论文部分内容阅读
陆地植被生产力是陆地生态系统碳循环,碳通量研究最重要的指标。植被生产力以及相关参数的获取主要基于地面单点测量和模型模拟(包括遥感反演)。地面单点测量工作量大,无法满足区域扩展的需要。因此,模型模拟成为陆地植被生产力研究最主要的方法(特别是区域植被生产力的研究)。模型模拟有自身的局限性,模拟结果往往与真实状况存在较大差异。如何提高植被生产力模型模拟的精度?一种途径是对模型进行改进、优化,甚至提出新的模型;另一途径是模型与观测结合,利用数据同化方法,在模型运行中融入观测,通过观测对模型运行轨迹进行调整,对模拟偏差进行校正,使得模拟结果,同时携带模型与观测两方面的信息,从而有效降低模型结果的误差,提高模拟精度。
本文在参照CASA、BEPS和Biome-BGC等光能利用率模型和生态过程碳循环模型的基础上,主要针对环境减灾卫星(HJ-1)数据,构建了基于常规气象数据和遥感数据的区域植被生产力(GPP和NPP)估算模型(环境减灾卫星植被生产力模拟模型,简称HJ-1-VPS(Vegetation Productivity Simulator)),并初步验证了模型的精度。同时,文中结合通量观测数据,利用模拟退火算法对Biome-BGC模型生理、生态参数进行了优化;并对模型土壤水分平衡模块进行了改进和调整;最后在模型参数优化,模型结构改进、调整的基础上,探索了Biome-BGC模型与地面实测LAI及遥感观测LAI(模型与观测)之间进行数据同化的思路和方法,在国外Harvard Forest EMS通量站和国内鼎湖山通量站分别进行了数据同化实验,并将模型模拟及同化结果跟通量观测数据进行对比分析,评价了模型模拟及数据同化的效果。
本文研究主要结论如下:⑴所构建的HJ-1-VPS模型结合了光能利用率模型和生态过程模型各自的优点,植被总初级生产力的计算采用光能利用率模型,自养呼吸计算采用经过简化的生态过程模型,模型较光能利用率模型,生态生理机制更加清楚,较生态过程模型,运行上更简单易行,适合区域尺度植被生产力的估算。模型在光合有效辐射计算时,引进了MT-CLIM程序,减少了由于太阳短波辐射资料短缺对植被生产力估算的影响和限制,将DEM数据引入模型,使得模型结果更多地体现出地形因素的影响。通过初步的验证,模型能够较好地实现区域植被生产力的估算⑵通过通量观测数据和模型模拟结果比较来构造目标函数,利用模拟退火算法,对Biome-BGC模型部分生理生态参数进行了优化。在参数优化时,对待优化参数进行了选择,并采取逐步优化的策略,优化结果显示:使用优化参数的模型模拟值比使用缺省参数的模拟值更接近通量观测值,利用模拟退火算法对Biome-BGC模型进行参数优化能有效降低模拟结果的不确定性,提高模拟精度。文中参数优化的方法切实有效,可为同类的生态模型参数优化,提供一种可行的实例和思路,也有助于Biome-BGC模型应用区域的扩展。⑶利用:Biome-BGC模型对Harvard Forest地区水、碳通量进行模拟时,发现模型模拟结果在部分年份生长季内会出现GPP骤然下降的异常情况。分析原因,是由于Biome-BGC模型在蒸散计算及土壤水分平衡模拟方面存在不足之处。针对上述问题,对Biome-BGC模型土壤水分平衡模块进行了改进和调整。模型调整后,无论是蒸散发还是碳通量,模拟精度都有了明显的提高,调整后的模型能更好的模拟出Harvard Forest地区水、碳通量的真实状况。⑷在Harvard Forest EMS通量站和鼎湖山通量站,观测LAI(无论是实测还是遥感观测)同化进入模型,都能有效地提高模型模拟(NEE和蒸散发)的精度,降低误差。实测LAI与模型的同化效果以1998年Harvard Forest EMS通量站为例,NEE模拟结果与通量观测的决定系数R2由原始模拟的0.7072,模型调整同化后提高到0.8365,均方根误差由1.4896下降到1.1504;蒸散发模型模拟结果与通量观测的决定系数R2由原始模拟的0.6815,模型调整同化后提高到0.7656,均方根误差由0.8693下降到0.7074。其他年份以及两个站点各年份遥感LAI与模型的同化结果也表现出相似的特征。⑸鼎湖山通量站,利用集合卡曼滤波(ENKF)和无迹卡曼滤波(UKF)两种同化算法进行遥感LAI与模型的同化,结果表明,两种算法都能改善模型模拟的精度,有效降低误差,但相比而言,集合卡曼滤波(ENKF)效果略好一点。⑹模型调整的效果,在Harvard Forest EMS通量站表现明显。Harvard Forest EMS通量站,使用未调整的模型同化遥感LAI,会使蒸散发的模拟结果误差增加,而使用调整后的模型同化遥感LAI,无论NEE,还是蒸散发,模拟精度都有较大的提高,误差明显下降。在鼎湖山通量站,模型调整的效果并不明显,但也并未增加额外的误差,模型调整、未调整所得结果差异不大。