遥感应用模型6-植被(3)-初级生产力.ppt

遥感应用模型6-植被(3)-初级生产力.ppt

《遥感应用模型6-植被(3)-初级生产力.ppt》由会员分享，可在线阅读，更多相关《遥感应用模型6-植被(3)-初级生产力.ppt（37页珍藏版）》请在冰点文库上搜索。

第二章植被遥感,植被净初级生产力估算模型,本章主要内容,植被净初级生产力估算模型,植被生产力是人类生活所需食物、原料及燃料的来源。

植物通过光合作用将太阳能固定并转化为植物生物量。

单位时间和单位面积上，绿色植物通过光合作用所产生的全部有机物同化量，即光合总量，叫总初级生产力（GPP）；净初级生产力（NPP）则是从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。

NPP=GPP-Ra,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。

NPP估算方法,基于站点的实测数据估算：

通过直接收获法来获得NPP。

站点实测法简单易行、精度高，但费时、费力，具有破坏性，仅能用于小面积调查。

气象相关统计模型：

该模型认为植被NPP与气候存在一定的相关性，将气候因子如温度、降水量等引入模型中，建立NPP与气候因子之间的简单统计回归模型。

典型模型有：

Miami模型、Thornthwaite模型、Chikugo模型和综合模型等。

光能利用率模型：

建立在植物光合作用过程和光能利用率的概念上，认为任何对植物生长起限制作用的资源（如水、氮、光照等）均可用于NPP的估算。

这些因子之间通过一个转换因子联系起来，这一转换因子是一个复杂的调节模型，或是一个简单的比率常数。

典型模型：

CASA模型、GLO-PEM模型和BEAMS模型等。

CASA模型,早在20世纪70年代Monteith就发现NPP和植被吸收的光合有效辐射（APAR）之间存在着稳定的关系：

当水分和肥料处在最适的条件下，农作物的NPP与APAR具有很强的线性相关；光合有效辐射是太阳辐射中能被绿色植物用来进行光合作用的那部分能量；但是，不同的植被类型，或者同一植被类型在不同的生长条件下，所获得的经验模型存在着差异，这就意味着植被的NPP受植物本身及其生长环境的影响。

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（）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，（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。

早期的一些科学家利用APAR-NPP这一关系在小范围的实验点上开展植被NPP估算，取得了一定的成功；但在区域及全球尺度上，由于气候类型和植被类型的多样，其应用受到了很大的限制，问题主要存在于一些参数的确定上，具体表现在以下方面：

不同的植被覆盖类型对NPP的估算最大光能利用率的取值,很多光能利用率模型本身考虑了不同的植被覆盖类型对NPP估算结果的影响，但也仅仅是在光合有效辐射吸收比例（FPAR）的估算过程中，根据不同的植被覆盖类型来确定比值植被指数最大值，没有考虑不同的植被覆盖分类精度对NPP估算结果的影响；全球植被最大光能利用率的取值对NPP的估算结果影响很大，最初的“光能利用率”模型包含一个最大光能利用率（max），然后再根据不同的环境胁迫因子对其进行调整。

如CASA模型就将全球最大光能利用率取值为0.389gCMJ-1,NPP遥感估算模型需要在以下3个方面作进一步的改进与完善：

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NDVI最大值，由此获得各植被覆盖类型的比值植被指数最大值，最后实现FPAR的估算；利用NPP实测数据，模拟出各植被类型的最大光能利用率；利用气象数据（温度、降水、太阳净辐射），结合已有的区域蒸散模型来实现水分胁迫因子的估算。

模型架构,APAR的估算,利用遥感数据估算光合有效辐射（PAR）中被植物叶子吸收的部分（APAR）是根据植被对红外和近红外波段的反射特征实现的。

植被吸收的光合有效辐射取决于太阳总辐射和植物本身的特征；式中，SOL（x,t）表示t月在像元x处的太阳总辐射量，FPAR（x,t）为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占太阳总辐射的比例。

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式中，FPARmin和FPARmax的取值与植被类型无关，分别为0.001和0.95；,通过对FPARNDVI和FPARSR所估算结果的比较发现：

由NDVI所估算的FPAR比实测值高，而由SR所估算的FPAR则低于实测值；将这两种方法结合起来，取其平均值作为FPAR的估算值，此时，估算的FPAR与实测值之间的误差达到最小。

将两个方程组合起来，取其平均值作为FPAR的估算值；为两种方法间的调整系数，取0.5（取二者的平均值）。

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。

在原始CASA模型中，最大光能利用率是一个常数，取值为0.389。

但是当该模型应用于区域尺度时，该设置是不合理的。

环境因子如气温、土壤水分状况以及大气水汽压差等会通过影响植物的光合能力而调节植被的NPP。

在遥感模型中，这些因子对NPP的调控是通过对最大光能利用率进行调节而实现的。

光能利用率的估算流程,在理想条件下植被具有最大光能利用率，而在现实条件下的最大光能利用率主要受温度和水分的影响。

式中,T1（x,t）和T2（x,t）表示低温和高温对光能利用率的胁迫作用；W（x,t）为水分胁迫影响系数，反映水分条件的影响；max是理想条件下的最大光能利用率。

温度胁迫因子的估算,T1（x,t）的估算：

T1（x,t）表示低温和高温对光能利用率的胁迫作用；式中,Topt（x）为植物生长的最适温度，定义为某一区域一年内NDVI值达到最高时的当月平均气温（）；当某一月平均温度小于或等于-10时，T1（x,t）取0,T2（x,t）的估算：

T2（x,t）表示环境温度从最适温度Topt（x）向高温或低温变化时植物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；当某一月平均温度T（x,t）比最适温度Topt（x）高10或低13时，该月的T2（x,t）值等于月平均温度T（x,t）为最适温度Topt（x）时T2（x,t）值的一半。

水分胁迫因子的估算,地面干湿程度对于植物生长有着十分重要的作用。

一般认为，土壤水分超过某一临界值时，蒸发速率不受土壤水分供应的限制，而只与气象条件有关；当土壤水分含量低于这一临界值时，蒸发速率除与气象条件有关外，还随土壤水分的有效性的降低而降低；因此，研究用区域实际蒸散量与区域潜在蒸散量的比值来反映土壤水分干湿程度。

水分胁迫影响系数W（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，W（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。

式中，LSWI是近红外波段和短波红外波段的归一化指数。

LSWImax是每个像元中全年最大的地表湿润度指数。

LSWI的取值范围为-11，W的取值范围为0-1,最大光能利用率的确定,月最大光能利用率max的取值因不同的植被类型而有所不同，由于全球最大光能利用率的取值对NPP的估算结果影响很大，人们对它的大小一直存在争议Potter等（1993）和Field等（1995,1998）认为全球植被的最大光能利用率为0.389gCMJ-1；没有气候和其它因素的限制时，Raymond和Hunt（1994）认为光能利用率的上限为3.5gCMJ-1；而另外的研究结果则认为一些草本植物和其它植被的光能利用率在0.092.16gCMJ-1之间；,最大光能利用率分3步来确定首先计算所有像元的APAR、温度和水分胁迫因子；然后，挑选研究区相同时间段的NPP实测数据；最后，根据误差最小的原则模拟出各植被类型的max。

典型植被的最大光能利用率,模拟值与实测值的比较,成对的模拟值与实测值之间的相关性是比较低的，R值仅为0.49，考虑到生态环境、数据源及尺度转换上的差异，大尺度的NPP精度验证本身也存在着一定的不可比性，要想获得观测数据与大尺度模拟数据间的典型相关是不可能的；但在实测数据样方比较典型、面积足够大、数量足够多、抽样时间也比较一致的情况下，平均值之间还是存在一定的可比性。

误差分析,所估算的水体（湖泊和河流）、冰川、裸岩等无植被地带，其NPP值也比较高，尤其是水体，而实际情况下，这些无植被地带的NPP应该为0。

这主要是由遥感数据本身的空间分辨率决定的，对于像元为8km8km的NDVI数据和植被分类数据，一般的河流、湖泊以及小面积分布的冰川、裸岩等均因面积过小而无法反映出来；更何况还存在混合像元的问题，如果某个像元刚好跨在水域和植被上，当水域占的比例比较大时，在分类上有可能被分为水体，而实际上里面还包含有植被的成分，在遥感数据上则可能表现为一定的NDVI值。

我国植被年净生产力及其变化,18年来我国植被年净生产量呈波动中增加的趋势。

我国植被年净第一性生产力与年降水量的相关性好于植被年净第一性生产力与温度之间的相关性可以认为降水是我国植被净第一性生产力的主要限制因子,CASA模型优点,基于植被的生理过程而建立，并在大尺度植被NPP研究和全球碳循环研究中被广泛应用，是目前国际上最通用的NPP模型之一；考虑了NPP计算的两个主要驱动变量,即植被所吸收的光合有效辐射与光能利用效率，而这两个变量又分别通过太阳辐射、NDVI、土壤水分、降水量、平均温度等指标来体现；相对于其他模型所需要的输入参数较少，就避免了参数缺乏而人为简化或者估计而产生的误差；模型采用的遥感数据覆盖范围广，时间分辨率高，能够实现对区域和全球NPP的动态监测。

CASA模型缺点,该模型是针对北美地区所有植被而建立的，世界各地差异较大，模型参数的修改比较困难；模型仅仅是在FPAR的估算过程中，比值植被指数最大值Srmax的确定时考虑了不同植被类型，但不能很好的从本质上揭示植被类型与NPP的关系；光能利用率的准确估算是利用CASA模型模拟生产力的关键因素之一，模型作者提出在理想状态下植被存在着最大光能利用率，不同植被类型的月值为0.389gCMJ-1。

事实上，不同植被类型的光能利用率存在着很大差异，受到温度、水分、土壤、植物个体发育等因素的显著影响，把它作为一个常数在全球范围内使用会引起很大的误差；模型在估算水分胁迫因子时用到了土壤水分子模型，过程比较复杂，其中涉及到大量的参数，包括降水量、田间持水量、萎蔫含水量、土壤粘粒和砂粒的百分比、土壤深度、土壤体积含水量等，数据较难获取，且通常土壤参数都是由土壤分类图来确定的，其精度难以保证。

参考文献,利用CASA模型估算我国植被净第一性生产力.植物生态学报，2001，25（5）：

603-608基于CASA模型的甘南地区草地净初级生产力时空动态遥感模拟.草业学报，2011，20（4）：

316-3241982-1999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中国陆地植被净初级生产力遥感估算.植物生态学报，2007，31（3）：

413-424,