基于CASA和多光谱遥感数据的黑河流域NPP研究
基于CASA模型的呼伦贝尔地区NPP估算研究
河北师范大学硕士学位论文基于CASA模型的呼伦贝尔地区NPP估算研究姓名：杜红申请学位级别：硕士专业：地图学与地理信息系统指导教师：胡引翠20100307摘要呼伦贝尔市处于内蒙古自治区的东北部地区，属于西北干旱区向东北湿润区和华北旱作农业区的过渡地带，对于保障我国的生态安全和可持续发展具有重要的意义。
草地植被是草地生态系统中的第一性生产者，对区域甚至全球气候和环境变化具有很大的影响作用。
本论文根据CASA模型估算呼伦贝尔地区的NPP，采用遥感数据，以草地植被作为草地生态系统研究的主体，对草地状况进行监测、分析计算和评价。
植被净初级生产力(NPP)是指绿色植物在单位时间内、单位面积上所积累的有机物的量。
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起着重要作用。
近30年来，随着人类活动的影响，温室效应等气候和环境问题日益突出，使得陆地生态系统的碳收支的时空变化成为一项研究趋势。
本文主要运用地理信息系统和CASA遥感模型，利用MODIS遥感数据、气象数据及相关资料，估算内蒙古呼伦贝尔地区的NPP，并将估算结果与实测数据进行对比研究，从而验证CASA模型的精度，并改进该模型。
CASA模型从其产生开始就是基于大尺度甚至全球的空间验证，模型中的许多参数均是从区域甚至全球给定的，本论文拟应用CASA模型来模拟出呼伦贝尔草原生态系统的净初级生产力，并利用该生态系统的野外实测地上生物量数据进行模拟验证，旨在验证CASA模型的动态模拟能力，以评价CASA模型反映NPP空间变异特征的准确性及阐释程度。
本研究主要得出了以下结论：(一) CASA模型的改进及实现以CASA模型的基本结构为基础，考虑到最大光能利用率的取值在不同的地表植被类型中存在的差异，结合呼伦贝尔地区存在不同植被类型的实际情况，对CASA模型进行了一些改进，通过对NPP结果与实测数据及其他模型的对比验证，发现改进后的CASA模型对小尺度植被NPP的模拟效果较好。
基于CASA模型探究泾河流域植被NPP时空动态及其对气候变化的响应
基于CASA模型探究泾河流域植被NPP时空动态及其对气候变化的响应王丽霞;丁慧兰;刘招;张双成;孔金玲【期刊名称】《水土保持研究》【年(卷),期】2022(29)1【摘要】植被NPP是判定生态系统碳源/碳汇及调节生态过程的主要因子,基于CASA模型估算NPP,探究时空尺度NPP的变化及其对气候变化的响应状况,可了解泾河流域植被恢复状况并为流域生态环境改善提供科学参考及建议。
以泾河流域为研究区域,基于2000年、2009年、2018年MODIS NDVI数据、气象数据与植被分布数据等,运用CASA模型(Carnegie-Ames-Stanford approach,CASA)对2000年、2009年及2018年流域NPP进行了估算,探究流域内NPP时空动态及其对气候变化的响应,并分析了各植被类型下NPP分布规律。
结果表明:(1)时间尺度上,2000年、2009年及2018年泾河流域NPP均值分别为521.81gC/(m^(2)·a),664.77 gC/(m^(2)·a),719.78 gC/(m^(2)·a),年际变化呈增长趋势;月际变化曲线呈单峰型,4—8月呈较强上升趋势,8月后逐渐下降;各季节的NPP均值由高到低依次为夏季>秋季>春季>冬季。
(2)空间尺度上,NPP分布存在一定的地域差异性,水平方向呈“南高北低”的特点;垂直方向上,NPP值随海拔高度的升高呈先下降后上升的趋势。
(3)不同植被类型下NPP均值存在明显差异,其中常绿阔叶林年均NPP值最高,为1544.50 gC/(m^(2)·a)。
(4)气候变化背景下,NPP主要受气温与降水的影响,且降水为主导因素。
研究结果表明泾河流域NPP呈增加趋势,即植被覆盖情况在逐步改善;流域北部植被覆盖状况仍有待改善,建议加大退耕还林政策实施力度,加大果树、茶树等防护型林地的种植;且该流域NPP对降水的响应强于气温,故可加大植树造林恢复植被的力度,也可修建水库和水利工程,退田还湖,并加大湿地保护,从而保证空气湿度,增加降水,改善植被覆盖,实现人与自然和谐共生。
基于遥感和CASA模型的西江流域NPP时空分布特征研究
基于遥感和CASA模型的西江流域NPP时空分布特征研究张永领;郝成元【期刊名称】《水土保持研究》【年(卷),期】2010(17)5【摘要】基于EOS/MODIS遥感资料,采用CASA模型分析西江流域陆地植被净第一性生产力（NPP）的时空变化特征。
结果表明：西江流域平均植被NPP为400~500 gC/（m2.a）,上游地区偏低,为200~300 gC/（m2.a）,中下游地区较高,平均500~600 gC/（m2.a）,部分地区可达到800 gC/（m2.a）以上;植被NPP季节变化显著,夏季最高,春、秋季节次之,冬季最低小;西江流域植被NPP的空间差异明显,在5-10月,上游地区植被NPP较低,中下游地区较高;在1-3月,上游地区尤其是南盘江流域的植被NPP较高,中下游地区尤其是中游地区明显较少。
西江流域植被NPP的空间特征还表现在汛期空间差异大,枯水期空间差别小。
【总页数】4页(P101-104)【关键词】净初级生产力;时空格局;CASA模型;西江流域;遥感【作者】张永领;郝成元【作者单位】河南理工大学【正文语种】中文【中图分类】Q945.11;TP79【相关文献】1.基于CASA模型和MODIS数据的甘南草地NPP时空动态变化研究 [J], 刘洁;孟宝平;葛静;高金龙;殷建鹏;侯蒙京;冯琦胜;梁天刚2.基于校正的CASA模型NPP遥感估算及分析——以河西走廊为例 [J], 李传华; 曹红娟; 范也平; 韩海燕; 孙皓; 王玉涛3.基于CASA模型的2005—2019年云南断陷盆地NPP时空变化研究 [J], 张鑫彤;吴秀芹4.基于改进的CASA模型三峡库区NPP时空特征及气候驱动机制 [J], 张雪蕾;肖伟华;王义成5.基于CASA模型和SEVI指数的福建省植被NPP遥感估算与分析 [J], 江洪;虞嘉玮;蒋世豪;黄贝莹;李玉洁因版权原因，仅展示原文概要，查看原文内容请购买。
遥感综合观测与模型集成研究为黑河流域生态环境保护与可持续发展提供科技支撑
遥感综合观测与模型集成研究为黑河流域生态环境保护与可持续发展提供科技支撑本文刊载于《中国科学院院刊》2020年第11期“中国科学院野外台站”车涛李弘毅晋锐盖迎春谭俊磊张阳任志国王旭峰李新中国科学院西北生态环境资源研究院中国科学院黑河遥感试验研究站黑河流域是我国第二大内陆河流域，面积约 14.3万平方公里。
在黑河流域从上游至下游，形成了以水为纽带的多元自然景观，包括冰川、积雪、冻土、草原、森林、河流/湖泊、绿洲、戈壁、沙漠等。
黑河流域寒区旱区并存，上游属于极端寒冷环境，而下游属于极端干旱环境。
黑河流域历史悠久，早在汉朝时期这里已经有大规模的农田水利设施。
多元的自然景观与复杂的人文过程交织在一起，使得黑河流域成为开展星机地综合遥感观测与模型集成的理想天然地球科学实验室。
近年来，随着气候变化与经济发展，黑河流域出现了一系列的生态环境问题。
例如：黑河流域上游冰雪、冻土快速退化，过度放牧和矿产开发对上游高寒生态系统造成了严重的影响和破坏；中下游农业灌溉与生态用水矛盾突出，曾经一度随着上中游人口增加与耗水增多，大幅挤占下游生态用水，最终导致下游天然绿洲大面积萎缩、居延海干涸、沙尘暴频发等严重的生态灾难。
虽然通过行政手段制定了中、下游分水方案，使得下游的生态得到了一定的恢复，但是黑河流域仍然面临着严重的生态环境问题，威胁着该区域的可持续发展。
当前急需流域尺度的立体化网络化的综合观测与模型集成研究来科学评估和指导黑河流域的可持续发展，并为寒旱区内陆河流域科学管理提供支撑。
中国科学院黑河遥感试验研究站（以下简称“黑河遥感站”）围绕黑河流域生态环境保护与流域可持续发展，致力于生态水文要素综合监测与模型集成研究，建立了涵盖上、中、下游的流域尺度水文气象综合观测体系，发展和生产了一批寒旱区遥感数据产品，改进和开发了一系列针对寒旱区过程的生态、水文模型，支撑了黑河流域水资源管理与优化、生态保护与修复等相关政策制定。
1构建了黑河流域生态水文观测综合观测系统流域观测系统是流域科学研究中的新手段，兼顾流域中水文、生态、气象等观测的时空尺度，地面观测与遥感观测相配合，从流域整体的角度出发考虑观测的代表性，将监测与控制试验并重，重视新兴观测手段与信息系统和模型的高度集成。
基于多时间尺度的黄河流域植被NPP时空特征及其对气候变化的响应
基于多时间尺度的黄河流域植被NPP时空特征及其对气候变化的响应赵金彩;潘涛【期刊名称】《水土保持研究》【年(卷),期】2024(31)4【摘要】[目的]刻画黄河流域植被净初级生产力在不同时间尺度下的变化特征,并揭示气候因子对植被NPP的影响,为黄河流域植被保护和可持续发展提供科学依据。
[方法]基于遥感数据和气象数据,利用CASA模型逐月估算2000—2020年期间黄河流域植被NPP,并采用趋势分析、偏相关分析等方法在年度和季度两种时间尺度下探究了黄河流域植被NPP的时空变化特征及其对气候因子的响应。
[结果]2000—2020年期间黄河流域年植被NPP以1.68 g/(m^(2)·a)的速度显著增加,黄河中游地区的植被NPP最高,年增长速度最快。
夏季植被NPP最高,增长速度最快,特别是黄河中游地区。
黄河流域年度NPP显著受降水影响的范围最广,面积占比达31.95%,滞后期较长。
气候因子影响季节NPP的滞后期普遍介于0~3个月。
降水与夏、秋季植被NPP的关系以正相关为主,面积占比达70%以上;气温和日照时长正向影响冬季NPP的区域面积约占75%。
[结论]黄河流域植被NPP呈现明显的空间异质性和季节差异性,气候因子对植被NPP的影响具有不同程度的滞后期,黄河流域植被保护与恢复应从空间和时间两方面进行考量。
【总页数】10页(P214-222)【作者】赵金彩;潘涛【作者单位】河南师范大学商学院;河南师范大学乡村振兴与共同富裕研究院;河南省自然资源科学研究院【正文语种】中文【中图分类】Q948.112【相关文献】1.中国西北地区植被NPP多时间尺度变化及其对气候变化的响应2.贵州植被NPP 时空格局及其对气候变化的响应3.近16年祁连山植被NPP时空格局及其对气候变化的响应4.基于CASA模型探究泾河流域植被NPP时空动态及其对气候变化的响应5.贵州乌江流域植被NPP的时空分布及其对气候变化的响应因版权原因，仅展示原文概要，查看原文内容请购买。
基于CASA模型的干旱区农作物NPP估算
基于CASA模型的干旱区农作物NPP估算张强1，徐京华1，梁磊2，李平2，马炅妤2（1.西南交通大学地球科学和环境工程学院，四川 成都611756；2.四川省第二测绘地理信息工程院，四川成都610100）摘 要：利用改进的CASA模型估算黑河流域中游农作物植被净初级生产力,把灌溉因素加入改进的CASA模型中,综合利用了ArcMap、ENVI等GIS软件对空间数据进行处理,并以2012年为例，估算了黑河流域中游的农作物NPP。
结果表明，加入灌溉因素后的CASA模型可以更好地模拟我国西北地区干旱区农作物植被的NPP。
在空间尺度上，降雨量越小越干旱的地区，灌溉因素对估算结果的影响越大，考虑灌溉因素使得NPP的值更稳定。
改进后的模型更加适合于灌溉区域的NPP估算。
关键词：CASA模型；干旱区；农作物；黑河流域；净初级生产力；GIS中图分类号：P208 文献标志码：B文章编号：1672-4623（2018）08-0106-03净初级生产力（Net Primary Productivity， NPP）是绿色植物在单位时间和单位面积上所能生产的有机干物质总量[1]，它反映了植物对自然环境资源的利用能力，是生物地球化学碳循环的关键环节。
随着科学技术及遥感技术的发展，利用遥感手段估算NPP的技术也得到同步发展。
CASA模型就是众多估算NPP模型中应用比较广泛的一种。
CASA（Carnegie-Ames-Stanford Approach）模型是一种光能利用率模型，可以估算全球尺度的NPP[2]。
Field（1995）对CASA模型进行了扩展[3]。
随后，CASA模型在国内得到了广泛应用和发展，在区域适应性和参数简化上做了很多重要改进，促进了CASA模型的应用。
CASA模型既适用于全国尺度，也适应于区域尺度，模型可被应用于青藏高原、长江流域、黑河流域等[4-6]。
模型输入数据的精度会影响到估算结果，数据精度越高则模型估算结果的误差越小[7]。
基于CASA模型的北京植被NPP时空格局及其因子解释
基于CASA模型的北京植被NPP时空格局及其因子解释尹锴;田亦陈;袁超;张飞飞;苑全治;花利忠【摘要】Integrating remote sensing data, meteorological data and other multi - source auxiliary data, the vegetation net primary productivity ( NPP ) spatial and temporal pattern in Beijing and its main influence factors were analyzed based on carnegie-ames-stanford approach( CASA) model in 2010. The results showed that: ①The total amount of NPP was 5. 5 TgC, and the vegetation NPP spatial distribution pattern showed that the NPPin northern and western mountainous areas was higher, while the NPP in plain area was lower. ② The seasonal vegetation NPP in Beijing changed significantly. The NPP in summer was the largest, accounting for 62% of the NPP in the whole year. The smallest was in winter, accounted for only 3%, and the NPP in spring and autumn respectively accounted for 18% and 17% of the total NPP. ③ The vegetation NPP was limited by water and heat conditions. However, the main limiting factor was different in different areas. The natural vegetation in the northern and western mountainous areas was more affected by the temperature, while the crops in plain area were more easily affected by the precipitation. And the vegetation in the transition area from mountains to the plain was more affected by the solar radiation.%以北京为研究区,整合遥感数据、气象数据及其他多源辅助数据,基于改进的光能利用率( carnegie-ames-stanford approach,CASA)模型分析了2010年北京植被生态系统净初级生产力( net primary productivity,NPP)的时空分布格局及其主要影响因素。
黑河流域上游草地NPP分布及其与地形因子的关系分析
甘肃科 技
Ｇａ ｎ ｓ ｕ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｖ ． ２ ０ １ ３
黑 河 流域 上游 草 地 Ｎ Ｐ Ｐ分 布 及 其 与 地 形 因 子 的 关 系分 析
草地植被净初级生产力分布特征及其与地形 因子的
关 系进行定 量研 究 ， 以探 索 地 形 因子 与 草 地植 被 的
响应机 制 。
利用 Ｃ Ａ Ｓ Ａ模型计算 ２ ０ ０ ０ 、 ２ ０ ０ ５ 、 ２ ０ １ １ 年６ 、 ７ 、 ８
月 黑河 上游 Ｎ Ｐ Ｐ分布 如 图 １ 所 示 。 图 １表 明 ， 黑河 上游 Ｎ Ｐ Ｐ从东南 向西北 逐渐 减少 ， 在 １～ ３ ０ ０ ｇ ｅ ｍ～， 最 大值 和最 小值 均 出现 在 ２ ０ １ １年 ８月 ， 分 别 是 ２ ９ ３ ． ３ ７ ６ ｇ ｃ ｍ 和 ０ ． １ ２ ８ ８ ５ ｇ ｅ ｍ～。６月 Ｎ Ｐ Ｐ总 量 大 小 顺序 依次 为 ２ ０ ０ ０＞２ ０ １ １＞ ２ ０ ０ ５ ， ７月 Ｎ Ｐ Ｐ总 量 大 小 顺序 依次 为 ２ ０ ０ ５＞２ ０ １ １＞ ２ ０ ０ ０， ８月 Ｎ Ｐ Ｐ总 量 大
格局 和 时间序 列进行 分析 。研究 区草 地类 型 占总 面 积的 ８ ７ ． ７ ２ ％， 故据前人研究成果 ， 占 一 取０ ． ６ ０ ８ ｇ ｃ —
ＭＪ— ｌ ［ ５ ］
。
１ ． ２ 数 据来 源和预 处理
使用 ２ ０ ０ ０ 、 ２ ０ ０ ５ 、 ２ ０ １ １ 年６ 、 ７ 、 ８各月 的 Ｍ Ｏ Ｄ Ｉ — Ｓ Ｎ Ｄ Ｖ Ｉ 数据（ ｆ ｃ ｐ ： ／ ／ ｌ ａ ｄ ｓ ｗ ｅ ｂ ． ｎ ａ ｓ ｃ ｏ ｍ ． ｎ ａ ｓ ａ ． ｇ ｏ ｖ ） ， 降水 量、 气 温、 太 阳辐射等气 象数 据 （ ｈ ｔ ｔ ｐ ： ／ ／ ｃ ｄ ｃ ． ｅ ｍ ａ ．
黑河流域生态功能区划遥感制图方法
黑河流域生态功能区划遥感制图方法
胡孟春;马荣华
【期刊名称】《干旱区资源与环境》
【年(卷),期】2003(17)1
【摘要】论述了利用遥感信息和非遥感信息结合 ,编制生态功能区划图的方法。
介绍了遥感信息增强处理方法 ,自动监督分类与目视纠正结合的景观解译方法 ,地学相关分析的区划信息提取方法 ,遥感信息和非遥感信息迭加复合方法。
介绍了生态功能区划图的制图原则、方法 ,以及制图分类系统。
文中所介绍的方法 ,对于全国正在开展的区域生态功能区划 ,具有一定的指导意义。
【总页数】5页(P49-53)
【关键词】制图方法;黑河流域;生态功能区划;遥感制图;制图原则;遥感信息增强【作者】胡孟春;马荣华
【作者单位】国家环境保护总局南京环境科学研究所;中国科学院南京地理与湖泊研究所
【正文语种】中文
【中图分类】P285;P283.8
【相关文献】
1.市(县)域生态环境功能区划分理论和方法初探——以福清市生态环境功能区划为例 [J], 何国强
2.内陆河流域重要生态功能区生态安全评价研究——以黑河流域为例 [J], 邹长新;
沈渭寿;张慧
3.黑河流域生态功能区划及其保护 [J], 胡孟春;蒋建国;张更生;安锋;陈宁利;孔佐俊;王黎明;刘晓云;马荣华;柴发熹
4.典型岩溶湿地流域生态功能区划研究——以滇东南普者黑流域为例 [J], 肖羽芯;王妍;刘云根;郭玉静;张紫霞;刘鹏
5.基于生态管理的流域水环境功能区划——以浑河流域为例 [J], 阳平坚;吴为中;孟伟;周丰;刘永;张远;郑丙辉;胡成;李璇
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多光谱图像的农作物水分遥感监测研究
基于多光谱图像的农作物水分遥感监测研究农作物的生长过程主要受到温度、降雨量和水分等环境因素的影响。
在干旱地区的农作物种植中，水分是影响农作物生长和产量的最重要因素之一。
因此，农作物水分监测对于农业生产的发展和粮食安全具有重要意义。
传统的地面监测方法不仅费时费力，而且遭遇天气不利时效果不佳。
然而，基于多光谱图像的农作物水分遥感监测研究作为一种新兴的监测方法正在变得越来越受欢迎。
一、多光谱图像在农作物水分监测中的重要性多光谱图像是由卫星、无人机等设备采集的反映不同波长的能量的图像。
多光谱图像的各个频带可以反映出植被的吸收和反射情况，因此可以通过这些频带来进行农作物生长的细致分析。
在农作物水分监测中，多光谱图像可以提供较为准确的水分的信息，因为植物在不同的水分状态下会对光线反射和吸收产生不同的效果。
因此，利用多光谱图像来监测农作物的水分状态已经成为了快速、准确的一种方法。
二、利用多光谱图像监测农作物的水分状态1. NDVI指数通过反射率来获取土地植被信息的常用方法是利用归一化植被指数（NDVI）。
NDVI可以帮助我们根据植被的反射率计算植被生长情况和水分状况。
NDVI的计算公式为：NDVI = (NIR – RED) / (NIR + RED)其中，NIR表示近红外，指的是较大的波长在700-1300nm之间；RED表示红光，指的是400-700nm之间的波长。
如果植被具有足够的水分，那么它的NDVI指数将会比较高。
当土壤中的水分减少时，植物的NDVI指数也随着下降。
因此，利用NDVI指数可以有效地监测农作物的水分状态。
2. LST与NDVI不同，农作物土地表面温度（LST）可以通过卫星的红外（IR）波段来反映。
通过这种方式，可以测量植被温度的变化情况，以便判断植被的水分状态。
当土壤水分充足时，植物就会通过自身的蒸腾来冷却表面温度。
但是，当水分减少时，植物因为无法蒸腾而导致表面温度升高。
因此，利用LST可以更加精确地判断农作物的水分状态。
基于改进CASA模型的陕西省植被NPP遥感估算
基于改进CASA模型的陕西省植被NPP遥感估算赵雪瑞;韩玲;刘明;宋敏琪【期刊名称】《水土保持研究》【年(卷),期】2024(31)3【摘要】[目的]探究陕西省陆地生态系统植被群落生产状况,分析陕西省植被NPP 时空格局变化及影响因素,为准确评估陕西省陆地生态系统碳源/汇,实现区域生态可持续发展,达成碳中和目标提供参考依据。
[方法]基于温度—植被干旱指数(Temperature Vegetation Dryness Index, TVDI)对CASA(Carnegie-Ames-Stanford Approach)模型水分胁迫因子进行改进,从而估算陕西省2010—2020年植被NPP,并利用热点分析法、趋势分析法以及地理探测器对陕西省植被NPP进行空间分布格局、年际变化趋势和驱动因子研究。
[结果](1)陕西省NPP空间分布呈现南高北低、冷热点区域差异明显的特征;(2)陕西省2010—2020年NPP平均值介于331.02~416.34 gC/(m^(2)·a),NPP均值在100~600 gC/(m^(2)·a)占比最大,最低值和最高值区间占比不足20%;(3)全省2010—2020年83.3%的面积植被NPP值无显著变化,4.2%的面积呈增加状态,12.5%的面积NPP值呈下降趋势;(4)降水是陕西省植被NPP变化的单因子主导驱动力,太阳辐射量及土地利用类型交互作用下对NPP变化解释力更强。
[结论]基于TVDI改进的CASA模型能够有效量化区域植被NPP,且陕西省植被NPP南北分布差异明显,降水、土地利用类型及太阳辐射量是其主要影响因子。
【总页数】10页(P247-256)【作者】赵雪瑞;韩玲;刘明;宋敏琪【作者单位】长安大学地质工程与测绘学院;长安大学土地工程学院;陕西省土地整治重点实验室;西安市国土空间信息重点实验室【正文语种】中文【中图分类】Q948;P966.1;TP79【相关文献】1.基于CASA模型的武汉市生态系统净初级生产力(NPP)遥感估算2.基于 CASA 模型的陕西省 NPP 遥感估算3.基于校正的CASA模型NPP遥感估算及分析——以河西走廊为例4.基于CASA模型和SEVI指数的福建省植被NPP遥感估算与分析5.三峡库区消落带植被NPP估算——基于机器学习优化CASA模型因版权原因，仅展示原文概要，查看原文内容请购买。
基于MOdis数据的黑河流域NPP变化研究
结合地类解译图，分析统计不同地类2000-2010年的NPP平均值。 由图可以看出，其中NPP最大分布地类为湖泊，最大值为297.8 gc/m2a，最小值分布在裸土地类上，为95.5 gc/m2a；各个地类NPP在 2000-2010的年际变化大致趋势相同，但并非完全一致，说明各个地 类对外界变化的响应也不完全一致。
使用趋势度β来判断时间序列趋势的升降，当 β> 0 时，时间序列呈上升 的趋势，反之呈下降的趋势。
3.研究方法
3.2 .2Mann-Kendall趋势检验 根据时间序列长度 n值大小的不同，显著性检验统计量的选 取有所不同： 当n <10时，直接使用统计量S进行双边趋势检验。在给定显 著性水平α下，当n≥10时，统计量S近似服从标准正态分布， 这时需要构造一个新的统计量Umk来进行检验，公式如下：
4.研究结果分析
4.2.2 NPP年际变化与坡度
250 230 210 190 170 150 130 110 90 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 25-35。 35-45。 >45。 5-10。 10-15。 15-25。 0- 5。
4.4.1 气温降水插值
4.研究结果分析
4.4.2 NPP与气温降水相关性分析
4.研究结果分析
年均气温与NPP相关系数为0.285，整体有一定相 关性但不明显，但从图可以看出，局部地区相关 性还是很强，特别是东南地区正向相关明显，分 布在民乐、祁连，肃南等地，原因是南部地区地 势较高，受垂直地带影响，年平均气温与植被分 布关系密切。 年均降雨量与NPP相关系数为0.331，植被生长期 降雨量与NPP的相关性更强，黑河流域中上游大 部分地区与降雨量呈正相关关系，在南部祁连山 区则呈现出一定负相关。
黑河流域蒸散发分布的遥感研究
黑河流域蒸散发分布的遥感研究
郭晓寅
【期刊名称】《自然科学进展》
【年(卷),期】2005(015)010
【摘要】利用NOAA AVHRR资料,选取Priestley-Taylor公式作为计算蒸散发的模型,对黑河流域的蒸散发进行了研究,并利用有关资料对多种地表参数和蒸散发进行了验证,分析了蒸散发的时空分布特征.结果表明,对黑河流域蒸散发的遥感估算和一些地表生物物理参数的反演结果,与实测值基本吻合,说明文中所采用的方法估算蒸散发是可行的.寒漠、冰川、沙漠和戈壁等植被条件较差的地区的蒸散量极低.弱水三角洲和古日乃湖盆作为下游植被较好的地方其蒸散量有别于周围地区.中游绿洲的蒸散量与绿洲发展程度具有密切关系.河流两岸天然绿洲,明显与周围沙漠和戈壁区分开来.高覆盖度草地和沼泽蒸散量最高,其次为中覆盖度草地和林地.
【总页数】5页(P1266-1270)
【作者】郭晓寅
【作者单位】中国气象科学研究院,北京,100081
【正文语种】中文
【中图分类】P94
【相关文献】
1.基于GIS技术的黑河流域地表通量及蒸散发遥感反演 [J], 张万昌;刘三超;蒋建军;赵登忠
2.基于GIS技术的黑河流域地表通量及蒸散发遥感反演 [J], 张万昌;刘三超;蒋建军;赵登忠
3.黑河流域高寒草甸生态系统水分收支及蒸散发拆分研究 [J], 童雅琴;王佩;李小雁;张赐成;白岩
4.长江流域实际蒸散发的遥感估算及时空分布研究 [J], 尹剑;邱远宏;欧照凡
5.夏季黑河流域蒸散发量卫星遥感估算研究 [J], 田辉;文军;马耀明;王介民;吕世华;张堂堂;孙方林;刘蓉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于校正的CASA模型NPP遥感估算及分析
第３９卷第５期２０１９年３月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．３９，Ｎｏ．５Ｍａｒ．，２０１９基金项目：国家自然科学基金资助项目（４１７６１０８３，４１６６１０８４）收稿日期：２０１８⁃０２⁃０６；㊀㊀修订日期：２０１８⁃０９⁃１５∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｌｃｈ＿ｎｗｎｕ＠１２６．ｃｏｍＤＯＩ：１０．５８４６／ｓｔｘｂ２０１８０２０６０３１９李传华，曹红娟，范也平，韩海燕，孙皓，王玉涛．基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例．生态学报，２０１９，３９（５）：１６１６⁃１６２６．ＬｉＣＨ，ＣａｏＨＪ，ＦａｎＹＰ，ＨａｎＨＹ，ＳｕｎＨ，ＷａｎｇＹＴ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）ｂａｓｅｄｏｎｃｏｒｒｅｃｔｅｄＣＡＳＡｍｏｄｅｌ：ＡｃａｓｅｓｔｕｄｙｏｆＨｅｘｉＣｏｒｒｉｄｏｒ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１９，３９（５）：１６１６⁃１６２６．基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析以河西走廊为例李传华∗，曹红娟，范也平，韩海燕，孙㊀皓，王玉涛西北师范大学地理与环境科学学院，兰州㊀７３００７０摘要：利用ＣＡＳＡ模型估算植被净初级生产力（ＮＰＰ）应用广泛，但其精度仍然有待提高㊂基于地理因子回归方法（ＡＭＭＲＲ）和地表水分指数（ＬＳＷＩ）对ＣＡＳＡ模型的两个关键参数：温度胁迫系数和水分胁迫系数进行校正，再估算ＮＰＰ并分析了校正对植被ＮＰＰ及各因子与ＮＰＰ关系的影响㊂研究表明：（１）校正能有效提高ＣＡＳＡ模型的估算精度，校正后ＮＰＰ总量为３４．２９ＴｇＣ／ａ，原ＣＡＳＡ模型高估了０．２３ＴｇＣ／ａ㊂（２）研究不仅可以校正地形对ＮＰＰ的影响，还可以校正平坦地形下人类活动区ＮＰＰ的影响；在高海拔㊁地形起伏较大的区域以及人类活动地区，校正对ＮＰＰ估算影响较大，绿洲区原模型存在高估㊂（３）校正对生长季的影响大于非生长季；坡度对ＮＰＰ影响较大，坡度越大原模型高估越多；校正前高估了阳坡ＮＰＰ，低估了阴坡ＮＰＰ㊂关键词：净初级生产力；ＣＡＳＡ模型；温度胁迫校正；水分胁迫校正；河西走廊Ｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）ｂａｓｅｄｏｎｃｏｒｒｅｃｔｅｄＣＡＳＡｍｏｄｅｌ：ＡｃａｓｅｓｔｕｄｙｏｆＨｅｘｉＣｏｒｒｉｄｏｒＬＩＣｈｕａｎｈｕａ∗，ＣＡＯＨｏｎｇｊｕａｎ，ＦＡＮＹｅｐｉｎｇ，ＨＡＮＨａｉｙａｎ，ＳＵＮＨａｏ，ＷＡＮＧＹｕｔａｏＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｉｃａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，ＮｏｒｔｈｗｅｓｔＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，ＣｈｉｎａＡｂｓｔｒａｃｔ：ＴｈｅＣＡＳＡｍｏｄｅｌｉｓｗｉｄｅｌｙｕｓｅｄｉｎｅｓｔｉｍａｔｉｎｇｖｅｇｅｔａｔｉｏｎｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ），ｂｕｔｉｔｓａｃｃｕｒａｃｙｎｅｅｄｓｔｏｂｅｉｍｐｒｏｖｅｄ．Ｂａｓｅｄｏｎｔｈｅｇｅｏｇｒａｐｈｉｃａｌｆａｃｔｏｒｒｅｇｒｅｓｓｉｏｎｍｅｔｈｏｄ（ＡＭＭＲＲ）ａｎｄｌａｎｄｓｕｒｆａｃｅｗａｔｅｒｉｎｄｅｘ（ＬＳＷＩ），ｔｈｉｓｓｔｕｄｙａｉｍｅｄｔｏｃｏｒｒｅｃｔｔｈｅｔｅｍｐｅｒａｔｕｒｅｓｔｒｅｓｓｃｏｅｆｆｉｃｉｅｎｔａｎｄｗａｔｅｒｓｔｒｅｓｓｃｏｅｆｆｉｃｉｅｎｔ，ｔｗｏｋｅｙｐａｒａｍｅｔｅｒｓｏｆＣＡＳＡｍｏｄｅｌ．Ｎｅｘｔ，ｗｅｃｏｎｔｉｎｕｅｄｔｏｅｓｔｉｍａｔｅＮＰＰａｎｄａｎａｌｙｚｅｔｈｅｅｆｆｅｃｔｏｆｔｈｅｃｏｒｒｅｃｔｉｏｎｏｎｖｅｇｅｔａｔｉｏｎａｎｄｏｎｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＮＰＰａｎｄｏｔｈｅｒｆａｃｔｏｒｓ．Ｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：（１）ＴｈｅｃｏｒｒｅｃｔｉｏｎｃｏｕｌｄｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅＣＡＳＡｍｏｄｅｌ．ＴｈｅａｍｏｕｎｔｏｆｃｏｒｒｅｃｔｅｄＮＰＰｗａｓ３４．２９ＴｇＣ／ａ，ｂｕｔｔｈｅｏｒｉｇｉｎａｌＮＰＰｗａｓ３４．５２ＴｇＣ／ａ；ｔｈｅｒｅｆｏｒｅ，ｔｈｅＮＰＰｏｆｔｈｅｏｒｉｇｉｎａｌｍｏｄｅｌｗａｓｏｖｅｒｅｓｔｉｍａｔｅｄｂｙ０．２３ＴｇＣ／ａ．（２）ＴｈｉｓｍｅｔｈｏｄｃａｎｎｏｔｏｎｌｙｃｏｒｒｅｃｔｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｅｒｒａｉｎｏｎＮＰＰ，ｂｕｔａｌｓｏｃｏｒｒｅｃｔｓｔｈｅｉｍｐａｃｔｏｆｈｕｍａｎａｃｔｉｖｉｔｉｅｓａｒｅａｓｏｎＮＰＰｕｎｄｅｒｆｌａｔｔｅｒｒａｉｎ．Ｉｎａｒｅａｓｗｉｔｈｈｉｇｈａｌｔｉｔｕｄｅ，ｌａｒｇｅｔｏｐｏｇｒａｐｈｉｃｒｅｌｉｅｆ，ａｓｗｅｌｌａｓｉｎｈｕｍａｎａｃｔｉｖｉｔｉｅｓａｒｅａｓ，ｔｈｅｃｏｒｒｅｃｔｉｏｎｈａｄａｌａｒｇｅｉｍｐａｃｔｏｎＮＰＰｅｓｔｉｍａｔｉｏｎ，ａｎｄｔｈｅｏｒｉｇｉｎａｌｍｏｄｅｌｏｆｔｈｅｏａｓｉｓａｒｅａｗａｓｏｖｅｒｖａｌｕｅｄ．（３）Ｔｈｅｅｆｆｅｃｔｏｆｃｏｒｒｅｃｔｉｏｎｏｎｇｒｏｗｔｈｓｅａｓｏｎｗａｓｇｒｅａｔｅｒｔｈａｎｔｈａｔｄｕｒｉｎｇｔｈｅｎｏｎ⁃ｇｒｏｗｔｈｓｅａｓｏｎ．ＳｌｏｐｅｈａｄａｓｕｂｓｔａｎｔｉａｌｉｎｆｌｕｅｎｃｅｏｎＮＰＰ，ａｎｄｔｈｅｈｉｇｈｅｒｔｈｅｓｌｏｐｅｗａｓ，ｔｈｅｇｒｅａｔｅｒｔｈｅｏｖｅｒｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｏｒｉｇｉｎａｌｍｏｄｅｌ．Ｂｅｆｏｒｅｃｏｒｒｅｃｔｉｏｎ，ｓｕｎｎｙｓｌｏｐｅＮＰＰｖａｌｕｅｓｗｅｒｅｏｖｅｒｅｓｔｉｍａｔｅｄ，ｗｈｅｒｅａｓ，ｔｈｅｓｈａｄｙｓｌｏｐｅＮＰＰｖａｌｕｅｓｗｅｒｅｕｎｄｅｒｅｓｔｉｍａｔｅｄ．ＫｅｙＷｏｒｄｓ：ｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）；ＣＡＳＡｍｏｄｅｌ；ｔｅｍｐｅｒａｔｕｒｅｓｔｒｅｓｓｃｏｅｆｆｉｃｉｅｎｔｓ；ｍｏｉｓｔｕｒｅｓｔｒｅｓｓｃｏｅｆｆｉｃｉｅｎｔｓ；ＨｅｘｉＣｏｒｒｉｄｏｒ植被净初级生产力（ＮｅｔＰｒｉｍａｒｙＰｒｏｄｕｃｔｉｖｉｔｙ，ＮＰＰ）是陆地生态系统碳循环的重要组成，也是揭示碳源／汇的关键环节，ＮＰＰ估算不仅可以反映植被的物质生产能力，也是揭示大气二氧化碳收支和气候环境变化的重要指标［１⁃３］㊂ＮＰＰ估算模型较多，ＣＡＳＡ模型其原型由Ｍｏｎｔｅｉｔｈ提出，之后Ｐｏｔｔｅｒ和Ｆｉｅｌｄ等［４］在Ｍｏｎｔｅｉｔｈ基础上改进，因结构简单，参数可通过遥感获得，广泛应用于全球和区域尺度上的ＮＰＰ估算［５－７］㊂ＣＡＳＡ模型中需要输入气象数据，气象数据一般来源于气象站点，而气象站点通常选择在空旷平坦的地带，因此，通过站点数据直接空间插值的气象数据较难反应复杂地形地区的气候状况，在估算ＮＰＰ时会产生较大的误差㊂基于ＣＡＳＡ模型估算ＮＰＰ与气候因子相关的参数有太阳辐射㊁温度胁迫系数和水分胁迫系数㊂太阳辐射校正方法比较成熟［８］；温度胁迫因子是通过气温得到的，大部分研究使用如Ｋｒｉｇｉｎｇ㊁ＩＤＷ和Ｓｐｌｉｎｅ等方法对气温进行空间插值，效果较差［９－１０］，有研究表明，在甘肃省海拔㊁经度和纬度对气温影响也很大［１１］；水分胁迫系数在ＣＡＳＡ模型中是实际蒸散量与潜在蒸散量的比值，这两个变量是根据经验公式计算，没有考虑到地表植被差异，即相同的比值对不同植被类型的水分胁迫是一样的，显然，这种计算存在较大的不确定性㊂并且，原ＣＡＳＡ模型中全球植被的最大光能利用率为０．３８９ｇＣ／ＭＪ［１２］，对于干旱区并不适用㊂目前，有很多学者都对ＣＡＳＡ模型进行了校正［１３－１５］，但对模型校正前后ＮＰＰ估算的影响却鲜有研究㊂河西走廊位于中国西北地区，属于干旱半干旱区，是国家丝绸之路经济带的重要通道，祁连山国家森林公园也位于此，区内景观多样，在自然环境和人类活动双重作用下，该区生态系统非常脆弱，植被退化非常严重，荒漠化发展速度较快［１６］㊂本文利用校正的ＣＡＳＡ模型，以气象数据㊁遥感数据㊁ＤＥＭ数据以及土地利用数据等为基础，针对ＣＡＳＡ模型的以上缺点，利用海拔㊁经度和纬度对气温进行校正，并使用地表水分指数（ＬａｎｄＳｕｒｆａｃｅＷａｔｅｒＩｎｄｅｘ，ＬＳＷＩ）反演水分胁迫系数，最大光能利用率采用冯益明等［１７］针对干旱区得到的不同植被类型上的相应值，估算了２０１５年河西走廊ＮＰＰ㊂旨在提高基于ＣＡＳＡ模型的ＮＰＰ模拟精度，并着重分析校正前后的ＣＡＳＡ模型对ＮＰＰ估算的差异及原因，同时也为该区植物生产力评价，生态资产核算，以及生态补偿机制建立提供科学参考㊂１㊀研究区概况及数据１．１㊀研究区概况河西走廊地处甘肃省境内，位于黄河以西，南部被祁连山和阿尔金山㊁北部被合黎山㊁龙首山以及马鬃山夹持，是古丝绸之路的交通要道，地理位置为３７ʎ１７ᶄ ４２ʎ４８ᶄＮ，９２ʎ１２ᶄ １０３ʎ４８ᶄＥ，行政区划包括武威市㊁张掖市㊁金昌市㊁酒泉市和嘉峪关市（图１）㊂河西走廊地势南高北低，南部山地海拔大多在３０００ ３５００ｍ以上；中部走廊平原海拔为１０００ ２６００ｍ左右；北部山地断续分布㊂河西走廊属于温带大陆性气候，光照强烈，年降水量大部分地区在３５ ２００ｍｍ，大部分地区的年蒸发量在１５００ｍｍ以上，年均温５．８ ９．３ħ㊂该区域内植被类型主要有林地㊁耕地㊁草地和荒漠㊂河西走廊由三大流域组成，从东向西依次为石羊河流域㊁黑河流域和疏勒河流域，三大河流都发源于祁连山，区域内绿洲农业发达㊂１．２㊀数据来源与预处理１．２．１㊀遥感数据本文２０１５年的遥感数据来自美国国家航空航天局（ｈｔｔｐｓ：／／ｓｅａｒｃｈ．ｅａｒｔｈｄａｔａ．ｎａｓａ．ｇｏｖ／ｓｅａｒｃｈ），产品是ＭＯＤ１３Ｑ１（从中选取归一化植被指数 ＮＤＶＩ（ＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ），为１６日合成数据，空间分辨率２５０ｍ）㊁ＭＯＤ０９Ａ１（８天合成的地表反射率数据，选取近红外波段（８４１ ８７５ｎｍ）和短波红外波段（１６２８ １６５２ｎｍ），空间分辨率为５００ｍ）和ＭＯＤ１７Ａ３（选取ＮＰＰ，分辨率为１ｋｍ，时间分辨率为１年）㊂利用ＭＲＴ批处理工具对遥感数据进行了拼接㊁格式转换和重投影，并在ＡｒｃＧＩＳ中完成掩膜，使用最大合成法７１６１㊀５期㊀㊀㊀李传华㊀等：基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例㊀图１㊀研究区位置及气象站点空间分布图Ｆｉｇ．１㊀Ｌｏｃａｔｉｏｎｏｆｔｈｅｓｔｕｄｙａｒｅａａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｓ（ＭａｘｉｍｕｍＶａｌｕｅＣｏｍｐｏｓｉｔｅ，ＭＶＣ）将ＭＯＤ１３Ｑ１和ＭＯＤ０９Ａ１产品分别合成月数据㊂１．２．２㊀气象数据２０１５年的气象数据来源于中国气象局气象数据中心（ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ／ｓｉｔｅ／ｉｎｄｅｘ．ｈｔｍｌ），剔除数据缺失和有异常值的站点，最终选取３３个气象站点的月数据集，包括：日照百分率㊁月平均气温和月降水量数据㊂１．２．３㊀土地利用数据１００ｍ分辨率的土地利用数据来源于中国科学院资源环境科学数据中心（ｈｔｔｐ：／／ｗｗｗ．ｒｅｓｄｃ．ｃｎ）㊂本文参照冯益明等［１７］针对甘肃省提出的土地利用／覆盖类型的划分，将研究区的土地利用／覆盖类型划分为９种类型：耕地㊁林地㊁草地㊁建筑用地㊁水域㊁沼泽地㊁裸沙地㊁戈壁和其他用地，并将其分辨率重采样为２５０ｍ㊂１．２．４㊀其他数据河西走廊行政区划图来源于国家基础地理信息中心（ｈｔｔｐ：／／ｎｇｃｃ．ｓｂｓｍ．ｇｏｖ．ｃｎ）㊂ＤＥＭ数据获取自地理空间数据云（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ），在ＤＥＭ基础上提取各栅格单元的海拔㊁坡度和坡向信息㊂２㊀研究方法ＣＡＳＡ模型估算植被ＮＰＰ的基本思想是利用植被获取太阳辐射，加上植被自身利用的情况，从而估算出植被净生长状况［１８］㊂模型中所估算的ＮＰＰ可以由植被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［１，４］，公式如下：ＮＰＰ（ｘ，ｔ）＝ＡＰＡＲ（ｘ，ｔ）ˑε（ｘ，ｔ）（１）式中，ｘ代表单个像元，ｔ表示月份，ＡＰＡＲ（ｘ，ｔ）则表示像元ｘ在ｔ月吸收的光合有效辐射（ｇＣ／ｍ２），ε（ｘ，ｔ）表示单个像元ｘ在ｔ月的实际光能利用率（ｇＣ／ＭＪ）㊂２．１㊀ＡＰＡＲ（ｘ，ｔ）的估算ＡＰＡＲ（ｘ，ｔ）是通过植被所能吸收的太阳有效辐射与植被对入射光合有效辐射的吸收比例来确定，公式如下：ＡＰＡＲ（ｘ，ｔ）＝ＳＯＬ（ｘ，ｔ）ˑＦＰＡＲ（ｘ，ｔ）ˑ０．５（２）８１６１㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀式中，ＳＯＬ（ｘ，ｔ）表示ｔ月在单个像元ｘ处的太阳总辐射（ｇＣ／ｍ２），ＦＰＡＲ（ｘ，ｔ）表示植被层对入射光合有效辐射的吸收比例，常数０．５表示植被所能利用的太阳有效辐射（波长为０．４ ０．７μｍ）占太阳总辐射的比例㊂由于研究区辐射站点较少，直接利用站点太阳辐射数据插值误差较大，故本文ＳＯＬ（ｘ，ｔ）的估算采用和清华等［８］将天文辐射作为起始值计算西部地区太阳总辐射的公式，Ｑ＝ＱＡ（ａ＋ｂｓ）（３）式中，Ｑ为太阳总辐射；ａ㊁ｂ的取值分别为０．１８５㊁０．５９５；ｓ表示日照百分率；ＱＡ表示天文辐射，鉴于篇幅有限，这里不再赘述，详细计算请参考文献［８］㊂植被对太阳有效辐射的吸收比例取决于植被类型和植被覆盖状况［１９］㊂研究证明，由遥感数据得到的归一化植被指数（ＮＤＶＩ）能很好地反映植被覆盖状况［４］㊂本文利用ＮＡＳＡ⁃ＭＯＤ１５算法中设计的ＮＤＶＩ⁃ＦＰＡＲ查找表（Ｍｙｎｅｎｉｅｔａｌ．，１９９９）计算每月截取的光合有效辐射比例（ＦＰＡＲ），选取的是ＭＯＤＩＳ－ＮＤＶＩ数据，其数据质量和分辨率都高于原模型中运用的ＮＯＡＡ／ＡＶＨＲＲＮＤＶＩ数据［２０－２１］，计算式如下：ＦＰＡＲ＝０ＮＤＶＩɤ０．０７５ｍｉｎ１．１６ˑＮＤＶＩ－０．０４３９，０．９{}ＮＤＶＩ＞０．０７５{（４）２．２㊀光能利用率的估算光能利用率是在一定时期单位面积上生产的干物质中所包含的化学潜能与同一时间投射到该面积上的光合有效辐射能之比㊂环境因子如气温㊁土壤水分状况以及大气水汽压差等会通过影响植被的光合能力而调节植被的ＮＰＰ，计算公式如下：ε（ｘ，ｔ）＝Ｔε１（ｘ，ｔ）ˑＴε２（ｘ，ｔ）ˑＷε（ｘ，ｔ）ˑεｍａｘ（５）式中，Ｔε１（ｘ，ｔ）和Ｔε２（ｘ，ｔ）表示低温和高温对光能利用率的胁迫作用；Ｗε（ｘ，ｔ）为水分胁迫系数，反映水分条件对光能利用率的影响；εｍａｘ是理想条件下的最大光能利用率（ｇＣ／ＭＪ），取值因植被类型而不同，取值参考文献［１７］㊂２．２．１㊀温度胁迫系数估算Ｔε１（ｘ，ｔ）的估算：其反映在低温和高温时植被内在的生化作用对光合的限制而降低净初级生产力㊂Ｔε１（ｘ，ｔ）＝０．８＋０．０２ˑＴｏｐｔ（ｘ）－０．０００５ˑ［Ｔｏｐｔ（ｘ）］２（６）式中，Ｔｏｐｔ（ｘ）表示某一区域一年内ＮＤＶＩ值达到最高时的当月平均气温（ħ），即植被生长的最适温度㊂Ｔε２（ｘ，ｔ）的估算：表示环境温度从最适温度Ｔｏｐｔ（ｘ）向高温或低温变化时植被光能利用率逐渐变小的趋势，这是因为低温和高温时高的呼吸消耗必将会降低光能利用率，生长在偏离最适温度的条件下，其光能利用率也一定会降低，计算公式如下：Ｔε２（ｘ，ｔ）＝１．１８４／｛１＋ｅｘｐ［０．２ˑ（Ｔｏｐｔ（ｘ）－１０－Ｔ（ｘ，ｔ））］｝ˑ１／｛１＋ｅｘｐ［０．３ˑ（－Ｔｏｐｔ（ｘ）－１０＋Ｔ（ｘ，ｔ））］｝（７）式中，Ｔ（ｘ，ｔ）表示月均温，Ｔｏｐｔ（ｘ）同上㊂当月均温Ｔ（ｘ，ｔ）比最适温度Ｔｏｐｔ（ｘ）高１０ħ或低１３ħ时，该月的Ｔε２（ｘ，ｔ）值等于月平均温度Ｔ（ｘ，ｔ）为最适温度Ｔｏｐｔ（ｘ）时Ｔε２（ｘ，ｔ）值的一半㊂郭婧等提出ＡＭＭＲＲ插值方法（ 多元回归分析＋残差法 ）能充分体现复杂多变的地形特点［２２］㊂因此，本文通过经度，纬度和海拔３个变量，利用ＡＭＭＲＲ方法对气温进行插值，该插值方法不仅考虑了海拔对气象要素的影响，而且还利用站点数据与插值数据之间的差值进行了修正，提高了插值精度［２３⁃２４］㊂２．２．２㊀水分胁迫系数Ｗε（ｘ，ｔ）的计算水分胁迫系数Ｗε（ｘ，ｔ）反映了植被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，ＣＡＳＡ模型中它的取值范围为０．５（在极端干旱条件下）到１（非常湿润条件下）㊂由于Ｗε（ｘ，ｔ）与植被水分含量直接相关，地表水分指数（ＬＳＷＩ），是描述植被叶片水分含量的一项指标［２５－２７］㊂短波红外（ＳＷＩＲ）对植被水分含量敏感，近红外和短波红外波段已经被用来获取对水分敏感的植被指数（ＬＳＷＩ），计算公式如下：Ｗε（ｘ，ｔ）＝１＋ＬＳＷＩ１＋ＬＳＷＩｍａｘ（８）９１６１㊀５期㊀㊀㊀李传华㊀等：基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例㊀式中，ＬＳＷＩ计算公式见（９），ＬＳＷＩｍａｘ表示单个像元生长期内ＬＳＷＩ的最大值，使用ＭＶＣ方法估算㊂ＬＳＷＩ＝ρｎｉｒ－ρｓｗｉｒρｎｉｒ＋ρｓｗｉｒ（９）这里，ρｎｉｒ和ρｓｗｉｒ分别表示ＭＯＤ０９Ａ１数据的近红外和短波红外波段㊂Ｘｉａｏ等［２５］在ＶＰＭ模型中首次运用该方法，目前已有许多学者将ＬＳＷＩ引入ＣＡＳＡ模型来计算Ｗε（ｘ，ｔ）［２８⁃２９］㊂值的注意的是，上述公式计算出来的Ｗε（ｘ，ｔ）的取值范围为０（非常湿润）到１（极端干旱），与ＣＡＳＡ模型中Ｗε（ｘ，ｔ）的取值正好相反，为了适应模型算法，Ｂａｏ等［１５］提出了修改算法，并证明该方法适用于干旱半干旱区㊂因此，本文采用地表反射率产品ＭＯＤ０９Ａ１计算Ｗε（ｘ，ｔ），这不仅增强了数据的准确性，也提高了数据的分辨率，同时遥感数据也包含了地形信息［３０］，公式如下：Ｗε（ｘ，ｔ）＝（１－（１＋ＬＳＷＩ）／（１＋ＬＳＷＩｍａｘ））＋０．５（１０）３㊀结果与讨论３．１㊀精度评价对ＮＰＰ的验证可采用实测值验证法和相对验证法两种方法，考虑到研究区范围较大且植被类型复杂，ＮＰＰ实测值短时间内较难获取，故本文采用与ＮＰＰ产品比较和与前人的研究成果比较的方法㊂ＭＯＤ１７Ａ３产品已经被验证适用于区域和全球尺度的ＮＰＰ研究［３１－３２］，也有很多学者将产品与估算值进行比较来判断估算值的可靠性［３３⁃３６］㊂由于２０１５年的ＭＯＤ１７Ａ３产品未更新，只能使用２０１４年产品，本文采用同样的方法估算出２０１４年ＮＰＰ，两者随机抽样比较，结果见图２㊂可以看出，校正后的ＮＰＰ与ＭＯＤ１７Ａ３产品的相关性较强，Ｒ２为０．８０３（Ｐ＜０．０１），明显高于校正前的Ｒ２（０．６８１）㊂图２㊀校正前后ＮＰＰ与ＭＯＤ１７Ａ３产品的比较Ｆｉｇ．２㊀ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎＮＰＰｏｆｃｏｒｒｅｃｔｉｏｎｂｅｆｏｒｅａｎｄａｆｔｅｒａｎｄＮＰＰｐｒｏｄｕｃｔｓｏｆＭＯＤ１７Ａ３本文也与前人的相关研究进行了对比，河西走廊ＮＰＰ的估算鲜有研究，因而采用干旱区其他区域的ＮＰＰ均值进行比较㊂高志强等［３７］利用ＣＡＳＡ模型估算的２０００年西北地区年均ＮＰＰ为１０２．５２ｇＣｍ－２ａ－１；裘骏一［３８］利用ＣＡＳＡ模型估算中卫市沙坡头自然保护区植被的年均ＮＰＰ为６０ １３５ｇＣｍ－２ａ－１；焦伟等［３９］利用ＣＡＳＡ模型估算了西北干旱区２０００ ２０１４年的植被ＮＰＰ，年均值为１９１．６３ｇＣｍ－２ａ－１；本文基于校正的河西走廊年均ＮＰＰ为１５１．５１ｇＣｍ－２ａ－１，与前人的研究结果相近㊂各植被类型的比较见表１，分析发现，草地㊁耕地和荒漠的模拟结果与前人研究的结果相对较好㊂林地㊁水域和沼泽与朱文泉和焦伟的结果相差较大㊂造成差异的原因较多：一是数据源的差异；二是研究区空间尺度和空间分辨率的差异，可能存在混合像元；三是研究时段不同；四还存在算法的差异等㊂总的来说，校正后的ＮＰＰ与ＭＯＤ１７Ａ３产品相关性更高，与前人的计算结果更加接近，由此判断，校正后的ＮＰＰ估算结果更加准确㊂３．２㊀河西走廊ＮＰＰ的时空分布特征２０１５年河西走廊ＮＰＰ空间分布见图３，ＮＰＰ自东南向西北递减，介于０ １６９９．３１ｇＣｍ－２ａ－１之间，年均值０２６１㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀为１５１．５１ｇＣｍ－２ａ－１，总量为３４．２９ＴｇＣ／ａ，高值区主要分布在祁连山和绿洲，低值区分布在北部荒漠，主要植被类型ＮＰＰ见表１㊂表１㊀河西走廊年均ＮＰＰ与文献值的比较／（ｇＣｍ－２ａ－１）Ｔａｂｌｅ１㊀ＣｏｍｐａｒｉｓｏｎｓｉｍｕｌａｔｅｄｍｅａｎＮＰＰｗｉｔｈｖａｌｕｅｓｉｎｒｅｆｅｒｅｎｃｅｓ土地利用／覆盖类型Ｌａｎｄｕｓｅ／ｌａｎｄｃｏｖｅｒｔｙｐｅｓ参考文献Ｒｅｆｅｒｅｎｃｅｓ本研究Ｔｈｉｓｓｔｕｄｙ［３９］［４０］［４１］［４２］校正前Ｂｅｆｏｒｅｃｏｒｒｅｃｔｉｏｎ校正后Ａｆｔｅｒｃｏｒｒｅｃｔｉｏｎ林地Ｆｏｒｅｓｔ１１４０．５４９６．７ ６８６．７９１４．９５８６６．５２耕地Ｆａｒｍｌａｎｄ３７６．８４１５．６３９１．６１７４６．１６８５．７１６６５．７３草地Ｇｒａｓｓｌａｎｄ２５９．９２５２．２ ２３３ ４３７２９８．４０２９３．２６水域及沼泽ＷａｔｅｒａｎｄＭａｒｓｈ３６９．０１２３．３７９．６５ １６１．７０１６１．０３城镇Ｕｒｂａｎｌａｎｄ１３０ １９０１３８．６８ １８１．４１１７７．７１荒漠Ｄｅｓｅｒｔ１９．４５１．１５５．３１５６．３６０．７４６６．７１图３㊀２０１５年ＮＰＰ空间分布图／（ｇＣｍ－２ａ－１）Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＮＰＰｉｎ２０１５从流域来看，石羊河流域ＮＰＰ总量为１３．３０ＴｇＣ／ａ，均值为３０７．１９ｇＣｍ－２ａ－１，黑河流域总量为１３．５３ＴｇＣ／ａ㊁均值为２４３．５９ｇＣｍ－２ａ－１，疏勒河流域总量为７．４５ＴｇＣ／ａ，均值为５８．４４ｇＣｍ－２ａ－１㊂石羊河流域中上游以耕地和草地为主，ＮＰＰ值高，下游荒漠和戈壁面积大，ＮＰＰ值低㊂黑河流域上游祁连山的东南部及南部ＮＰＰ较高，植被类型主要为森林和草地，中游绿洲㊁荒漠和戈壁相间分布㊂疏勒河流域上游祁连山区的植被类型主要为高山草甸，ＮＰＰ较高，下游荒漠㊁戈壁广布，ＮＰＰ较低，年累积ＮＰＰ高值区主要集中在绿洲，范围较小㊂３．３㊀校正结果的比较３．３．１㊀校正前后平均气温比较图４为２０１５年７月校正前后的月平均气温，由图可以看出校正后的月平均气温与实际月平均气温更吻合，更能反映河西走廊复杂的地形特点㊂校正前的７月平均气温都在１０ħ以上，而河西走廊南部山地的海拔大多在３０００ｍ以上，海拔最高达到了５６４１ｍ，因此，虽然７月是全年气温最高的月份，但在海拔较高的地区气温存在低于０ħ是合理的㊂总体上，河西走廊月平均气温由于纬度地带性差异自南向北递减，同时受海拔的影响也非常显著，南部祁连山区为气温的低值区，安敦盆地为全区域气温最高区，与封志明等［４３］的研究结果一致㊂３．３．２㊀校正前后水分胁迫系数比较图５是２０１５年１月和７月河西走廊校正前后水分胁迫系数空间分布㊂河西走廊除祁连山区外属于干旱区，植被基本都处于水分胁迫状态㊂校正前１月和７月的水分胁迫系数在０．５０ ０．５８之间，差异很小，全区域均处于高度水分胁迫状态，与祁连山区植物生长的水分胁迫程度并不相符，王海军等［４４］的研究结果表明祁连山区的降水具有明显的季节性，冬季降水均在１３ｍｍ以下，而在夏季降水量最高可达２４７ｍｍ，因而在夏季祁连山区的水分胁迫程度明显降低㊂在干旱半干旱地区植被生产力的限制因子随海拔会发生转变，低海拔地区植被主要受到低降水导致的干旱胁迫，同时较高的温度导致蒸散增加，进一步加剧了植被的水分胁迫［４５］㊂校正后１月和７月的水分胁迫系数分布在０．５ １之间，更能反映河西走廊制约植被生长的水分胁迫情况，区别出地形变化对水分胁迫的影响差异，同时还能较好的识别绿洲等人类活动区㊂１月份虽然降水较少，但植被停止生长并不需要太多水分，７月份降水较多，但植被在生长季需水也最多，因此，水分胁迫在生长季（７月）１２６１㊀５期㊀㊀㊀李传华㊀等：基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例㊀图４㊀２０１５年７月平均气温校正对比Ｆｉｇ．４㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｎｔｅｍｐｅｒａｔｕｒｅｃｏｒｒｅｃｔｉｏｎｉｎＪｕｌｙ，２０１５比１月份更高（除祁连山外）是合理的㊂值的一提的是，水分胁迫系数校正前后的计算原理差异很大，前者是实际蒸散量与潜在蒸散量的比值，只与降水㊁太阳净辐射和温度有关，与植被无关，后者是根据地表反射率反演水分指数而得，与植被有关，即同样的水分状况，针对不同的植被和不同的生长阶段是不一样的，因此，校正更能反映植被的水分胁迫程度，这种情况在中下游绿洲区表现尤为明显㊂位于图西北部有部分高值，这是由于ＭＯＤ０９Ａ１影像中的云量所致㊂图５㊀２０１５年１月和７月水分胁迫系数校正对比Ｆｉｇ．５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｏｉｓｔｕｒｅｓｔｒｅｓｓｃｏｅｆｆｉｃｉｅｎｔｓｉｎＪａｎｕａｒｙａｎｄＪｕｌｙ，２０１５２２６１㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀３．３．３㊀校正前后ＮＰＰ比较图６㊀２０１５年ＮＰＰ校正对比Ｆｉｇ．６㊀ＮＰＰｃｏｎｔｒａｓｔｕｓｅｄｃｏｒｒｅｃｔｉｏｎｉｎ２０１５２０１５年河西走廊校正前后的ＮＰＰ空间分布基本一致，也存在较为明显的差异，见图６㊂可以看出，地形平坦的下游荒漠区吻合较好，地形起伏较大的南部高山区，绿洲区存在明显差异，校正前前者低估，后两者高估㊂整体来看，差值介于－５２６．８９１ ２９６．５ｇＣｍ－２ａ－１之间，在山区和绿洲相差较大，平原地区差异较小㊂校正对南部高山区的温度胁迫和水分胁迫均有影响，由图４㊁５可以看出，校正前气温高估和水分低估，气温高估导致蒸发量增加，增强该地区的水分胁迫，这个效应与校正前水分低估叠加，加剧水分胁迫导致该区域ＮＰＰ低估㊂绿洲区地势平坦，校正对气温的影响较小，基于地表反射率的水分胁迫校正能准确反应植被的需水状态，主要植被类型是耕地，在生长季水分需求大，校正后水分胁迫程度更高，因此校正前ＮＰＰ存在高估㊂此现象可进一步拓展到人类活动区域，即改变了原始植被类型的区域，校正对水分胁迫系数的影响非常大，进而对ＮＰＰ估算产生影响㊂除绿洲区外的其他荒漠区地形起伏较小，植被分布稀少，吻合较好㊂Ｓｕｎ等［４６］利用地形校正的ＢＥＰＳ（ＢｏｒｅａｌＥｃｏｓｙｓｔｅｍＰｒｏｄｕｃｔｉｖｉｔｙＳｉｍｕｌａｔｏｒ）模型模拟了武陵山区ＮＰＰ，得出校正后ＮＰＰ低于校正前的地区主要分布在山区，与本研究的高山地区校正前ＮＰＰ低估相反，其原因是武夷山区植被的主要胁迫因子是温度，校正后温度降低使得温度胁迫加强，校正后ＮＰＰ减少㊂平地区校正前后ＮＰＰ偏差较小，在１０ｇＣｍ－２ａ－１以内，高山地区ＮＰＰ偏差可能会达到５００ｇＣｍ－２ａ－１，与本文的结论一致㊂Ｃｈｅｎ等［４７］对秦岭西南部山区ＮＰＰ研究发现地形因子对ＮＰＰ的影响很大，尤其是在山区，也与本文的结果一致㊂３．４㊀讨论图７㊀校正对月ＮＰＰ的影响Ｆｉｇ．７㊀ＩｍｐａｃｔｏｆｃｏｒｒｅｃｔｉｏｎｏｎｍｏｎｔｈｌｙＮＰＰ３．４．１㊀校正对月ＮＰＰ的影响从２０１５年河西走廊校正前后各月ＮＰＰ变化曲线（图７）可以看出，各月ＮＰＰ差异并不相同，校正后的ＮＰＰ除７月份外均高于校正前，５月份ＮＰＰ校正的影响相差最大（低估１４．０３ｇＣ／ｍ２）㊂春季（３㊁４和５月）是植被开始生长期，对水热的变化最敏感，地形对ＮＰＰ的影响较大，校正前ＮＰＰ低估了２１．２７ｇＣ／ｍ２㊂夏季（６㊁７和８月）生物量大量累积，也是水热需求量最大的时期，校正前低估了６．７５ｇＣ／ｍ２㊂秋季（９㊁１０和１１月）气温下降，植被基本停止生长，此时植被对水热的需要是维持性的，校正对ＮＰＰ影响较小；冬季（１２㊁１和２月）为非生长季，校正对ＮＰＰ影响可忽略不计㊂为了展示校正对月ＮＰＰ的影响细节（图８），本文在肃南裕固族自治县西部截取高低估和吻合区域相间分布的一部分地区（图１），海拔介于１７３７ ５３３２ｍ，地形起伏较大，降水为１４０ ２１６ｍｍ㊂校正在非生长季的１㊁２㊁３㊁１１和１２月对ＮＰＰ的影响较小，大多处于－１０ １０ｇＣ／ｍ２，而在生长季的４㊁５㊁６㊁７㊁８㊁９和１０月，校正对ＮＰＰ的影响较大，介于－２９０ １６１ｇＣ／ｍ２之间㊂校正前６㊁７㊁８月份出现较多高估区，该区域海拔较高，气温较低降水比较充沛，主要胁迫因子为温度，校正后温度降低，因此校正前是高估的㊂３２６１㊀５期㊀㊀㊀李传华㊀等：基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例㊀图８㊀校正前后月ＮＰＰ变化Ｆｉｇ．８㊀ＣｈａｎｇｅｓｏｆｍｏｎｔｈｌｙＮＰＰｃｏｒｒｅｃｔｉｏｎｂｅｆｏｒｅａｎｄａｆｔｅｒ３．４．２㊀校正对地形因子与ＮＰＰ关系的影响地形能够导致局部的水热再分配，尤其是干旱地区，水热组合差异影响植物生长甚至造成植被种类不同［４８］㊂本文由ＤＥＭ提取出海拔㊁坡度㊁坡向信息，利用等差分级法（海拔级差为３０ｍ［４９］㊁坡度级差为３ʎ［５０］㊁坡向分为９级［５１］），校正对ＮＰＰ与地形关系的影响见图９㊂图９㊀校正对地形因子与ＮＰＰ关系的影响Ｆｉｇ．９㊀ＥｆｆｅｃｔｏｆｃｏｒｒｅｃｔｉｏｎｏｎｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｅｒｒａｉｎｆａｃｔｏｒｓａｎｄＮＰＰ校正对ＮＰＰ在不同海拔范围内的影响各异（图９）㊂在２２００ｍ以下荒漠所占面积大，地势平坦，校正对ＮＰＰ的影响较小，与上文平原区变化不大结论相符㊂２２００ ３５００ｍ范围内，部分绿洲区处于该高程带，校正前ＮＰＰ高于校正后，其原因是基于ＬＳＷＩ的校正更能反映其水分胁迫状况㊂３５００ ５０００ｍ海拔较高，气温下降，植被蒸腾作用减弱，校正后水分更能满足植被生长需求，校正前低估了ＮＰＰ㊂海拔５０００ｍ以上的面积非４２６１㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀常小，而且都是冰川雪地，ＮＰＰ基本为０，校正的影响可忽略不计㊂校正对坡度与ＮＰＰ关系的影响也较大，主要体现在土壤含水量上，坡度与土壤含水量呈负相关，即随坡度的增大而降低［５２］㊂小于１５ʎ属于缓坡，坡度对土壤水分持有量的影响不显著［５３］，所以校正对该区间影响不大（图９）；大于１５ʎ区间，校正后ＮＰＰ减少，其原因是在重力作用下土壤含水量流失的坡度效应，并且，坡度越大两者的差异越大，因此，随坡度增加校正对ＮＰＰ的影响也越大㊂坡向导致地表接受的太阳辐射不同，使得不同坡向水热有显著差异［５４］，从而影响植物生长㊂各个坡向的ＮＰＰ变化见图９，东坡ＮＰＰ最高，南坡ＮＰＰ最小㊂校正后北坡，东北坡㊁西北坡和西坡高于校正前，平地㊁东坡㊁东南坡㊁南坡㊁西南坡低于校正前㊂北坡差异最大，校正前低估了７．１２ｇＣｍ－２ａ－１，其次是东南坡，校正前高估了３．３８ｇＣｍ－２ａ－１，其他坡向的差值都低于２ｇＣｍ－２ａ－１㊂坡向校正前不能够识别水热在坡向上的变化，校正后阳坡太阳辐射强烈气温高蒸发强烈，水分减少，导致ＮＰＰ减少，阴坡气温低，蒸发较弱，ＮＰＰ增加，与Ｓｕｎ等［４６］在武陵山区的研究结果一致㊂４㊀结论（１）温度胁迫系数基于地理因子回归校正，水分胁迫系数基于遥感数据校正能有效提高ＣＡＳＡ模型的估算精度㊂河西走廊ＮＰＰ在原ＣＡＳＡ模型中存在高估，校正后ＮＰＰ总量为３４．２９ＴｇＣ／ａ，原ＣＡＳＡ模型高估了０．２３ＴｇＣ／ａ㊂（２）校正对高海拔和地形起伏较大区域，以及人类活动地区的ＮＰＰ估算影响较大㊂在河西走廊，前者主要是温度胁迫的影响造成，后者主要受水分胁迫的影响㊂（３）绿洲区校正结果表明，在人类活动区域，基于遥感数据的水分胁迫计算比原模型中基于蒸散量的计算更加可靠，后者存在高估㊂（４）校正对月份，海拔㊁坡度以及坡向与ＮＰＰ关系的影响也较大㊂校正对生长季的影响大于非生长季；海拔上，２２００ ３５００ｍ范围内，校正前高估ＮＰＰ，在３５００ ５０００ｍ，校正前低估了ＮＰＰ；坡度上，校正前高估了ＮＰＰ，坡度越大两者的差异越大；坡向上，校正前高估了阳坡ＮＰＰ，低估了阴坡ＮＰＰ㊂本研究的不足之处，一是地表反射率产品存在有云现象，导致部分区域估算不准确；二是太阳辐射是通过克吕格插值得到，精度有限；三是缺乏ＮＰＰ实地采样验证，今后都有待深入研究㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀ＦｉｅｌｄＣＢ，ＢｅｈｒｅｎｆｅｌｄＭＪ，ＲａｎｄｅｒｓｏｎＪＴ，ＦａｌｋｏｗｓｋｉＰ．Ｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｏｆｔｈｅｂｉｏｓｐｈｅｒｅ：ｉｎｔｅｇｒａｔｉｎｇｔｅｒｒｅｓｔｒｉａｌａｎｄｏｃｅａｎｉｃｃｏｍｐｏｎｅｎｔｓ．Ｓｃｉｅｎｃｅ，１９９８，２８１（５３７４）：２３７⁃２４０．［２］㊀ＦａｎｇＪＹ，ＰｉａｏＳＬ，ＴａｎｇＺＹ，ＰｅｎｇＣＨ，ＪｉＷ．Ｉｎｔｅｒａｎｎｕａｌｖａｒｉａｂｉｌｉｔｙｉｎｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎ．Ｓｃｉｅｎｃｅ，２００１，２９３（５５３６）：１７２３⁃１７２３．［３］㊀杨会巾，李小玉，刘丽娟，马金龙，王进．基于耦合模型的干旱区植被净初级生产力估算．应用生态学报，２０１６，２７（６）：１７５０⁃１７５８．［４］㊀ＰｏｔｔｅｒＣＳ，ＲａｎｄｅｒｓｏｎＪＴ，ＦｉｅｌｄＣＢ，ＭａｔｓｏｎＰＡ，ＶｉｔｏｕｓｅｋＰＭ，ＭｏｏｎｅｙＨＡ，ＫｌｏｏｓｔｅｒＳＡ．Ｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍｐｒｏｄｕｃｔｉｏｎ：ａｐｒｏｃｅｓｓｍｏｄｅｌｂａｓｅｄｏｎｇｌｏｂａｌｓａｔｅｌｌｉｔｅａｎｄｓｕｒｆａｃｅｄａｔａ．ＧｌｏｂａｌＢｉｏｇｅｏｃｈｅｍｉｃａｌＣｙｃｌｅｓ，１９９３，７（４）：８１１⁃８４１．［５］㊀ＦｉｅｌｄＣＢ，ＲａｎｄｅｒｓｏｎＪＴ，ＭａｌｍｓｔｒöｍＣＭ．Ｇｌｏｂａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎ：Ｃｏｍｂｉｎｉｎｇｅｃｏｌｏｇｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９５，５１（１）：７４⁃８８．［６］㊀ＬｉＪ，ＷａｎｇＺＬ，ＬａｉＣＧ，ＷｕＸＱ，ＺｅｎｇＺＹ，ＣｈｅｎＸＨ，ＬｉａｎＹＱ．ＲｅｓｐｏｎｓｅｏｆｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｔｏｌａｎｄｕｓｅａｎｄｌａｎｄｃｏｖｅｒｃｈａｎｇｅｉｎｍａｉｎｌａｎｄＣｈｉｎａｓｉｎｃｅｔｈｅｌａｔｅ１９８０ｓ．ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０１８，６３９：２３７⁃２４７．［７］㊀张猛，曾永年．融合高时空分辨率数据估算植被净初级生产力．遥感学报，２０１８，２２（１）：１４３⁃１５２．［８］㊀和清华，谢云．我国太阳总辐射气候学计算方法研究．自然资源学报，２０１０，２５（２）：３０８⁃３１９．［９］㊀元志辉，池勇峰，雷军，包刚，包玉海，萨楚拉，咏梅．２０００⁃２０１３年浑善达克沙地植被净初级生产力变化研究．冰川冻土，２０１７，３９（１）：１８５⁃１９９．［１０］㊀杨文冰．气候与土地利用覆被变化对中国南方草地ＮＰＰ的影响［Ｄ］．成都：成都理工大学，２０１６．［１１］㊀陈志军．基于起伏地形下重庆地区的天文辐射㊁气温分布研究［Ｄ］．南京：南京气象学院，２００４．［１２］㊀朴世龙，方精云，郭庆华．１９８２⁃１９９９年我国植被净第一性生产力及其时空变化．北京大学学报：自然科学版，２００１，３７（４）：５６３⁃５６９．［１３］㊀刘春雨．省域生态系统碳源／汇的时空演变及驱动机制 以甘肃省为例［Ｄ］．兰州：兰州大学，２０１５．［１４］㊀李刚，辛晓平，王道龙，石瑞香．改进ＣＡＳＡ模型在内蒙古草地生产力估算中的应用．生态学杂志，２００７，２６（１２）：２１００⁃２１０６．５２６１㊀５期㊀㊀㊀李传华㊀等：基于校正的ＣＡＳＡ模型ＮＰＰ遥感估算及分析 以河西走廊为例㊀。
黑河流域叶面积指数的遥感估算
黑河流域叶面积指数的遥感估算方秀琴;张万昌;刘三超【期刊名称】《国土资源遥感》【年(卷),期】2004(000)001【摘要】研究利用Landsat 7 ETM+遥感数据获取黑河流域植被叶面积指数(LAI)空间分布的可行性.该研究是基于黑河流域分布式水文模型的一个重要输入项--LAI 空间分布数据的需要而产生的.文章在详尽的野外观测数据基础上,分别探究实测LAI与同时相ETM+ 3、4、5、7波段反射率及相关植被指数(SR、NDVI、ARVI、RSR、SAVI、PVI、GESAVI)的相关关系,率定最佳的LAI遥感反演及其空间分布方案.研究发现,针对特定的自然条件,将研究区分为植被覆盖度小的稀疏立地和覆盖度大的密集立地,分别采用土壤调节植被指数(SAVI)和大气阻抗植被指数(ARVI)进行2种林地的LAI估算最为可靠,在此基础上,提出黑河地区LAI估算及其空间分布的遥感制图方案.【总页数】5页(P27-31)【作者】方秀琴;张万昌;刘三超【作者单位】南京大学国际地球科学研究所,南京,210093;南京大学国际地球科学研究所,南京,210093;南京大学国际地球科学研究所,南京,210093【正文语种】中文【中图分类】TP79:Q948【相关文献】1.黑河及汉江流域MODIS叶面积指数产品质量评价 [J], 胡少英;张万昌2.黑河流域叶面积指数(LAI)空间尺度转换 [J], 张万昌;钟山;胡少英3.黑河流域植被叶面积指数时空变化特征 [J], 王利;徐翠玲;蒋镒竹4.黑河流域植被净初级生产力的遥感估算 [J], 卢玲;李新;Frank Veroustraete5.夏季黑河流域蒸散发量卫星遥感估算研究 [J], 田辉;文军;马耀明;王介民;吕世华;张堂堂;孙方林;刘蓉因版权原因，仅展示原文概要，查看原文内容请购买。
2000~2018年黑河源区草地npp时空变化及影响因素分析
摘要:为揭示黑河源区２０００~２０１８ 年草地 NPP 的时空变化特点以及影响因素,基于 MODI
S 数据,
运用趋势分析法进行研究,以期为黑河源区草地生态系统碳储量的估算提供数据支撑.结果显示:黑河
循环的影响.
国内学者对 NPP 的研究始于 １９７０ 年,并在国外气
候模型的 基 础 上 对 国 内 陆 地 生 态 系 统 的 NPP 进 行 研
究[１０].随着遥感技术的不断发展,国内学者对 NPP 的
研究区域逐渐扩展到了全国各地,如有学者基于光能利
科学基金项目(
４１３６１００５)资助
用率模型,以遥感数据、气象观测数据和基础地理数据
E
Ｇma
i
l:
１３７０５３２１２０＠qq．
c
om
古锡林郭勒盟、川西北江河源区等地的 NPP,并分析其
E
Ｇma
i
l:
c
aoguangchao＠１２６．
c
om
中 的 NPP 数 据,气 象 数 据 和 土 地 利 用/覆 盖 类 型
作者简介:杨荣荣(
１９９２
Ｇ),女,陕西定边人,硕士研究生.
曹广超为通讯作者.
类型和 DEM 等 数 据 进 行 投 影,格 式 转 换 及 重 投 影 等
源区草地月平均 NPP 变化特征呈现“单峰型”曲 线,年 平 均 NPP 整 体 呈 现 波 动 上 升 的 特 点. 黑 河 源 区
草地年均 NPP 空间分布呈现自西北向东南逐渐增加的特点,表明海拔及水热组合条件是影响牧草生长
的主导因素.黑河源区草地 NPP 随着高程的增加呈现先增加后降低的特点,在高程 ２７５７~３２５７m 时
基于改进的CASA模型模拟草原综合顺序分类体系各类的最大光能利用率
基于改进的CASA模型模拟草原综合顺序分类体系各类的最⼤光能利⽤率2019-10-01摘要：植被最⼤光能利⽤率是净初级⽣产⼒（NPP）估算的⼀个重要参数，对它的⼤⼩⼀直存在争议。
利⽤遥感数据、⽓象数据和中国区域NPP实测资料，依据基于草原综合顺序分类（CSCS）改进的CASA模型，采⽤改进的最⼩⼆乘法对中国41类草地的最⼤光能利⽤率（εmax）进⾏了模拟，并通过与他⼈估算的光能利⽤率（ε）进⾏⽐较来验证εmax的可靠性和准确性。
结果表明：此次研究的ε值略⾼于其他的研究结果。
其主要原因有：ε最⼤值和最⼩值之间的跨度较⼤，从⽽使得平均值较⾼；由于缺乏实测数据，个别草地类型的ε估算值较⾼，导致了本研究ε值偏⾼；各研究采⽤的分类体系不同，模型和数据来源不同，从⽽导致结果存在差异。
本研究中的εmax根据实测数据模拟得到，今后需进⼀步收集实测数据，对参数εmax的合理取值进⾏调整。
关键词：改进CASA模型；光能利⽤率；草原综合顺序分类；草地NPP中图分类号： S 812⽂献标识码： A⽂章编号： 1009-5500（2012）04-0060-07草地净第⼀性⽣产⼒（NPP）是草原⽣态系统碳固定能⼒的重要表征，反映了草地植被在⾃然条件下的⽣产能⼒[1]。
草地NPP的研究对于合理利⽤草地资源，充分发挥草地⽓候⽣产潜⼒，最⼤限度地提⾼草地产量以及对草地农业⽣态系统中的碳循环研究都具有重要的指导意义[2， 3]。
利⽤数学模型估算草地NPP已成为⼀种重要⽽⼴泛接受的研究⽅法。
现有的草地NPP估算模型⼤体分为⽓候相关统计模型、光能利⽤率模型、⽣态系统过程模型和⽣态遥感耦合模型[4-8]。
其中光能利⽤率模型为⽬前NPP估算的⼀种全新⼿段[9]，倍受关注。
CASA模型是基于光能利⽤率的陆地植被NPP全球估算模型[5]，该模型充分考虑了环境条件和植被本⾝特征，已被⼴泛应⽤于国内外草地NPP的估算[10-19]。
草原综合顺序分类系统（CSCS）是任继周和胡⾃治等参照世界各国草原分类⽅法，在草原的发⽣与发展理论指导之下创⽴的草原分类⽅法[20-25]，是⽬前世界上唯⼀⼀个⽤定量化指标进⾏植被（主要是草地）分类的⽅法。
CASA模型在金沙江流域(云南部分)NPP研究中的应用
CASA模型在金沙江流域(云南部分)NPP研究中的应用秦瑞;周瑞伍;彭明春;王崇云;彭泽瑜【期刊名称】《山地学报》【年(卷),期】2014(0)6【摘要】净初级生产力是陆地生态系统碳循环的重要组成部分,对于控制大气CO2的上升有着重要的作用,是生态系统中物质与能量流动研究的基础.采用气象数据、MODIS NDVI数据,运用改进的CASA模型对金沙江流域(云南部分)的净初级生产力进行研究,并分析了其分布格局及影响因素.结果表明:流域初级生产力最大值达到1 382.39 g/m2,平均为719.54g/m2;在空间分布上,中游[751.21g/(m2·a)]＞上游[714.42 g/(m2·a)]＞下游[693.00 g/(m2·a)];流域的净初级生产力有明显的季节变化,表现为干湿季分明,雨季[612.26 g/(m2·a)]的生产力明显高于干季[107.08g/(m2·a)],秋季又较春季为高;净初级生产力受植被类型、温度、降水等因素的影响明显.用遥感的方法对区域的NPP产量测算已得到了普遍的认可,其研究结果为NPP动态研究和评价生态系统服务功能提供了有效的基础数据.【总页数】8页(P698-705)【作者】秦瑞;周瑞伍;彭明春;王崇云;彭泽瑜【作者单位】云南大学生态学与地植物学研究所,云南昆明650091;云南大学生态学与地植物学研究所,云南昆明650091;云南大学生态学与地植物学研究所,云南昆明650091;云南大学生态学与地植物学研究所,云南昆明650091;云南大学生态学与地植物学研究所,云南昆明650091【正文语种】中文【中图分类】Q948【相关文献】1.基于CASA模型的神东矿区植被NPP变化研究 [J], 项阳;李君轶;陈宏飞2.基于CASA模型和MODIS数据的甘南草地NPP时空动态变化研究 [J], 刘洁;孟宝平;葛静;高金龙;殷建鹏;侯蒙京;冯琦胜;梁天刚3.基于CASA模型的2005—2019年云南断陷盆地NPP时空变化研究 [J], 张鑫彤;吴秀芹4.基于GIS、RS和CASA模型的深圳市逐月NPP估算及其变化特征研究 [J], 李天宏;王祉宁5.基于遥感和CASA模型的西江流域NPP时空分布特征研究 [J], 张永领;郝成元因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
兰州大学
硕士学位论文
基于CASA和多光谱遥感数据的黑河流域NPP研究
姓名：陈正华
申请学位级别：硕士
专业：地图学与地理信息系统
指导教师：王建
20060501
第三章数据获取与处理
图３．１提取的黑河流域各旬ＶＧＴ－Ｓ１０１９９８年６月ＮＤＶＩ图像示例
３．２模型其他参数获取与处理
输入模型的非遥感数据主要由基础气象数据和土壤特性数据组成，气象数据包括降雨、温度、太阳总辐射站点数据，土壤数据包括土壤含水量、砂粒含量、粘粒含量、容重、萎蔫系数等。
３．２．１气象数据的获取和处理
（１）气象数据的获取及其空间分布
气象数据的获取是以国家气象局发布的全国４００站点气象观测数据为基础，包括１９９８．２００２年逐日气温、降水、辐射资料。
共收集到１３个气象站点的降水、温度数据，其中ｌＯ个站点在流域范围之内，３个站点在流域范围之外。
除临泽、肃南、民乐的数据是从１９９８年１月到２０００年１２月之外，另外ｌｏ个站点时间跨度是１９９８年１月到２００２年１２月，经过编辑处理后，通过站点经纬度在ＡｒｃＧＩＳ中形成空间分布数据，其站点分布情况如图３．２所示。
兰州大学硕士毕业论文：基于ＣＡＳＡ和多光谱遥感数据的黑河流域ＮＰＰ研究。
——’—，———～
、≯
一。
马鬃哆ｆ。
Ｉ。
｜｜．灏跻纵祷
＼
ｊ门镇＜毯塔。
鼎碧／／＼Ｎ
，。
酒兼八
Ａ
＜。
高降临泽‘一＼＼巷捧目
；秽矽
图例己七‘”＞。
刀’昌
｝＿马篓篇器铲艄？７．３５叩…１÷：。
—刈＊｝Ｖ
图３．２选用的温度和降水气象站点分布图
太阳辐射数据是从收集到的１９９８年１月到２００２年１２月的太阳辐射数据中，挑选出黑河流域的２个站点，以及流域周边的１４个站点，经过编辑处理后，通过站点经纬度在ＡｒｃＧＩＳ中形成空间分布数据，站点空间分布情况如图３１３所示。
图３．３选用的太阳辐射站点分布图
第三章数据获取与处理
（２）气象数据的处理
将各站点的气象数据和站点的空间数据关联，分别形成了温度、降水和太阳辐射的空间分布数据，使用ＥＳＲＩ公司ＡｒｃＧＩＳ软件中的ＧｅｏｓｔａｔｉｓｔｉｃａＩＡｎａｌｙｓｔ扩展模块运用Ｋｒｉｇｍｇ方法进行插值，得到栅格数据。
降水数据的插值示意图如图３＿４所示，温度数据的插值示意图如图３．５所示，太阳辐射数据的插值示意图如图３．６所示。
使用ＡｒｃＧＩＳ将插值得到的栅格数据转换为ＡＳＣＩＩ文本文件。
图３．４黑河流域降雨的插值示意图
图３５黑河流域温度的插值示意图
兰卅ｌ大学硕士毕业论文：基于ＣＡＳＡ和多光谱遥感数据的黑河流域ＮＰＰ研究
图３．６黑河流域太阳辐射的插值示意图
３．２．２土壤数据的获取和处理
黑河流域土壤数据来源于数字黑河网站ｈｔｔｐ：／／ｈｅｉｈｅ．ｗｅｓｔ，ｓａｃ．ｃｎ／，比例尺为ｌ：ｉ００万，如图３．７所示。
土壤属性数据主要包括土壤含水量、砂粒含量、粘粒含量、容重、萎蔫系数，将其矢量数据在ＡｒｃＧＩＳ中通过三次卷积插值转换成格网数据。
流域中的河流和冰川的属性赋值为一９９９９，不参与模型运算。
然后将格网数据转化成ＡＳＣＩＩ文本文件。
图３．７黑河流域ｌ：ｌＯ万土壤类型图
第五章黑河流域１９９８－２００２年ＮＰＰ动态变化分析
图５１黑河流域１９９８—２００２年ＮＰＰ分布图
以及临泽、张掖绿洲中心地带。
ＮＰＰ值在３００—５００９Ｃ／ｍ２／ａ之间的主要分布于流域上游北部的山地草原草场类，山地草甸草场类的边缘，非草地类，中游绿洲的沿河岸地区。
ＮＰＰ值在１００—３００９Ｃ／ｍＺ／ａ之间的主要分布于下游额济纳旗绿洲，其他绿洲边缘，上游的山地草原草场类，平原半荒漠草场类，山地半荒漠草场类。
ＮＰＰ值低于１００９Ｃ／ｍ２／ａ的主要是中游和下游的荒漠地区，另外还包括下游远离河道的低湿草甸草场类，荒漠河岸疏林灌丛草场类，平原荒漠草场类。
利用后一年与前一年的ＮＰＰ相减得到年与年之间的变化图，如图５．２所示。
分析表５．１，图５．１，５．２可以得到以下结论：
１．黑河流域总体的ＮＰＰ在这５年中比较稳定。
２００２年与１９９８年相比，附带草场、平原荒漠草场、荒漠河岸疏林灌丛草场类年平均ＮＰＰ几乎没有变化；山地荒漠草场类、低湿草甸草场类、山地半荒漠草场类、平原半荒漠草场类有少量变化，或增加或减少；山地草原草场类、山地草甸草场类、山地灌丛草
４３。