系数；ｘ０（ｋ）为参考数列；ｘｉ（ｋ）为比较数列；分辨系数为０．５㊂计算所得的灰色关联度值为０１，其值越大，表明其影响越大㊂３㊀结果与分析３．１㊀河南省森林植被碳密度的时空变化由图２可知，２０００２０１９年，伏牛山生态区的森林植被碳密度平均值在空间上的分布整体呈现出中间高㊁四周低的分布特征㊂依据河南省行政区域划分，栾川县㊁西峡县㊁卢氏㊁嵩县及内乡县等地区的植被碳密度平均值最高（４９．５６ｔ／ｈｍ２），植被种类多样，植被覆盖率高，植被类型主要以灌丛㊁常绿针叶林㊁落叶阔叶林为主㊂图２㊀河南省森林植被碳密度均值分布晋豫两省交界处的太行山脉，生态区域森林植被碳密度在空间分布上，西部与东部高于中部，主要分布于济源市㊁焦作市㊁渑池县㊁新安县㊁辉县以及林州市等地区㊂森林植被碳密度平均值为４２．３８ｔ／ｈｍ２，植被碳密度较低的区域为修武县和博爱县㊂南部森林区域为桐柏－大别山区域，植被碳密度平均值为３５．７８ｔ／ｈｍ２㊂在空间上整体呈现出北２８㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５１卷低㊁南高的特征，主要分布区域为信阳市，其中新县㊁商城县的森林区域植被碳密度较高㊂由表１㊁表２可知，２０００年，碳密度较高值区（４０ｔ／ｈｍ２＜Ｃｖɤ６０ｔ／ｈｍ２）的面积为１１９９６．１３ｋｍ２，占森林区域面积的４７．８２％，对应的森林碳储量为３１２６７６．８６ｔ，占总碳储量比例为４９．５６％㊂２００５年，碳密度的较高值区（４０ｔ／ｈｍ２＜Ｃｖɤ６０ｔ／ｈｍ２）面积为１２７３９．４４ｋｍ２，占森林区域面积的４５．７３％，对应碳储量为２８３６９４．９０ｔ，占总碳储量比例为４１．４８％㊂２０１０年，碳密度较低值区（２０ｔ／ｈｍ２＜Ｃｖɤ４０ｔ／ｈｍ２）所占面积为１７８６４．８１ｋｍ２，占森林区域面积的６３．３９％，对应碳储量为２７７８６５．０９ｔ，占总碳储量的比例为５３．２６％㊂２０１５年，碳密度较低值区（２０ｔ／ｈｍ２＜Ｃｖɤ４０ｔ／ｈｍ２）所占面积为１４９５３．７５ｋｍ２，占总面积的比例为５１．６７％；在植被碳密度４０ｔ／ｈｍ２＜Ｃｖɤ６０ｔ／ｈｍ２时，植被碳储量最多，植被碳储量为２６７２５１．５９ｔ，占总碳储量的比例为４４．７１％㊂２０１９年，碳密度较高值区（４０ｔ／ｈｍ２＜Ｃｖɤ６０ｔ／ｈｍ２）所占面积与碳储量均为最大，分别为１３４９９．１３ｋｍ２㊁２９６２２５．６３ｔ㊂２０００２０１９年碳密度大于８０ｔ／ｈｍ２的极高值区植被碳储量占比相对较少㊂表１㊀２０００２０１９年河南省森林不同碳密度等级的碳储量及比例碳密度（Ｃｖ）／ｔ㊃ｈｍ－２２０００年碳储量／ｔ比例／％２００５年碳储量／ｔ比例／％２０１０年碳储量／ｔ比例／％２０１５年碳储量／ｔ比例／％２０１９年碳储量／ｔ比例／％０＜Ｃｖɤ２０２２１２１．０９㊀３．５１２３７５２．０２㊀３．４７５０６４５．９８㊀９．７１３２３５７．６４㊀５．４１２０６７９．５５㊀２．８８２０＜Ｃｖɤ４０２４５２１９．８７３８．８５２４９７７７．９５３６．５２２７７８６５．０９５３．２６２５３２４８．６６４２．３７１９２７６１．３８２６．８９４０＜Ｃｖɤ６０３１２６７６．８６４９．５６２８３６９４．９０４１．４８１７４４６６．８４３３．４４２６７２５１．５９４４．７１２９６２２５．６３４１．３３６０＜Ｃｖɤ８０５０８８９．８７８．０７１２５５８３．９７１８．３６１８７２０．９７３．５９４４８５１．０６７．５０１９３３７４．６４２６．９８Ｃｖ＞８０５４．７９０．０１１１５８．８６０．１７６８．４８０．０１１３７６３．８６１．９２合计㊀㊀６３０９６２．４８１００．００６８３９６７．７１００．００５２１６９８．８８１００．００５９７７７７．４３１００．００７１６８０５．０６１００．００㊀㊀注：河南省主要森林区域植被碳密度（Ｃｖ）分为：低值区（０＜Ｃｖɤ２０ｔ／ｈｍ２）㊁较低值区（２０ｔ／ｈｍ２＜Ｃｖɤ４０ｔ／ｈｍ２）㊁较高值区（４０ｔ／ｈｍ２＜Ｃｖɤ６０ｔ／ｈｍ２）㊁高值区（６０ｔ／ｈｍ２＜Ｃｖɤ８０ｔ／ｈｍ２）㊁极高值区（Ｃｖ＞８０ｔ／ｈｍ２）㊂表２㊀２０００２０１９年河南省森林不同碳密度等级的面积及比例碳密度（Ｃｖ）／ｔ㊃ｈｍ－２２０００年面积／ｋｍ２比例／％２００５年面积／ｋｍ２比例／％２０１０年面积／ｋｍ２比例／％２０１５年面积／ｋｍ２比例／％２０１９年面积／ｋｍ２比例／％０＜Ｃｖɤ２０１４３９．１９㊀５．７４㊀５１２．３８㊀１．８３２３７０．００㊀８．４１㊀７６２．１３㊀２．６３㊀３５９．１９㊀１．２２２０＜Ｃｖɤ４０１０４２６．６２４１．５５１０９４４．００３９．２９１７８６４．８１６３．３９１４９５３．７５５１．６７８５９７．９４２９．３３４０＜Ｃｖɤ６０１１９９６．１３４７．８２１２７３９．４４４５．７３７４２８．２５２６．３６１２０５３．３８４１．６５１３４９９．１３４６．０４６０＜Ｃｖɤ８０１２２４．６９４．８８３６４６．１９１３．０９５１８．９４１．８４１１６９．２５４．０４６５８９．４４２２．４８Ｃｖ＞８０１．２５０．０１１５．８１０．０６１．６９０．０１２７３．２５０．９３合计２５０８７．８８１００．００２７８５７．８２１００．００２８１８２．００１００．００２８９４０．２０１００．００２９３１８．９５１００．００㊀㊀由图３可知，植被碳密度呈现显著减少㊁微显著较少㊁无变化㊁微显著增加㊁显著增加的面积占全省森林区域面积的比例分别为０．１８％㊁２７．９３％㊁０．９８％㊁６６．８８％㊁４．０３％；植被碳密度呈增加（显著增加㊁微显著增加）与减少（显著减少㊁微显著减少）的面积比约为２．５２㊂２０００２０１９年河南省森林植被碳密度在检验水平上整体呈现增加趋势，主要是因为河南省近年气温上升，降水量增加，以及森林㊁灌丛等所占面积比例的增加，植被覆盖率提高㊂３．２㊀不同森林植被类型碳密度的变化趋势由表３可知，２０００２０１９年，不同森林植被平均碳密度随时间变化而变化㊂阔叶林年平均碳密度均要高于对应其他植被类型的年平均碳密度；针叶林碳密度变化波动不大，呈现出较为稳定的状态；混交林的碳密度变化趋势呈现波动变化；灌丛与草丛随时间的变化趋势相同（升高－降低－上升的趋势），除混交林外其他所有植被类型的碳密度均是在２０１０年最低，２０１９年最高㊂图３㊀研究时间内河南省森林植被碳密度变化趋势３８第１１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀郭爱青，等：应用ＣＡＳＡ模型估算河南省主要森林植被碳储量不同植被类型的碳密度平均值每年从大到小顺序为：落叶阔叶林㊁针阔混交林㊁草丛㊁灌丛㊁针叶林㊂草丛碳密度大于针叶林碳密度是由于本研究所用遥感影像中草丛植被类型的归一化植被指数高于针叶林，而气象等数据变化不大㊂因此，基于ＣＡＳＡ模型模拟得到的草丛初级生产力高于针叶林，对应的植被碳密度表现出相同的变化趋势㊂表３㊀２０００—２０１９年河南省不同植被类型的碳密度ｔ㊃ｈｍ－２㊀植被类型２０００年碳密度最大值平均值２００５年碳密度最大值平均值２０１０年碳密度最大值平均值２０１５年碳密度最大值平均值２０１９年碳密度最大值平均值落叶阔叶林９３．１２４３．７４５３．９２３１．１５５８．７３２０．１９６１．６３２８．４９７４．４４２９．３７针阔混交林９３．７０４６．４１５６．４１３２．３７５３．８７１９．７１５７．９３２８．２２６８．８８３０．３２针叶林６９．５１３６．７８４１．７４２４．３２３８．８４１８．０８４２．９４２１．５３５２．７３２５．１２灌丛８１．８７４１．６８５５．４０３３．８８４５．５８１７．６０５０．３２２５．０６６２．１２２８．５９草丛９８．５５５０．４６５３．５９２８．９５５４．３０１８．８７６１．０４３１．７６７５．３５３２．２９３．３㊀河南省不同植被类型的碳储量由表４可知，河南省森林碳储量整体呈现增加趋势，２０００２０１９年森林区域总碳储量依时间顺序分别为６３０９６２．４８㊁６８３９６７．７㊁５２１６９８．８８㊁５９７７７７．４３㊁７１６８０５．０６ｔ，２０００２０１９年碳储量净增加８５８４２．５８ｔ，平均年增长速率为４２９２．１２９ｔ／ａ㊂不同植被类型中碳储量占比大小依次为：阔叶林㊁灌丛㊁针叶林㊁草丛㊁针阔混交林㊂阔叶林占比最多，平均占比６８．５２％，混交林占比最少，平均占比２．４２％㊂表４㊀河南省森林区域不同植被类型碳储量植被类型２０００年碳储量／ｔ比例／％２００５年碳储量／ｔ比例／％２０１０年碳储量／ｔ比例／％２０１５年碳储量／ｔ比例／％２０１９年碳储量／ｔ比例／％针叶林３８２３２．８１㊀６．０６４６２１２．４６㊀６．７６３４５０１．４３㊀６．６１３８４２６．３１㊀６．４３４３５１７．７１㊀６．０７针阔混交林１４９６２．０７２．３７１９９１９．９９２．９１１１４６９．８０２．２０１５０８３．２４２．５２１４９９４．３２２．０９阔叶林４３０３５９．９２６８．２１４６０９０１．４０６７．３９３６１２４５．４７６９．２４４１０２８３．７８６８．６３４９５６２４．２６６９．１４草丛３９４９２．０１６．２６４５２１６．２５６．６１３２８９９．５７６．３１３８３２３．４４６．４１４２９６３．７６５．９９灌丛１０７９１５．６９１７．１０１１１７１７．６０１６．３３８１５８２．６３１５．６４９５６６０．６６１６．０１１１９７０５．０１１６．７１合计６３０９６２．４８１００．００６８３９６７．７０１００．００５２１６９８．８８１００．００５９７７７７．４３１００．００７１６８０５．０６１００．００３．４㊀影响森林碳储量的主要因子的变化趋势由表５可知，在２０００２００５年，降水量从１２５．６７ｍｍ上升到１３５．７９ｍｍ，并在之后缓慢下降㊂总体趋势呈现微增趋势，然而２０１５年的降水量低于其他年份，影响了森林植被的生长和碳固定；温度在每年变化较小，但是２０１０年与其他年份相比略微偏低，对森林植被发育造成一定影响；月总辐射从２０００年持续下降到２０１０年，然后在２０１５年和２０１９年回升，太阳总辐射能够促进植物光合作用，帮助森林植被进行固碳等活动，年际变化会影响森林植被的生长；归一化植被指数的变化幅度不大，说明该地区植被保持相对稳定㊂表５㊀森林碳储量及其影响因子年份／年平均碳密度／ｔ㊃ｈｍ２降水量／ｍｍ平均气温／ħ月总辐射／ＭＪ㊃ｍ－２面积／ｋｍ２归一化植被指数２０００４１．６９１２５．６７２１．１７５００．８２２５０８７．８８０．５３５８２００５４５．１０１３５．７９２１．２０４６９．５４２７８５７．８２０．５５５６２０１０３５．２１１３０．３３２０．４２３６９．５１２８１８２．０００．５９８０２０１５４０．４９１１８．５６２１．５８５２０．６３２８９４０．２００．５９８１２０１９４９．２８１２３．９３２２．４３６５３．２９２９３１８．９５０．５５５４㊀㊀气象及植被因子与森林植被碳储量之间的灰色关联度，降水量是决定森林植被碳储量的主要因素且其关联度系数为０．７４，因为适当的降水有助于提供充足的水分支持植物的正常生长发育，同时也能保持土壤湿度，增加生物质的积累和固碳效率，因此适宜的降水量可以促进森林植被的生长和碳储量的积累㊂温度的灰色关联系数为０．７２，对森林植被碳储量的影响仅次于降水量，温度在森林环境中也扮演着重要角色，如松树等针叶林在寒冷多雪的气候下会有很好的碳储量，而热带雨林则需要更高的温度来促进生长，在合适的温度条件下，树种可以生长得更快，在单位时间内固碳的速度会更快［１７］，然而，在过高或者过低的温度条件下，植物生长会受到抑制，从而影响碳储量的积累㊂森林植被碳储量与太阳月总辐射量的灰色关联系数为０．６５，太阳月总辐射量对植被生长活动的影响也非常显著，太阳辐射向植物的叶片中转移光能，触发光合作用，让植物产生有机物及氧气，固碳效率也随之提高，因此，在适宜的太阳辐射条件下，植被的光合作用强度会增加，进而促进植被碳的积累㊂归一化植被指数值为４８㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５１卷０．６７，可以表征植被覆盖程度，植被覆盖度高的区域表明该地区植物生长茂盛，也意味着碳储量相对较高，但归一化植被指数只能表征植被覆盖率，不能精确反应准确的植被生长情况和碳储量变化㊂４　结论与讨论本文利用ＭＯＤＩＳ１３Ｑ１数据㊁气象数据和ＣＡＳＡ模型模拟计算河南省的植物净初级生产力，并结合植物枯损模型估算河南省的碳密度及碳储量㊂２０００２０１９年，河南省森林区域碳密度平均值为３５．２１４９．５６ｔ／ｈｍ２，整体呈现出波动上升的趋势；碳密度增加区域与减少区域比为２．５２；森林植被碳储量平均增长速率为４２９２．１２９ｔ／ａ，植被碳储量主要分布区域为伏牛山脉㊁桐柏大别山脉和太行山脉，主要森林区域碳储量整体呈现出增加的趋势；降水量对森林植被碳储量影响最大，灰色关联度系数为０．７４㊂森林碳储量作为研究森林与大气间碳交换的基本参数［１８］，准确估算森林生态系统碳储量及其固碳潜力有利于理解陆地碳循环动态㊁过程和机制，也是加强森林生态系统科学管理和制定固碳减排具体措施的前提［１９－２０］㊂本研究对河南省主要森林区域进行提取，得到主要森林区域面积由２０００年的２５０８７．８８ｋｍ２增加到２０１９年的２９３１８．９５ｋｍ２，其中，伏牛山脉森林区域占河南省全部林区比例为７１．７９％，桐柏－大别山占比２１．１９％，太行山脉占比为７．０２％，表明近年来河南省进行的人工造林㊁森林资源质量提升等措施对生态环境保护起到了积极的作用㊂森林区域碳储量由２０００年的６３０９６２．４８ｔ增加到２０１９年的７１６８０５．０６ｔ，表明河南省近年来森林覆盖率以及生态质量显著提高，这与贾松伟［２１］㊁光增云［２２］研究的结论一致，但是有所差异，主要是因为使用不同模型形式及模型输入参数，都会导致同一地区碳储量值估算值存在差别㊂降水量对森林植被碳储量的影响最为显著，这与董金相［２３］㊁兰秀等［２４］研究的结果一致㊂人类活动对陆地生态系统的具有重要影响，人为干扰对碳密度的影响巨大，人为的干扰程度要大于气候条件对森林植物碳密度的影响和制约［２５－２６］㊂本研究由于数据来源的限制，未能对人为干扰的结果进行对比分析，因此，在以后的研究中应考虑人为干扰对河南省森林碳密度及碳储量的影响㊂参㊀考㊀文㊀献［１］㊀ＰＡＮＹＤ，ＢＩＲＤＳＥＹＲＡ，ＦＡＮＧＪＹ，ｅｔａｌ．Ａｌａｒｇｅａｎｄｐｅｒｓｉｓ⁃ｔｅｎｔｃａｒｂｏｎｓｉｎｋｉｎｔｈｅｗｏｒｌｄｓｆｏｒｅｓｔｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２０１１，３３３：９８８－９９３．［２］㊀ＧＵＯＺＤ，ＨＵＨＦ，ＬＩＰ，ｅｔａｌ．Ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌｃｈａｎｇｅｓｉｎｂｉｏ⁃ｍａｓｓｃａｒｂｏｎｓｉｎｋｓｉｎＣｈｉｎａｓｆｏｒｅｓｔｓｆｒｏｍ１９７７ｔｏ２００８［Ｊ］．Ｓｃｉ⁃ｅｎｃｅＣｈｉｎａＬｉｆｅＳｃｉｅｎｃｅｓ，２０１３，５６（７）：６６１－６７１．［３］㊀刘领，王艳芳，悦飞雪，等．基于森林清查资料的河南省森林植被碳储量动态变化［Ｊ］．生态学报，２０１９，３９（３）：８６４－８７３．［４］㊀贾松伟．基于森林资源清查资料的河南省森林碳储量及其经济价值研究［Ｊ］．湖北农业科学，２０１６，５５（６）：１６１２－１６１６．［５］㊀杨绪红．近３００年来中国农林地空间格局重建及其碳排放核算［Ｄ］．南京：南京大学，２０１７．［６］㊀朱文泉，陈云浩，徐丹，等．陆地植被净初级生产力计算模型研究进展［Ｊ］．生态学杂志，２００５，２４（３）：２９６－３００．［７］㊀朱文泉，潘耀忠，张锦水．中国陆地植被净初级生产力遥感估算［Ｊ］．植物生态学报，２００７，３１（３）：４１３－４２４．［８］㊀李富海，芦珊，栗业．基于ＣＡＳＡ模型的香格里拉碳储量估算［Ｊ］．林业调查规划，２０１５，４０（５）：１５－１９．［９］㊀ＣＨＥＮＫＬ，ＨＡＮＹＬ，ＣＡＯＳＫ，ｅｔａｌ．ＴｈｅｓｔｕｄｙｏｆｖｅｇｅｔａｔｉｏｎｃａｒｂｏｎｓｔｏｒａｇｅｉｎＱｉｎｇｈａｉＬａｋｅＶａｌｌｅｙｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇａｎｄＣＡＳＡｍｏｄｅｌ［Ｊ］．ＰｒｏｃｅｄｉａＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓ，２０１１，１０：１５６８－１５７４．［１０］㊀张新时．中华人民共和国植被图（１ʒ１００００００）［Ｍ］．北京：地质出版社，２００７．［１１］㊀朱文泉．中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究［Ｄ］．北京：北京师范大学，２００５．［１２］㊀ＺＨＵＷＱ，ＰＡＮＹＺ，ＨＥＨ，ｅｔａｌ．ＳｉｍｕｌａｔｉｏｎｏｆｍａｘｉｍｕｍｌｉｇｈｔｕｓｅｅｆｆｉｃｉｅｎｃｙｆｏｒｓｏｍｅｔｙｐｉｃａｌｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｉｎＣｈｉｎａ［Ｊ］．Ｃｈｉ⁃ｎｅｓｅＳｃｉｅｎｃｅＢｕｌｌｅｔｉｎ，２００６，５１（４）：４５７－４６３．［１３］㊀张佳华，王长耀．以气孔导度为显参的遥感光合水分胁迫作物产量模型研究［Ｊ］．水利学报，１９９９，３０（８）：３５－３９．［１４］㊀蔡博峰，于嵘．基于遥感的植被长时序趋势特征研究进展及评价［Ｊ］．遥感学报，２００９，１３（６）：１１７０－１１８６．［１５］㊀魏光辉，邓丽娟．基于ＭＫ与ＳＲ非参数检验方法的干旱区降水趋势分析［Ｊ］．西北水电，２０１４（４）：１－４．［１６］㊀郭娜，郭科，吴金炉，等．灰色关联度分析法在土地评价中的应用［Ｊ］．成都理工大学学报（自然科学版），２００７，３４（６）：６２６－６２９．［１７］㊀陈星宇，王枫，李灿．珠三角地区耕地多功能空间差异与影响因素分析［Ｊ］．地域研究与开发，２０１７，３６（１）：１３０－１３６．［１８］㊀鞠雅莉，兴安落叶松树干呼吸和叶片光合能力及其对气候变暖的响应［Ｄ］．哈尔滨：东北林业大学，２０２２．［１９］㊀霍洪江，汪涛，魏世强，等．三峡库区紫色土坡耕地氮素流失特征及其坡度的影响［Ｊ］．西南大学学报（自然科学版），２０１３，３５（１１）：１１２－１１７．［２０］㊀潘磊，唐万鹏，肖文发，等．三峡库区不同退耕还林模式林地水文效应［Ｊ］．水土保持通报，２０１２，３２（５）：１０３－１０６，１１２．［２１］㊀贾松伟，郭蔓蔓．２０１３年河南省乔木林植被碳储量特征［Ｊ］．水土保持研究，２０１９，２６（３）：２９－３４．［２２］㊀光增云．河南森林植被的碳储量研究［Ｊ］．地域研究与开发，２００７，１１３（１）：７６－７９．［２３］㊀董金相．戴云山黄山松林碳储量及其影响因子研究［Ｄ］．福州：福建农林大学，２０１２．［２４］㊀兰秀，杜虎，宋同清，等．广西主要森林植被碳储量及其影响因素［Ｊ］．生态学报，２０１９，３９（６）：２０４３－２０５３．［２５］㊀冯宗炜，王效科，吴刚．中国森林生态系统的生物量和生产力［Ｍ］．北京：科学出版社，１９９９．［２６］㊀王效科，冯宗炜，欧阳志云．中国森林生态系统的植物碳储量和碳密度研究［Ｊ］．应用生态学报，２００１，１２（１）：１３－１６．５８第１１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀郭爱青，等：应用ＣＡＳＡ模型估算河南省主要森林植被碳储量。

植被遥感粗略总结

GPP，NPP，NEP，NEEGross Primary Production（GPP）is the total amount of CO2 that is fixed by the plant in photosynthesis.Respiration, R,Rp =Respiration by PlantsRh = Respiration by HeterotrophsRd = Respiration by Decomposers (the microbes)Net Primary Production(NPP)is the net amount of primary production after the costs of plant respiration are included. Therefore, NPP = GPP –Rp净初级生产力（NPP）净初级生产力（NPP）则是由光合作用所产生的有机质总量中扣除自养呼吸后的剩余部分。

净初级生产力=总初级生产力-自养呼吸消耗Net Ecosystem Production(NEP)is the net amount of primary production after the costs of respiration byplants, hetertrophs, and decomposers are all included. Therefore,NEP = GPP -(Rp + Rh + Rd)NEP (net ecosystem productivity) 净生态系统生产力：指净第一生产力中再减去异养呼吸所消耗的光合产物碳通过陆地生态系统循环。

NEP=NPP-异养呼吸net ecosystem exchange(NEE) = -NEPGPP (gross primary productivity) 总初级生产力.单位时间内生物通过光合作用途径所固定的光合产物量或有机碳总量,又称总第一性生产力或总生态系统生产力(GEP),是生态系统C循环的基础.NPP (net primary productivity) 净初级生产力植物光合作用所固定的光合产物中扣除植物自身的呼吸消耗部分,也称第一性生产力NPP=GPP-植物自养呼吸NEP (net ecosystem productivity) 净生态系统生产力指净第一生产力中再减去异养呼吸所消耗的光合产物NEP=NPP-异养呼吸NEE (net ecosystem exchange ) 净生态系统碳交换量陆地与大气系统间的CO2通量与生态系统的GPP,NPP,NEP,NBP,在某些假定条件下所观测的CO2通量与其中的某个概念是一致的.一般与NEP 相同,当植被相当繁茂,土壤呼吸相对较小时,可以近似看作为生态系统的NPP.RP =呼吸的植物RH =呼吸异养生物的RD =呼吸的分解者（微生物）第二章双向反射率分布函数（BRDF）的物理意义是：来自方向地表辐照度的微增量与其所引起的方向上反射辐射亮度增量之间的比值。

NPP估算--CASE模型

第三章长江上游初级生产力评估植被既是重要的自然资源，又是自然条件（如地质、地貌、气候、土壤等）和人类开发利用资源状况的综合反映。

随着全球变化的加剧及其对全球变化研究的不断深入，植被作为陆地生物圈的主体，在生态系统中的作用也日益受到重等温视，尤其是在全球物质循环、能量流动、调节全球碳平衡、减缓大气中CO2室气体浓度上升趋势以及维护全球气候稳定等方面具有不容忽视的意义。

植被净初级生产力（Net Primary Productivity，NPP）是指绿色植物在单位面积、单位时间内所累积的有机物数量，表现为光合作用固定的有机碳中扣除植物本身呼吸消耗的部分，这一部分用于植被的生长和生殖，也称净第一性生产力。

NPP 作为地表碳循环的重要组成部分，不仅直接反映了植被群落在自然环境条件下的生产能力，表征陆地生态系统的质量状况，而且是判定生态系统中碳源/碳汇和调节生态过程的主要因子，在全球变化及碳平衡中扮演着重要的作用。

自20世纪60年代以来，各国学者对NPP的研究倍受重视，国际生物学计划（International Biological Programme，IBP，1965～1974）期间，曾进行了大量的植物NPP的测定，并以测定资料为基础联系气候环境因子建立模型对植被NPP的区域分布进行评估如Miami模型、Thornthwaite纪念模型、Chikugo 模型等。

建立于1987年的国际地圈——生物圈计划（International Geo-Biosphere Programme，IGBP）、全球变化与陆地生态系统（GCTE）和最近出台的京都协定（Kyoto Protocol）均把植被的NPP研究确定为核心内容之一（IGBP，1998）。

长江上游地区面积广大，地形复杂，气候多样，植被类型丰富，是我国生态屏障关键区，也是重要的生态脆弱区和气候变化敏感区。

同时，它还是我国生物多样性和自然保护集中区和我国重要的森林分布区、草地分布区。

陆地植被净初级生产力估算及影响因素研究现状

陆地植被净初级生产力估算及影响因素研究现状李媛【摘要】植被净初级生产力(NPP)是植被在自然条件下的生产能力,是表征生态系统质量与功能、研究生态系统碳循环的重要指标.在总结NPP估算方法的基础上,分析了实测法、气象模型、光能利用模型、过程模型的特点;探讨了自然及人为因素对NPP的影响,以期为今后的研究工作起到一定借鉴作用.【期刊名称】《宁夏大学学报（自然科学版）》【年(卷),期】2018(039)004【总页数】5页(P362-366)【关键词】净初级生产力;模型;植被【作者】李媛【作者单位】宁夏大学资源环境学院,宁夏银川 750021【正文语种】中文【中图分类】Q148;Q948;S812陆地生态系统是人类赖以生存的物质基础,而植被是陆地生态系统的重要组成部分,它不仅在物质流动和能量循环中起着显著作用,同时在减少温室气体、维持气候稳定方面贡献突出．植被净初级生产力(net primary productivity, NPP)是指绿色植物在单位时间、单位面积内所累积的有机物数量,是光合作用所产生的有机质总和减去自养呼吸后剩余的部分[1],反映了植被在自然条件下的生产能力,是表征生态系统质量和功能的重要指标,同时也是研究生态系统碳循环的重要因子．对NPP的估算方法及影响因素进行梳理和总结,对于监测植被生长状态、制定合理的生态保护措施具有积极意义．1 NPP的估算方法1.1 基于生物量实测的NPP估算早期的NPP估算主要采用样地实测法．该方法首先需要确定野外样地,然后选择适当方法估测样地生物量,获得平均生物量密度,最后将平均生物量密度与研究区面积相乘得到总生物量．实测法的关键在于以下2个方面：①样地的选择.在自然界中，不同地块间在植物种类和长势上都会存在一定差异,因此，要想使在样地上测得的数据适用整个区域,选择什么样的样地尤为重要．②用何种方法估测生物量．对于生长周期短的植物群落，如草地、作物、灌木等，常采用皆伐法,即在样地上设置一定数量的样方,将样方中的植物全部取下称其鲜重或干重．对于乔木,由于自身体量较大,生长周期较长,为了节约时间和人力,减少对生态环境的破坏,常采标准木法、相对生长法等估测生物量．总体而言,实测法在小面积生物量的测算中能保证较高的精度,但是费时费力,对植被具有一定破坏性,实测资料较少,因此难以实现大尺度植被生物量的估算．1.2 气候模型在自然条件下,除生物特性、土壤养分外,植被的生产力主要受气候因子的影响,因此,可以通过分析气温、降雨、日照等气象因子与植物干物质生产的相关性来估算净初级生产力.气候模型便在这种思想的推动下产生了．最早的气候模型是1975年Lieth利用53组实测资料建立的Miami模型[2],该模型认为NPP是年均气温和年降水量的函数.由于气温和降水是气象站必测的常规项目,且在全球范围内积累了长期的连续观测资料,该模型在使用的便利性方面优势明显．除气温、降水外，实际上,NPP还受到其他气象因子的影响.为了提高估算精度,更多的气象要素被相继引入．Lieth根据平均蒸发量与气温、降水和植被之间的关系提出了Thornthwaite Memorial模型;Uchijima等建立了基于净辐射和辐射干燥度的Chikugo模型．鉴于Chikugo模型在建立时缺乏草原和荒漠等植被资料以及在干旱、半干旱地区适应性差等问题[3],朱志辉、周广胜相继提出了北京模型[4]和周广胜模型[5],这在气候模型中国本土化方面起到了推动作用．由于每种模型都是在特定实测数据的基础上推导而来的,在其他区域使用的合理性及不同模型间测算的差异性成为许多学者研究的焦点．王胜兰等根据1961—2007年大西沟、小渠子、乌鲁木齐和大阪城4个台站的气象资料[6],分别采用上述5个模型对乌鲁木齐地区草场的净初级生产力进行了计算,结果显示:5个模型在NPP计算数值上有较大差异,Miami模型的计算值相对较大,周广胜模型在各年NPP的估算值均小于其他模型,但各模型对气候变化响应的趋势方面则表现出较高的一致性．虽然气候模型结构简单、使用方便,但由于缺乏生理依据,不能真实反映植物的现实生长状况,估算结果只能反映植被的潜在NPP．1.3 光能利用模型植物吸收太阳辐射,通过光合作用将其转化为自身有机质,可以说太阳是植物生长的能量源泉.然而不是所有太阳辐射都能被植物吸收,如果能准确度量植被吸收的太阳辐射的比例,并通过数学模型将其转换为有机质的量,将能实现植被NPP的估算,这正是光能利用模型产生的理论基础．常见的光能利用模型有GLO-PEM、VPM、CASA及C-Fix等,其中，在国内发展较快的是CASA模型,该模型是入射的光合有效辐射、植被对光合有效辐射的吸收比例、温度胁迫系数、水分胁迫系数和最大光能利用率的乘积,目前在不同尺度空间及植被类型上均有所应用．朱文泉等利用中国的NPP实测数据[7],根据区域蒸散模型来模拟水分胁迫因子,利用CASA模型计算了中国陆地植被净初级生产力,并基于690个点的实测数据进行误差分析.结果显示，1989—1993年中国陆地植被NPP平均为3.12 Pg(以碳的质量计算),模拟值与观测值的相对误差为4.5%．陈正华等利用CASA模型对1998—2002年黑河流域的净初级生产力进行了估算[8],研究证明该模型对内陆河流域具有较高的精确度,适用于干旱半干旱地区的NPP计算．陈峰、李可相等在县域尺度上对CASA模型进行了应用[9—10]．对于CASA模型的改进,主要集中在最大光能利用率(ε)的细化方面．传统的CASA将ε统一设定为0.389 g/MJ(以碳的质量计算),实际上,不同地区、不同植被类型的ε存在较大差异,因此,针对不同研究区域对ε进行修正,对于提高模型估算精度显得尤为重要．董丹等利用实测植被生产力数据计算和修正最大光能利用率[11],建立了改进的CASA模型,通过对我国西南喀斯特植被的NPP进行研究,显示改进后模型的模拟值与实测值相关性显著,可较好地用于西南喀斯特植被NPP的估算．王保林等以中国草原18大类分类结果为基础单元,基于归一化植被指数和叶面积指数对草原最大光能利用率进行了调整[12]．除此之外,李传华等也都在各自研究区域进行了CASA模型的应用与改进[13—14]．1.4 过程模型过程模型是从植物生长过程的机理出发,利用二氧化碳同化过程与气温、太阳辐射、土壤水分、叶片养分等资源环境因子之间的生理关系,确定植被的净初级生产力．该模型可对植被的光合作用、有机物分解及营养元素的循环等生理过程进行模拟,且与大气环流模型耦合,从而进行NPP与气候变化之间的响应与反馈研究．目前,区域尺度的过程模型主要有BEPS、Biome-BGC、CENTURY等．这类模型的特点是，由若干个子模型构成,各子模型互相配合完成NPP的估算．文献[15]显示，BEPS模型主要分为4个子模型，即能量传输子模型主要采用Norman的方法计算冠层吸收的太阳辐射;水循环子模型利用水量平衡和能量平衡关系计算研究区的蒸散量;生理调节子模型主要参考Ball-Berry半经验模型对气孔导度进行模拟;碳循环子模型主要通过光合作用产生的总初级生产力、植物呼吸量及土壤呼吸量估算NPP,该过程需要其他子模型的计算结果作为输入项．Biome-BGC模型考虑了生物量累积、水循环、土壤过程、能量过程等方面[16]．CENTURY模型包括土壤有机质、植物产量、土壤水分和温度3个子模型．由于模型所涉及的过程复杂,驱动模型所需要的输入参数相对较多,概括起来主要有以下几种：①地理地形因子,例如经纬度、海拔高度等;②气象因子,诸如最高温度、最低温度、降水量、太阳辐射量、饱和水汽压差等;③土壤因子,包括土壤类型、质地、有效深度等;④植物生理生态因子,常见的有比叶面积、叶片碳氮比、细根碳氮比等;⑤土地利用/覆被类型数据．虽然过程模型机理明确,但是因为所需数据较多,且有些是难以获取的,用于区域和全球估算过程中网格点内参数的尺度转换相对困难,因此,大范围使用受到影响．我国研究者针对不同区域对过程模型的验证和改进进行了有益尝试．胡波等利用2004年时间序列MODIS LAI产品及气象数据驱动Biome-BGC模型[17],计算了黄淮海地区的NPP.结果显示,该地区NPP在空间分布上南部大于北部,在植被类别上大小顺序依次为混交林—农作物—落叶阔叶林—灌木—草地.比较发现，Biome-BGC模型可较好地用于农田 NPP的模拟．江洪等采用BEPS模型对2004年我国福建省森林生态系统NPP进行了模拟验证[18],认为该模型最初是针对加拿大北部温带森林生态系统设计的,将其用于福建亚热带森林系统,虽然进行了参数修改,但结果仍存在一定的不确定性．近年来的新趋势是将过程模型与光能利用模型进行耦合来研究区域的NPP．尝试较多的是GLOPEM-CEVSA模型,该模型借鉴光能利用模型,通过遥感反演的植被光合有效辐射吸收比例计算植被吸收的有效辐射量,从而获得总初级生产力,然后通过生物量与气温、维持性呼吸系数与温度的关系模拟维持性呼吸和生长性呼吸,最终得到NPP[19]．王军邦等对GLOPEM-CEVSA 模型的使用进行了研究[19],认为该模型对青海三江源地区森林和荒漠的模拟精度相对较高,而对农田和湿地的模拟精度相对较低,草地则居于以上二者之间,模型的本土化研究还有待加强．丁庆福等的研究结果显示:GLOPEM-CEVSA模型对以落叶针叶林为主的东北地区的模拟结果好于以常绿针叶林为主的江西地区[20]．2 NPP的影响因素2.1 气象因素在气象因素中，气温、降水与植物生长最为密切,因此，随研究区域的不同,气温、降水与植被NPP的相关性也存在差异．刘军会等对北方农牧交错带进行研究[21]，发现植被NPP与降水呈正相关,与温度变化呈负相关．蒋冲等利用渭河流域及其周围52个气象站1959—2010年的逐日气象数据[22],采用周广胜-张新时模型估算了该区域的植被净初级生产力,结果同样显示，NPP与降水呈显著正相关,与温度呈负相关,且温度对 NPP的累积所起到的作用有限,水分是主要制约因素．陈旭等研究中国南部区域(18.00°～27.50 N, 108.50°～112.50 E)样带时发现[23]，温度与降水均与植被NPP呈正相关,并且最低温度与NPP的相关系数达0.599,超过降水与NPP的相关系数．蔡雨恋等对三江源地区NPP的研究结论是[24]:温度是决定该地区植被NPP变化的关键因素,它与NPP的相关系数为0.8,降水量的增加对NPP也有促进作用,二者的相关系数为0.7,在温度和降水较好的情况下,NPP与太阳辐射也表现出较高的正相关性．总体而言,各气象要素对NPP的影响程度由研究区植被生长的首要限制因素决定,如在高寒地区,低温是制约植物生长的主要因素,因此温度与NPP表现为较高的正相关；而在干旱和半干旱地区,降水是影响植物生长的首要因素,所以降水量与NPP的正相关表现的更为突出,相反温度升高可能会导致蒸发加剧,从而加重干旱的程度,因而有时与NPP呈现负相关．2.2 CO2浓度CO2是植物进行光合作用的底物,其浓度变化对植物的宏观及微观结构,气孔导度及水分利用效率等产生影响,最终导致植被净初级生产力的相应变化．在目前有关CO2浓度对NPP影响的文献中,主要采用以下2种方法展开研究:①利用逐年监测的全球CO2年平均数据与估算的某一区域的NPP进行相关性分析.例如：И.Ю.Локшина研究认为大气中CO2含量增加1倍[25],北半球植被的生产力将增加28%．毛德华等在东北多年冻土区利用CASA模型计算的植被净初级生产力与全球平均CO2浓度进行相关分析[26],证实植被的NPP与CO2浓度呈显著正相关．②利用过程模型,通过调整CO2的输入浓度,估算在不同CO2浓度水平下植被净初级生产力的大小．范敏锐等通过Biome-BGC模型对北京妙峰山栓皮栎林的研究[27]，发现CO2浓度加倍会降低栓皮栎林的NPP,但降低的幅度不大,且CO2浓度加倍、温度升高2 ℃和降水增加的协同作用更有利于NPP的增长．彭俊杰等同样通过Biome-BGC模型对华北油松林进行分析[28]，显示CO2浓度升高有利于油松林生态系统NPP的增加,温度升高、CO2浓度加倍和降水增加最有助于NPP的增加．然而,同样是应用Biome-BGC模型,张文海等对北京山区NPP的研究得出了不同的结论[29],即CO2浓度加倍、降水和温度增加的共同作用降低了油松林的净初级生产力．由此可见,在利用过程模型研究CO2浓度加倍与NPP的关系时,不同的输入参数将导致结果的差异,因此,参数选择的合理性是决定结论可靠程度的前提．2.3 地形因素地形是指地表以上分布的固定性物体共同呈现出的高低起伏状态,地形的不同将导致区域气象条件、土壤养分和水分的差异,从而影响植被的种类、数量和长势,在一定程度上决定植被净初级生产力的大小．常用的地形因子包括海拔高度、坡度和坡向等．研究结果显示,当海拔高度较低时,植被的NPP随高度的增加呈上升趋势,当到达某一值时,随着海拔高度的增加上升趋势逐渐减少,甚至可能出现NPP的下降．坡向不同决定着地表接收太阳辐射的数量以及地面与盛行风向的交角,一般,北坡的NPP最大,其次为西北和东北坡向的,因此阴坡更有利于植被净初级生产力的增加．坡度的影响则较为复杂,由于研究区域的坡度范围及分级的不同,NPP随坡度的变化规律也不尽相同.例如:李素英等对锡林浩特典型草原区进行研究[30]，认为NPP随坡度的增大而增大;常学礼的研究显示[31]，呼伦贝尔辉河湿地保护区草甸草原的NPP随坡度的增加而减少;李国亮通过对黑河上游草地NPP的研究提出，NPP随坡度呈现波动变化的特点[32]．2.4 土地利用人类自出现以来就开始对土地进行开发利用,并从自身的目的出发赋予土地不同的用途,可以说土地利用类型是与人类活动最为密切的NPP影响因素,同时也是改善环境、恢复植被最直接、有效的途径．文献显示,目前的研究主要围绕以下2个方面展开:一是不同土地利用类型的植被NPP.Goetz等通过GLO-PEM2模型对NPP 进行模拟[33],认为1987—1994年全球不同土地利用下的净初级生产力随土地覆被变化具有较明显的空间分布差异．对于不同土地利用类型的净初级生产力,虽然林地的NPP居于首位已成不争的事实,但耕地与草地的NPP谁大谁小,在不同的研究区域有不同的结论．韩艳飞等通过关天经济区植被的NPP研究，发现林地的NPP最大[34],其次依次为草地、耕地、建设用地．而李军玲等的研究认为耕地的NPP要大于草地的[35—36]．二是土地类型转换导致的NPP变化,以及由此产生的生态环境问题．Imhoff等进行了城市化对植被生产力影响的研究[37],指出美国城市化导致NPP减少,仅从城市化占用农业用地引起的NPP减少就能维持约6%美国人的能量需求．Bakker等进一步指出当城市化发生在土地生产力较高的地区时[38],这种影响更为突出．徐昔保等分析发现[39]，2000—2007年太湖流域的NPP从16.4 ×1012g(以碳的质量计算)减少到14.2 ×1012g(以碳的质量计算),NPP减少的主导因素为城市化扩展迅速.此外,土地整治、油菜及小麦种植比例下降有助于NPP增加,退耕还林在短期内可减少区域的NPP,但长期有助于NPP增长．3 结语随着大范围、连续性监测的需要,陆地植被净初级生产力的估算也从传统的样地实测向模型应用发展,其中，光能利用模型中的CASA模型,由于形式简单、输入参数易于获取,近年来得到了广泛应用,特别是在草地生态系统NPP估算中使用频率较高[40-42];过程模型具有机理明确、可靠性高的特点,但是驱动模型所需的参数较多,获取相对困难,使其应用受到一定限制．将光能利用模型与过程模型相结合,综合运用气象数据、土壤数据和遥感数据,在保证机理性的前提下,提高模型的适用性,具有较好的发展前景．NPP除受自然因素影响外,还受到诸如土地利用等人类活动的影响,由于人为因素难以定量化、相关研究积累较少,在以往的模型中均较少涉及,未来NPP估算应加强对人类活动的关注．参考文献：【相关文献】[1] 龙慧灵,李晓兵,王宏,等.内蒙古草原区植被净初级生产力及其与气候的关系[J].生态学报,2010,30(5):1367-1378.[2] LIETH H, WHITTAKER R H.Primary Productivity of the Biosphere[M].New York: Springer Berlin Heidelberg,1975.[3] 王宗明,梁银丽.植被净第一性生产力模型研究进展[J].干旱地区农业研究,2002,20(2):104-107.[4] 朱志辉.自然植被净第一性生产力估计模型[J].科学通报,1993,38(15):1422-1426.[5] 周广胜,张新时.自然植被净第一性生产力模型初探[J].植物生态学报,1995,19(3):193-200.[6] 王胜兰.基于5种气候生产力模型的乌鲁木齐地区NPP计算分析[J].沙漠与绿洲气象,2008,2(4):40-44.[7] 朱文泉,潘耀忠,张锦水.中国陆地植被净初级生产力遥感估算[J].植物生态学报,2007,31(3):413-424.[8] 陈正华,麻清源,王建,等.利用CASA模型估算黑河流域净第一性生产力[J].自然资源学报,2008,23(3):263-273.[9] 陈峰,李红波,刘亚静.基于GIS和CASA 的滇南山区植被NPP时空分异及其影响因素——以云南省元阳县为例[J].生态学杂志,2018,37(7):2148-2158.[10] 李可相,周焱,周运超,等.基于CASA模型的长顺县夏季NPP时空格局[J].山地农业生物学报,2017,36(4):85-90.[11] 董丹,倪健.利用 CASA 模型模拟西南喀斯特植被净第一性生产力[J].生态学报,2011,31(7):1855-1866.[12] 王保林,王晶杰,杨勇,等.植被光合有效辐射吸收分量及最大光能利用率算法的改进[J].草业学报,2013,22(5):220-228.[13] 李传华,范也平,曹红娟,等.基于CASA模型的植被第一性生产力人为影响定量研究——以石羊河流域为例[J].干旱区地理,2018,41(1):142-151.[14] 张美玲,蒋文兰,陈全功,等.基于CSCS改进CASA模型的中国草地净初级生产力模拟[J].中国沙漠,2014,34(4):1150-1160.[15] 郑凌云.基于卫星遥感与BEPS生态模式的藏北草地变化及NPP动态研究[D].北京:中国气象科学研究院,2006.[16] 亓伟伟,牛海山,汪诗平,等.增温对青藏高原高寒草甸生态系统固碳通量影响的模拟研究[J].生态学报,2012,32(6):1713-1722.[17] 胡波,孙睿,陈永俊.遥感数据结合Biome-BGC模型估算黄淮海地区生态系统生产力[J].自然资源学报,2011,26(12):2061-2071.[18] 江洪,汪小钦,孙为静.福建省森林生态系统NPP的遥感模拟与分析[J].地球信息科学学报,2010,12(4):580-586.[19] 王军邦,刘纪元,邵全琴,等.基于遥感-过程耦合模型的1988—2004年青海三江源区净初级生产力模拟[J].植物生态学报,2009,33(2):254-269.[20] 丁庆福,王军邦,齐述华,等.江西省植被净初级生产力的空间格局及其对气候因素的响应[J].生态学杂志,2013,32(3):726-732.[21] 刘军会,髙吉喜.气候和土地利用变化对中国北方农牧交错带植被覆盖变化的影响[J].应用生态学报,2008,19(9):2016-2022.[22] 蒋冲,王飞,穆兴民,等.气候变化对渭河流域自然植被净初级生产力的影响研究(Ⅱ)——渭河流域自然植被净初级生产力的研究[J].干旱区资源与环境,2013,27(5):53-57.[23] 陈旭,林宏,强振平.中国南部样带植被NPP与气候关系[J].生态环境,2008,17(6):2281-2288.[24] 蔡雨恋,郑有飞,王云龙,等.利用改进的CASA模型分析三江源区净植被生产力[J].南京信息工程大学学报:自然科学版,2013,5(1):34-42.[25] И.Ю.Локшина.刘树泽，译.大气中浓度倍增时植被生产力的变化[J].气象科技,1987(3):66-69.[26] 毛德华,王宗明,罗玲,等.1982—2009年东北多年冻土区植被净初级生产力动态及其对全球变化的响应[J].应用生态学报,2012,23(6):1511-1519.[27] 范敏锐,余新晓,张振明,等.CO2倍增和气候变化对背景山区栓皮栎林NPP影响研究[J].生态环境学报,2010,19(6):1278-1283.[28] 彭俊杰,何兴元,陈振举,等.华北地区油松林生态系统对气候变化和CO2浓度升高的响应——基于Biome-BGC模型和树木年轮的模拟[J].应用生态学报,2012,23(7):1733-1742.[29] 张文海,吕锡芝,余新晓,等.气候和CO2变化对北京山区油松林NPP的影响[J].广东农业科学,2012,(6):4-6.[30] 李素英,常英,王秀梅,等.地形对典型草原区净第一性生产力的生态影响[J].中国草地学报,2013,35(2):59-63.[31] 常学礼,吕世海,冯朝阳,等.地形对草甸草原植被生产力分布格局的影响[J].生态学报,2015,35(10):1-13.[32] 李国亮,赵军.黑河流域上游草地NPP分布及其与地形因子的关系分析[J].甘肃科技,2013,29(21):30-32.[33] GOETZ S J, PRINCE S D, GOWARD S N, et al.Satellite remote sensing of primary production: An improved production efficiency modeling approach[J].Ecological Modelling,1999,122(3): 239-255.[34] 韩艳飞,柯长青,李晶.近30年关天经济区植被净初级生产力对土地利用变化的动态响应[J].干旱区资源与环境,2014(6):68-74.[35] 李军玲,陈怀亮,邹春辉,等.1994—2008年河南省植被净第一性生产力及其时空变化[J].生态环境学报,2011(10):1424-1429.[36] 戴靓,彭慧,吴绍华,等.苏南地区净第一性生产力对土地利用变化的响应[J].土壤,2013,45(3): 565-571.[37] IMHOFF M L, TUCKER C J, LAWRENCE W T, et al.The use of multisource satellite and geospatial data to study the effect of urbanization on primary productivity in the United States[J].IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6): 2549-2556. [38] BAKKER M M, GOVERS G, van DOORN A, et al.The response of soil erosion and sediment export to land-use change in four areas of Europe: The importance of landscape pattern[J].Geomorphology, 2008, 98(3/4): 213-226.[39] 徐昔保,杨桂山,李恒鹏.太湖流域土地利用变化对净初级生产力的影响[J].资源科学,2011,33(10):1940-1947.[40] 苏日娜，俎佳星，金花，等. 内蒙古草地生产力及载畜量变化分析[J]. 生态环境学报， 2017，26(4)： 605-612.[41] 黄露，周伟，李浩然，等. 土地利用/覆被变化对鄂尔多斯市草地生态系统净初级生产力的影响[J]. 水土保持通报，2018，38(4)：46-59.[42] 杜梦洁，郑江华，任璇，等. 地形对新疆昌吉州草地净初级生产力分布格局的影响[J]. 生态学报，2018，38(13)：4789-4799.。