留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种净初级生产力格局模拟及预测耦合模型

王丽霞 张海旭 刘招 张双成 孔金玲 高俪倩

王丽霞, 张海旭, 刘招, 张双成, 孔金玲, 高俪倩. 一种净初级生产力格局模拟及预测耦合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
引用本文: 王丽霞, 张海旭, 刘招, 张双成, 孔金玲, 高俪倩. 一种净初级生产力格局模拟及预测耦合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
WANG Lixia, ZHANG Haixu, LIU Zhao, ZHANG Shuangcheng, KONG Jinling, GAO Liqian. A Coupling Model of Net Primary Productivity Pattern Simulation and Prediction[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
Citation: WANG Lixia, ZHANG Haixu, LIU Zhao, ZHANG Shuangcheng, KONG Jinling, GAO Liqian. A Coupling Model of Net Primary Productivity Pattern Simulation and Prediction[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063

一种净初级生产力格局模拟及预测耦合模型

doi: 10.13203/j.whugis20210063
基金项目: 

国家自然科学基金 41471452

中央高校基本科研业务项目 300102269201

中央高校基本科研业务项目 300102299206

陕西省重点研发项目 2020ZDLSF06-07

详细信息
    作者简介:

    王丽霞,博士,副教授,主要从事环境遥感与GIS研究。zylxwang@chd.edu.cn

  • 中图分类号: P237; Q948.1

A Coupling Model of Net Primary Productivity Pattern Simulation and Prediction

Funds: 

The National Natural Science Foundation of China 41471452

the Fundamental Research Funds for the Central Universities 300102269201

the Fundamental Research Funds for the Central Universities 300102299206

the Key Research and Development Program of Shaanxi Province 2020ZDLSF06-07

More Information
    Author Bio:

    WANG Lixia, PhD, associate professor, majors in environmental remote sensing and GIS. E-mail: zylxwang@chd.edu.cn

  • 摘要: 净初级生产力(net primary productivity, NPP)不仅直接反映了植被群落的生产能力,而且是判定生态系统碳源与碳汇和调节生态过程的主要因子。提出一种耦合CASA(Carnegie-Ames-Stanford approach)模型与CA-Markov模型的方法,以渭河流域为例,基于CASA模型对NPP估算结果进行数值区间划分,以区间划分类型作为CA-Markov模型迁移演算的基础,对NPP在像元尺度上进行模拟及预测,反映其时空演化特征和机理,并预测现有模式下的生产力发展模型,为植被生态安全提供参考。结果表明,实验区内,CASA模型与CA-Markov模型的耦合具有较好的适用性,Kappa系数达到0.877 6,该耦合模型适用于探究现有环境驱动模式下的NPP时空演变。
  • 图  1  NPP及气象因子年内变化特征

    Figure  1.  Annual Variation Characteristics of NPP and Meteorological Factors

    图  2  多年平均NPP变化

    Figure  2.  Trend of Average NPP for Many Years

    图  3  NPP与气象因子相关性分析及线性拟合

    Figure  3.  Correlation Analysis and Linear Fitting Between NPP and Meteorological Factors

    图  4  NPP及气象因子随海拔变化情况

    Figure  4.  Variation of NPP and Meteorological Factors with Altitude

    图  5  NPP随坡度变化情况

    Figure  5.  Variation of NPP with Slope

    图  6  2015年NPP估算与模拟分布

    Figure  6.  NPP Estimation and Simulation Distribution in 2015

    图  7  渭河流域2020年NPP空间格局的模拟结果以及2025年、2030年的预测结果

    Figure  7.  NPP Spatial Pattern in Weihe River Basin Simulated Results in 2020 and Predicted Results in 2025, 2030

    表  1  NPP及气象因子年际变化趋势

    Table  1.   Interannual Variation Trend of NPP and Meteorological Factors

    年份/年 年均NPP/Mt C 年均气温/℃ 年均降水/mm 年均总太阳辐射/(MJ·m-2
    2000 44.420 7 9.718 52 38.992 9 467.109 9
    2005 58.954 3 9.589 80 42.731 8 484.857 7
    2010 57.991 5 9.895 10 44.351 2 464.569 5
    2015 69.041 5 10.177 50 41.860 8 478.836 4
    下载: 导出CSV

    表  2  2005—2010年NPP状态转移概率矩阵

    Table  2.   NPP State Transition Probability Matrix from 2005 to 2010

    年份 等级 2010年
    低度 较低 中度 较高 高度
    2005年 低度 0.469 1 0.528 6 0.002 3 0 0
    较低 0.015 7 0.592 0 0.387 7 0.004 4 0.000 1
    中度 0.000 8 0.031 1 0.414 7 0.549 6 0.003 8
    较高 0 0.000 2 0.006 8 0.634 4 0.361 6
    高度 0 0 0 0.101 5 0.898 5
    下载: 导出CSV

    表  3  2015年NPP模拟结果与估算结果的混淆矩阵

    Table  3.   Confusion Matrix Between Simulated and Estimated NPP Results in 2015

    估算结果 等级 模拟图
    低度 较低 中度 较高 高度
    估算图 低度 294 049 41 144 443 4 0
    较低 75 560 958 328 134 689 447 0
    中度 547 57 481 389 226 11 956 119
    较高 4 29 626 186 521 2 003
    高度 0 0 5 17 8 354
    下载: 导出CSV
  • [1] Field C B, Behrenfeld M J, Randerson J T, et al. Primary Production of the Biosphere: Integrating Terrestrial and Oceanic Components[J]. Science, 1998, 281: 237-240 doi:  10.1126/science.281.5374.237
    [2] 王正兴, 刘闯, Huete Alfredo. 植被指数研究进展: 从AVHRRNDVI到MODIS-EVI[J]. 生态学报, 2003, 23 (5): 979-987 doi:  10.3321/j.issn:1000-0933.2003.05.020

    Wang Zhengxing, Liu Chuang, Huete Alfredo. From AVHRR-NDVI to MODIS-EVI: Advances in Vegetation Index Research[J]. Acta Ecologica Sinica, 2003, 23(5): 979-987 doi:  10.3321/j.issn:1000-0933.2003.05.020
    [3] 周广胜, 张新时. 全球气候变化的中国自然植被的净第一性生产力研究[J]. 植物生态学报, 1996, 20(1): 11-19 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB601.001.htm

    Zhou Guangsheng, Zhang Xinshi. Study on NPP of Natural Vegetation in China Under Global Climate Change[J]. Acta Phytoecologica Sinica, 1996, 20 (1): 11-19 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB601.001.htm
    [4] 王丽霞, 余东洋, 刘招, 等. 渭河流域NDVI与气候因子时空变化及相关性研究[J]. 水土保持研究, 2019, 26 (2): 249-254 https://www.cnki.com.cn/Article/CJFDTOTAL-STBY201902039.htm

    Wang Lixia, Yu Dongyang, Liu Zhao, et al. Study on Tempo-Spatial Variations of NDVI and Climatic Factors and Their Correlation in the Weihe Watershed[J]. Research of Soil and Water Conservation, 2019, 26(2): 249-254 https://www.cnki.com.cn/Article/CJFDTOTAL-STBY201902039.htm
    [5] Zhao F, Xu B, Yang X C, et al. Remote Sensing Estimates of Grassland Aboveground Biomass Based on MODIS Net Primary Productivity (NPP): A Case Study in the Xilingol Grassland of Northern China[J]. Remote Sensing, 2014, 6(6): 5 368- 5 386 doi:  10.3390/rs6065368
    [6] Rafique R, Zhao F, de Jong R, et al. Global and Regional Variability and Change in Terrestrial Ecosystems Net Primary Production and NDVI: A ModelData Comparison[J]. Remote Sensing, 2016, 8 (3): 177-192 doi:  10.3390/rs8030177
    [7] 张娜, 毛飞跃, 龚威. 2009年武汉市植被净初级生产力估算[J]. 武汉大学学报·信息科学版, 2011, 36(12): 1 447-1 450 http://ch.whu.edu.cn/article/id/744

    Zhang Na, Mao Feiyue, Gong Wei. Estimation of Net Primary Productivity of Vegetation of Wuhan in 2009[J]. Geomatics and Information Science of Wuhan University, 2011, 36(12): 1 447-1 450 http://ch.whu.edu.cn/article/id/744
    [8] 刘国华, 傅伯杰. 全球气候变化对森林生态系统的影响[J]. 自然资源学报, 2001, 16(1): 71-78 doi:  10.3321/j.issn:1000-3037.2001.01.013

    Liu Guohua, Fu Bojie. Effects of Global Climate Change on Forest Ecosystems[J]. Journal of Natural Resources, 2001, 16(1): 71-78 doi:  10.3321/j.issn:1000-3037.2001.01.013
    [9] Ichii K, Hashimoto H, Nemani R, et al. Modeling the Interannual Variability and Trends in Gross and Net Primary Productivity of Tropical Forests from 1982 to 1999[J]. Global and Planetary Change, 2005, 48(4): 274-286 doi:  10.1016/j.gloplacha.2005.02.005
    [10] 方精云, 朴世龙, 贺金生, 等. 近20年来中国植被活动在增强[J]. 中国科学C辑(生命科学), 2003, 33(6): 554-565 https://www.cnki.com.cn/Article/CJFDTOTAL-JCXK200306009.htm

    Fang Jingyun, Piao Shilong, He Jinsheng, et al. Vegetation Activity in China is Iincreasing in Recent 20 Years[J]. Sciencein China Serices C: Life Sciences, 2003, 33(6): 554-565 https://www.cnki.com.cn/Article/CJFDTOTAL-JCXK200306009.htm
    [11] 侯英雨, 柳钦火, 延昊, 等. 我国陆地植被净初级生产力变化规律及其对气候的响应[J]. 应用生态学报, 2007, 18 (7): 1 546-1 553 https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB200707022.htm

    Hou Yingyu, Liu Qinhuo, Yan Hao, et al. Variation Trends of China Terrestrial Vegetation Net Primary Productivity and Its Responses to Climate Factors in 1982—2000[J]. Chinese Journal of Applied Ecology, 2007, 18(7): 1 546-1 553 https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB200707022.htm
    [12] Tang B J, Wu D H, Zhao X, et al. The Observed Impacts of Wind Farmson Local Vegetation Growth in Northern China[J]. Remote Sensing, 2017, 9(4): 332-341 doi:  10.3390/rs9040332
    [13] Zhu L K, Southworth J. Disentangling the Relationships Between Net Primary Production and Precipitation in Southern Africa Savannas Using Satellite Observations from 1982 to 2010[J]. Remote Sensing, 2013, 5(8): 3 803-3 825 doi:  10.3390/rs5083803
    [14] Guo Q, Fu B H, Shi P L, et al. Satellite Monitoring the Spatial-Temporal Dynamics of Desertification in Response to Climate Change and Human Activities Across the Ordos Plateau, China[J]. Remote Sensing, 2017, 9(6): 525 doi:  10.3390/rs9060525
    [15] 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[J]. 遥感学报, 2018, 22(1): 143-152 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201801013.htm

    Zhang Meng, Zeng Yongnian. Net Primary Production Estimation by Using Fusion Remote Sensing Data with High Spatial and Temporal Resolution [J]. Journal of Remote Sensing, 2018, 22(1): 143- 152 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201801013.htm
    [16] Guan X B, Shen H F, Gan W X, et al. A 33-Year NPP Monitoring Study in Southwest China by the Fusion of Multi-Source Remote Sensing and Station Data[J]. Remote Sensing, 2017, 9(10): 1 082 doi:  10.3390/rs9101082
    [17] 岑奕, 张良培, 村松加奈子. 纪伊半岛地区植被净初级生产力的遥感应用研究[J]. 武汉大学学报·信息科学版, 2008, 33(12): 1 221-1 224 http://ch.whu.edu.cn/article/id/1768

    Cen Yi, Zhang Liangpei, Kanako Muramatsu. Net Primary Production Estimation in Kii Peninsula Using Terra/MODIS Data[J]. Geomatics and Information Science of Wuhan University, 2008, 33 (12): 1 221-1 224 http://ch.whu.edu.cn/article/id/1768
    [18] 王伦澈, 龚威, 张淼, 等. 武汉地区植被NPP动态监测研究[J]. 武汉大学学报·信息科学版, 2013, 38(5): 548-552 http://ch.whu.edu.cn/article/id/2635

    Wang Lunche, Gong Wei, Zhang Miao, et al. Dynamic Monitoring of Vegetation NPP in Wuhan Based on MODIS[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 548- 552 http://ch.whu.edu.cn/article/id/2635
    [19] 孙睿, 朱启疆. 中国陆地植被净第一性生产力及季节变化研究[J]. 地理学报, 2000, 55(1): 36-45 doi:  10.3321/j.issn:0375-5444.2000.01.005

    Sun Rui, Zhu Qijiang. Distribution and Seasonal Change of Net Primary Productivity in China from April, 1992 to March, 1993[J]. Acta Geographica Sinica, 2000, 55(1): 36-45 doi:  10.3321/j.issn:0375-5444.2000.01.005
    [20] 赵安周, 朱秀芳, 刘宪锋, 等. 1965—2013年渭河流域降水时空变化分析[J]. 自然资源学报, 2015, 30(11): 1 896-1 909 https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZX201511010.htm

    Zhao Anzhou, Zhu Xiufang, Liu Xianfeng, et al. Spatial and Temporal Variation of Precipitation in Weihe River Basin from 1965 to 2013[J]. Journal of Natural Resources, 2015, 30(11): 1 896-1 909 https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZX201511010.htm
    [21] 王强, 张廷斌, 易桂花, 等. 横断山区2004—2014年植被NPP时空变化及其驱动因子[J]. 生态学报, 2017, 37(9): 3 084-3 095 https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201709023.htm

    Wang Qiang, Zhang Tingbin, Yi Guihua, et al. Tempo-Spatial Variations and Driving Factors Analysis of Net Primary Productivity in the Hengduan Mountain Area from 2004 to 2014[J]. Acta Ecologica Sinica, 2017, 37(9): 3 084-3 095 https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201709023.htm
    [22] 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): 3 339-3 348 https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201510023.htm

    Chang Xueli, Lü Shihai, Feng Zhaoyang, et al. Impact of Topography on the Spatial Distribution Pattern of Net Primary Productivity in a Meadow[J]. Acta Ecologica Sinica, 2015, 35(10): 3 339-3 348 https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201510023.htm
    [23] 杨国清, 刘耀林, 吴志峰. 基于CA-Markov模型的土地利用格局变化研究[J]. 武汉大学学报·信息科学版, 2007, 32(5): 414-418 http://ch.whu.edu.cn/article/id/1887

    Yang Guoqing, Liu Yaolin, Wu Zhifeng. Analysis and Simulation of Land-Use Temporal and Spatial Pattern Based on CA-Markov Model[J]. Geomatics and Information Science of Wuhan University, 2007, 32(5): 414-418 http://ch.whu.edu.cn/article/id/1887
    [24] 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 doi:  10.3321/j.issn:1000-4890.2005.03.014

    Zhu Wenquan, Chen Yunhao, Xu Dan, et al. Advances in Terrestrial Net Primary Productivity (NPP) Estimation Models[J]. Chinese Journal of Ecology, 2005, 24(3): 296-300 doi:  10.3321/j.issn:1000-4890.2005.03.014
    [25] 朴世龙, 方精云, 郭庆华. 利用CASA模型估算我国植被净第一性生产力[J]. 植物生态学报, 2001, 25 (5): 603-608 doi:  10.3321/j.issn:1005-264X.2001.05.015

    Piao Shilong, Fang Jingyun, Guo Qinghua. Application of CASA Model to the Estimation of Chinese Terrestrial Net Primary Productivity[J]. Acta Phytoecologica Sinica, 2001, 25(5): 603-608 doi:  10.3321/j.issn:1005-264X.2001.05.015
    [26] 穆少杰, 周可新, 齐杨, 等. 内蒙古植被降水利用效率的时空格局及其驱动因素[J]. 植物生态学报, 2014, 38(1): 1-16 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB201401001.htm

    Mu Shaojie, Zhou Kexin, Qi Yang, et al. SpatioTemporal Patterns of Precipitation-Use Efficiency of Vegetation and Their Controlling Factors in Inner Mongolia[J]. Chinese Journal of Plant Ecology, 2014, 38(1): 1-16 https://www.cnki.com.cn/Article/CJFDTOTAL-ZWSB201401001.htm
    [27] 康俊锋, 李爽, 方雷. 云环境下基于CA-Markov的土地利用变化预测方法[J]. 武汉大学学报·信息科学版, 2020, 45(7): 1 021-1 026, 1 034 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202007011.htm

    Kang Junfeng, Li Shuang, Fang Lei. Land Use Change Prediction Method Based on CA-Markov Model Under Cloud Computing Environment[J]. Geomatics and Information Science of Wuhan University, 2020, 45(7): 1 021-1 026, 1 034 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202007011.htm
    [28] 郑青华, 罗格平, 朱磊, 等. 基于CA-Markov模型的伊犁河三角洲景观格局预测[J]. 应用生态学报, 2010, 21(4): 873-882 https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201004011.htm

    Zheng Qinghua, Luo Geping, Zhu Lei, et al. Prediction of Landscape Patterns in Ili River Delta Based on CA-Markov Model[J]. Chinese Journal of Applied Ecology, 2010, 21(4): 873-882 https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201004011.htm
    [29] Karimi H, Jafarnezhad J, Khaledi J, et al. Monitoring and Prediction of Land Use/Land Cover Changes Using CA-Markov Model: A Case Study of Ravansar County in Iran[J]. Arabian Journal of Geosciences, 2018, 11(19): 1-9 http://www.onacademic.com/detail/journal_1000040871706410_392e.html
    [30] 胡曾曾, 赵志龙, 张贵祥. 非首都功能疏解背景下北京市人口空间分布形态模拟[J]. 地球信息科学学报, 2018, 20(2): 205-216 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201802009.htm

    Hu Zengzeng, Zhao Zhilong, Zhang Guixiang. Simulation and Projection of the Spatial Pattern of the Population in Beijing Under the Background of Non-Capital Function Extraction[J]. Journal of GeoInformation Science, 2018, 20(2): 205-216 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201802009.htm
    [31] Culik K I I, Hurd L P, Yu S. Computation Theoretic Aspects of Cellular Automata[J]. Physica D: Nonlinear Phenomena, 1990, 45(3): 357-378 http://www.onacademic.com/detail/journal_1000034570652310_3337.html
    [32] Durmusoglu Z O, Tanriover A A. Modelling Land Use/Cover Change in Lake Mogan and Surroundings Using CA-Markov Chain Analysis[J]. Journal of Environmental Biology, 2017, 38(5(SI)): 981-989 http://www.jeb.co.in/journal_issues/201709_sep17_spl/paper_15.pdf
    [33] 徐建华. 现代地理学中的数学方法[M]. 北京: 高等教育出版社, 2002

    Xu Jianhua. Mathematical Methods in Contemporary Geography[M]. Beijing: Higher Education Press, 2002
    [34] 杨玲莉. 2000~2014年黄河源区植被NDVI时空变化特征与气候变化响应分析[D]. 成都: 成都理工大学, 2016

    Yang Lingli. Spatial-Temporal Variation of NDVI and Analysis of Climate Response in the Source Region of the Yellow River from 2000 to 2014[D]. Chengdu: Chengdu University of Technology, 2016
    [35] 张明. 区域土地利用结构及其驱动因子的统计分析[J]. 自然资源学报, 1999, 14(4): 381-384 doi:  10.3321/j.issn:1000-3037.1999.04.018

    Zhang Ming. Statistical Analysis to Regional Land Use Structure and Its Driving Forces[J]. Journal of Natural Resources, 1999, 14(4): 381-384 doi:  10.3321/j.issn:1000-3037.1999.04.018
  • [1] 方志祥, 倪雅倩, 黄守倩.  融合Markov与多类机器学习模型的个体出行位置预测模型 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 799-806. doi: 10.13203/j.whugis20190404
    [2] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1989-1996. doi: 10.13203/j.whugis20200159
    [3] 康俊锋, 李爽, 方雷.  云环境下基于CA-Markov的土地利用变化预测方法 . 武汉大学学报 ● 信息科学版, 2020, 45(7): 1021-1026, 1034. doi: 10.13203/j.whugis20180319
    [4] 尹灵芝, 朱军, 王金宏, 李毅, 徐柱, 曹振宇.  GPU-CA模型下的溃坝洪水演进实时模拟与分析 . 武汉大学学报 ● 信息科学版, 2015, 40(8): 1123-1129. doi: 10.13203/j.whugis20140302
    [5] 祁春燕, 邱国庆, 张海荣.  底板突水预测模型的影响因素分析 . 武汉大学学报 ● 信息科学版, 2013, 38(2): 153-156,247.
    [6] 魏二虎, 李智强, 龚光裕, 张帅.  极移时间序列模型的拟合与预测 . 武汉大学学报 ● 信息科学版, 2013, 38(12): 1420-1424.
    [7] 王伦澈, 龚威, 张淼, 马盈盈.  武汉地区植被NPP动态监测研究 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 548-552.
    [8] 张娜, 毛飞跃, 龚威.  2009年武汉市植被净初级生产力估算 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1447-1450.
    [9] 李子阳, 郭丽, 顾冲时.  大坝监测资料的时变Kalman预测模型 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 991-995.
    [10] 刘国英, 茅力非, 王雷光, 秦前清.  基于小波域分层Markov模型的纹理分割 . 武汉大学学报 ● 信息科学版, 2009, 34(5): 531-534.
    [11] 岑奕, 张良培, 村松加奈子.  纪伊半岛地区植被净初级生产力的遥感应用研究 . 武汉大学学报 ● 信息科学版, 2008, 33(12): 1221-1224.
    [12] 朱元泓.  一种新的网目印刷光谱预测模型 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 654-657.
    [13] 杨国清, 刘耀林, 吴志峰.  基于CA-Markov模型的土地利用格局变化研究 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 414-418.
    [14] 晖, 卢健, 孙小芳.  人脸识别中嵌入式隐Markov模型结构的优化算法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(7): 573-575.
    [15] 潘国荣.  基于时间序列分析的动态变形预测模型研究 . 武汉大学学报 ● 信息科学版, 2005, 30(6): 483-487.
    [16] 刘耀林, 刘艳芳, 张玉梅.  基于灰色-马尔柯夫链预测模型的耕地需求量预测研究 . 武汉大学学报 ● 信息科学版, 2004, 29(7): 575-579,596.
    [17] 周世健, 赖志坤, 藏德彦, 鲁铁定.  加权灰色预测模型及其计算实现 . 武汉大学学报 ● 信息科学版, 2002, 27(5): 451-455.
    [18] 张景雄, 杜道生, 孙家抦.  用随机模拟方法建立矢量数据的误差模型 . 武汉大学学报 ● 信息科学版, 2000, 25(1): 49-54.
    [19] 万幼川, 李植生, 梁小民, 刘良明.  湖泊水质预测模型的建立及其应用 . 武汉大学学报 ● 信息科学版, 1996, 21(4): 375-381.
    [20] 陶本藻, 刘大杰.  参数估计的统一模型——广义Gauss-Markov模型 . 武汉大学学报 ● 信息科学版, 1990, 15(4): 76-84.
  • 加载中
图(7) / 表(3)
计量
  • 文章访问数:  76
  • HTML全文浏览量:  48
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-31
  • 刊出日期:  2021-11-05

一种净初级生产力格局模拟及预测耦合模型

doi: 10.13203/j.whugis20210063
    基金项目:

    国家自然科学基金 41471452

    中央高校基本科研业务项目 300102269201

    中央高校基本科研业务项目 300102299206

    陕西省重点研发项目 2020ZDLSF06-07

    作者简介:

    王丽霞,博士,副教授,主要从事环境遥感与GIS研究。zylxwang@chd.edu.cn

  • 中图分类号: P237; Q948.1

摘要: 净初级生产力(net primary productivity, NPP)不仅直接反映了植被群落的生产能力,而且是判定生态系统碳源与碳汇和调节生态过程的主要因子。提出一种耦合CASA(Carnegie-Ames-Stanford approach)模型与CA-Markov模型的方法,以渭河流域为例,基于CASA模型对NPP估算结果进行数值区间划分,以区间划分类型作为CA-Markov模型迁移演算的基础,对NPP在像元尺度上进行模拟及预测,反映其时空演化特征和机理,并预测现有模式下的生产力发展模型,为植被生态安全提供参考。结果表明,实验区内,CASA模型与CA-Markov模型的耦合具有较好的适用性,Kappa系数达到0.877 6,该耦合模型适用于探究现有环境驱动模式下的NPP时空演变。

English Abstract

王丽霞, 张海旭, 刘招, 张双成, 孔金玲, 高俪倩. 一种净初级生产力格局模拟及预测耦合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
引用本文: 王丽霞, 张海旭, 刘招, 张双成, 孔金玲, 高俪倩. 一种净初级生产力格局模拟及预测耦合模型[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
WANG Lixia, ZHANG Haixu, LIU Zhao, ZHANG Shuangcheng, KONG Jinling, GAO Liqian. A Coupling Model of Net Primary Productivity Pattern Simulation and Prediction[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
Citation: WANG Lixia, ZHANG Haixu, LIU Zhao, ZHANG Shuangcheng, KONG Jinling, GAO Liqian. A Coupling Model of Net Primary Productivity Pattern Simulation and Prediction[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1756-1765. doi: 10.13203/j.whugis20210063
  • 净初级生产力(net primary productivity,NPP)可表征陆地生态系统的质量状况,是碳循环的原动力,在全球变化及碳平衡中扮演着重要的角色[1],能够定量估算地球系统的支持能力、评估生态系统的可持续发展水平[2]。植被群落的生产能力除受植物本身的生物学特性、土壤特性限制外,主要还受环境因子的影响[3-4]。因此,深入探究全球变化背景下,植被生产力与现实环境的响应模式并预测其发展趋势,对于揭示区域生态环境演化规律,维系区域生态安全,建立人与自然和谐相处的发展模式具有重要意义。

    近年来,国内外学者对NPP的研究主要集中在以下3个方面:(1)将NPP作为评价指标,基于NPP的时空演变特征,探究生态环境演变规律[5-7]。(2)将气候因子作为主要驱动要素,探究NPP的响应机理[8-13],如文献[9]发现太阳辐射对热带地区的NPP波动具有决定性作用;文献[10]发现近20年来中国植被活动在增强,温度上升、夏季降水增加以及农业活动加强可能是其变化的主要驱动因素。(3)NPP计算模型的建立、应用和优化[14-18],如文献[16]将改进的杨氏混合模型融入NPP估算模型,有效提高了估算精度;文献[17]在高光谱数据模式分解方法的基础上,建立新的植被指数(vegetation index based on pattern decomposition,VIPD),根据地面植被光合成实验,建立有效光合成曲线NPP遥感估算模型,该模型能够有效地利用高光谱数据,且能较好地应用于温带植被研究。

    综上所述,目前基于NPP模型估算及对气象因子的响应研究已取得了一些成果[19-20],但对于NPP的预测研究较少,NPP对地形因子的响应规律方面仍有待深入研究[21-22]。因此,本文实验选取渭河流域为研究区域,采用CASA(Carnegie-Ames-Stanford approach)模型在像元尺度上探索气象因子和地形因子对NPP的驱动模式,并耦合具有时空迁移演算功能的CA-Markov模型[23],预测未来10年流域NPP的发展格局,得到一种结合模拟及预测功能的NPP演算模型,为植被生态环境预警与可持续发展提供科学参考。

    • 渭河流域(104°E~110°E,33°N~38°N)地处西北内陆干旱半干旱地区,属温带大陆性季风气候,流域植被与地形资源储备丰富,流域西部及渭河北山以北为黄土高原,中部为渭河谷地,南部为秦岭山地,地势西高东低。渭河流域也是西北典型的生态环境脆弱区,植被的过度开发利用已引发了水土流失、土地沙化、河道萎缩、水质下降等一系列生态环境问题。因此探究该流域的NPP演化特征,模拟其时空分布格局,对于流域植被的生态安全及发展规划具有较为深刻的现实意义。

    • 归一化植被指数(normalized difference vege-tation index,NDVI)来源于NDVI MOD13Q1数据集,本文利用MRT(moderate-resolution imaging spectroradiometer reprojection tools)进行数据预处理,对每月两幅NDVI数据采用最大合成法(maximum value coposites,MVC)进行合成,从而获取渭河流域2000—2015年的月时序NDVI数据集。

    • 数字高程模型(digital elevation model,DEM)数据来源于地理空间数据云。采用先进星载热发射和反射辐射仪全球数字高程模型(advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM)第二版数据,经预处理得到研究区DEM数据,并提取坡度和坡向信息,以便与NPP数据进行叠加分析。

    • 气象数据来源于中国气象数据网(http://data.cma.cn)提供的中国地面气候资料月值数据集,主要包括渭河流域及其周边31个气象站点的月平均气温、月平均降水量和日总太阳辐射。气象要素皆采用含边界的样条函数法进行空间插值得到,但流域内辐射站点较少,因此采用气象发生器在气象站点上模拟日总太阳辐射信息,使日总太阳辐射数据由7组增至38组,有效提高了空间插值细腻度。

    • 植被类型数据来源于中国科学院资源环境科学数据中心,本文实验使用2000年、2005年、2010年和2015年4期土地利用类型数据。对所获取数据进行栅格化,并依据文献[24]改进的CASA模型植被分类标准归类为常绿阔叶林、落叶阔叶林、常绿针叶林、落叶针叶林、灌丛、草丛、草甸、草原、栽培作物9种植被类型。

      以上数据均采用统一坐标系WGS_1984_ UTM _Zoe_48N,统一空间分辨率为250 m。

    • CASA模型是融合生态生理过程和光能利用率的生态-遥感耦合模型[25],是植被所能吸收的光合有效辐射(absorbed photosynthetic active radiation,APAR)和实际光能利用率。本文选用文献[24]改进后的CASA模型,该模型针对中国植被分布生产特征对相关参数进行了适宜性调整,从数据获取层提升了模型使用的区域适宜度,模型表达如下:

      NPPx,t=APARx,t×εx,t ]]>

      式中,APARxt为像元xt月份吸收的光合有效辐射;εxt为像元xt月份的实际光能利用率。其中,ε采用文献[26]提出的模型,综合考虑温度和水分对NPP的胁迫作用,并在此基础上,将植被覆盖分类引入模型[24],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。

      植被吸收的光合有效辐射取决于总太阳辐射和光合有效辐射分量(fraction of absorbed photosynthetically active radiation,FPAR),模型表达如下:

      APARx,t=Sx,t×FPARx,t×0.5 ]]>

      式中,Sxt为像元xt月份的总太阳辐射量;FPARxt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(波长为0.38~0.71 μm)占总太阳辐射的比例。其中FPAR和NDVI、比值植被指数(simple ratio,SR)表现出较好的线性关系:

      FPARx,t=min[SR-SRminSRmax-SRmin,0.95] ]]>

      式中,SRmin和SRmax分别对应各植被类型NDVI的5%和95%下侧百分位数[27];SRxt可由NDVIxt求得:

      SRx,t=1+NDVIx,t1-NDVIx,t ]]>

      式中,NDVIxt为像元xt月份的NDVI。

    • CA-Markov模型综合了元胞自动机(cellular automata,CA)模型模拟复杂系统空间变化的能力和马尔可夫(Markov)模型长期预测的优势[28]

      CA模型在时间和空间上,经样本训练得到训练函数,该函数表达了变量在元胞尺度上的状态改变规则[29-30],模型如下:

      St+1=f(St,N) ]]>

      式中,S为元胞有限、离散的状态集合;t为状态时刻;N为元胞的邻域;f为局部空间的元胞转化规则。

      Markov模型是具有无后效性的特殊随机运动过程,利用观察系统中离散状态之间的经验传递概率,确定系统各状态的变化趋势,从而预测未来的状态[31-32],模型表达如下:

      St+1=Pij×St ]]>

      式中,StSt+1分别表示tt+1时刻土地利用系统的状态;Pij为状态转移矩阵。

    • CA-Markov模型广泛用于土地利用变化的模拟和预测研究中,而植被是地表覆被的典型类型之一,因此,本文将CA-Markov模型与CASA模型进行离散耦合,实现对NPP估算结果的推演及预测。

      NPP与土地利用类型的图像数据属性相同,区别在于NPP图像中的数值变化具有连续性,无明显的类型区分,本文将CASA模型得到的NPP估算结果依据数值大小进行重分类,分为低度、较低、中度、较高、高度5种NPP覆盖类型,并作为CA-Markov模型中的元胞类型,利用各NPP覆盖类型的转移面积矩阵和条件概率影像确定元胞状态的转移规律,从而模拟和预测相同时间尺度间隔下NPP的时空分布格局。

    • 趋势分析是通过对一组随时间变化的变量进行线性回归分析,从而表达数据变化趋势的研究方法[33-34],模型表达如下:

      SlopNPP=n×i=1n(i×NPPi)-i=1nii=1nNPPin×i=1ni2-(i=1ni)2 ]]>

      式中,SlopNPP为NPP线性回归方程的斜率;i代表年序;n为实验时间跨度。本文实验中,n=16,依据SlopNPPF检验,可将NPP空间趋势变化分为5个等级:显著降低(Slop < 0,F > 8.53)、轻度降低(Slop < 0,4.49 < F≤8.53)、基本不变(F≤4.49)、轻度增加(Slop > 0,4.49 < F≤8.53)、显著增加(Slop > 0,F > 8.53),利用趋势分析方法,可以定量探究NPP的时间变化特征以及空间变化格局。

    • 简单相关系数又称皮尔逊相关系数,是描述两个变量间联系的程度[35]。计算公式如下:

      Rxy=i=1n(xi-x¯)(yi-y¯)i=1n(xi-x¯)2i=1n(yi-y¯)2 ]]>

      式中,Rxy为相关系数;xiyi分别代表变量xy在第i时期的值;x¯y¯代表变量xy的平均值;n为样本容量。相关系数的取值范围由负值到正值,正值代表变量之间呈正相关关系,负值代表变量之间呈负相关关系,相关系数的绝对值越大,变量之间的相关性越强。

      本文实验基于像元尺度,计算NPP与气象因子的相关性,并进行显著性检验。取显著性水平α=0.05和α=0.01,得fαn-2)=f0.05(14)= 0.497 3,fα(n-2)=f0.01(14)=0.622 6,根据相关系数的显著性将其分为6个等级:显著负相关(R < -0.622 6)、中度负相关(-0.622 6≤R < -0.497 3)、轻度负相关(-0.497 3≤R < 0)、轻度正相关(0 < R≤0.497 3)、中度正相关(0.497 3 < R≤0.622 6)、显著正相关(R > 0.622 6)。依此分类,探究长时间序列下气象因子对NPP的驱动作用。

    • 表 1为NPP及气象因子年际变化。由表 1可知,年际NPP总体呈增长趋势,其中,2010年NPP略低于2005年NPP;从气候因子的变化趋势来看,降水和气温变化呈现稳定的规律性,而太阳辐射在2010年略有下降,由此推测年际NPP对太阳辐射因子的响应更为敏感。

      表 1  NPP及气象因子年际变化趋势

      Table 1.  Interannual Variation Trend of NPP and Meteorological Factors

      年份/年 年均NPP/Mt C 年均气温/℃ 年均降水/mm 年均总太阳辐射/(MJ·m-2
      2000 44.420 7 9.718 52 38.992 9 467.109 9
      2005 58.954 3 9.589 80 42.731 8 484.857 7
      2010 57.991 5 9.895 10 44.351 2 464.569 5
      2015 69.041 5 10.177 50 41.860 8 478.836 4

      图 1为NPP及气象因子年内变化特征,由图 1可知,年内NPP变化具有显著季节性,变化曲线呈单峰型周期波动;年内NPP变化与物候呈良好的特征吻合,4月—10月为植被生长期,NPP数值相对较高,月均108.29 Mt C,其中6—8月水热状况最佳,通常在7月达到NPP峰值;11月至次年3月植被生长基本停滞,月均11.89 Mt C,通常在1月达到谷值。分析年内NPP与气象因子的响应关系发现,NPP对气温的响应最为敏感,两者可能具有较高相关性。

      图  1  NPP及气象因子年内变化特征

      Figure 1.  Annual Variation Characteristics of NPP and Meteorological Factors

    • 图 2为多年平均NPP变化,由图 2可知,空间上,NPP总体呈增长趋势,其中,49.57%的面积显著增加,广泛分布于陇西高原、黄土高原、泾河谷地和北洛河谷地;15.17%的面积轻度增加,其中包含秦岭山脉中段,该区域植被生产环境稳固,仍表现出NPP数值轻度增加;35.10%的面积基本不变,主要分布于北洛河谷地与关中平原,该区域多为城市群,受人为驱动作用强烈;显著降低与轻度降低像元占比较少,主要位于西咸交界处等新兴经济发展区,植被的数量配比和空间分布受人为因素影响较为强烈。

      图  2  多年平均NPP变化

      Figure 2.  Trend of Average NPP for Many Years

      水平方向上,NPP对气温和总太阳辐射的正向响应相比降水更为强烈。本文对NPP与气象因子进行了相关性分析及线性拟合,结果如图 3所示。由图 3可知,NPP与气温呈中部负相关、东西两侧显著正相关,R2为0.907 2,其中15~25℃为显著正相关的温度区间,该温区最适宜植被碳生产;NPP与总太阳辐射呈西南正、东北负的分布模式,总太阳辐射值在300~400 MJ/m2区间内,NPP与总太阳辐射的变化曲线高度拟合,该区域多呈显著正相关,主要分布于渭河宝鸡峡以上和渭河宝鸡峡至咸阳地区;NPP与降水呈西正、东负的分布模式,相对于气温和总太阳辐射的显著相关性,NPP与降水的相关性相对较弱,其线性拟合点集分布较为离散,显著正相关占比22.22%,主要分布于泾河张家山以上、渭河宝鸡峡以上与渭河宝鸡峡至咸阳。

      图  3  NPP与气象因子相关性分析及线性拟合

      Figure 3.  Correlation Analysis and Linear Fitting Between NPP and Meteorological Factors

      垂直方向上,NPP对海拔、坡度的响应相对坡向更为强烈。随着海拔上升,NPP与主要气象因子的变化趋势如图 4所示。由图 4可以看出,平原区(海拔小于200 m)NPP数值较高,该区域水热条件良好,降水充足,地势平坦,是农作物广泛分布的高产地区;丘陵区(海拔200~500 m)NPP数值随海拔缓慢增长,增速较平原区有所下降,且在该海拔区间内,气温与NPP变化曲线拟合度较好,是植被生产的主导因子;山地、高原区(海拔500~1 000 m)NPP数值呈先减后缓慢增加的趋势,该区域NPP变化与太阳辐射具有较好拟合度;山地、高原区(海拔1 500~3 000 m)NPP不断增长并达到峰值,该区域与降水、总太阳辐射皆有较好拟合度;海拔大于3 000 m为山地,多分布在秦岭,像元占比极小,仅为0.38%,与气象因子无明显相关性。

      图  4  NPP及气象因子随海拔变化情况

      Figure 4.  Variation of NPP and Meteorological Factors with Altitude

      NPP随坡度变化情况如图 5所示,可以看出,随着坡度增长,NPP变化趋势相对稳定,坡度0°~10°,NPP随坡度增长而缓慢增加,空间分布较为广泛,像元占比约81.25%;坡度10°~20°,NPP增速增加,空间分布较为离散,像元占比约15.11%;坡度20°~40°,NPP增速降缓,主要集中在秦岭与六盘山等地;坡度大于40°,NPP折线下滑,主要分布在山峰顶处,像元占比极小。

      图  5  NPP随坡度变化情况

      Figure 5.  Variation of NPP with Slope

    • 本文基于CA-Markov模型,选取2005年、2010年的NPP空间分布作为基础数据,模拟2015年NPP空间分布,并将模拟结果与CASA模型估算结果进行比对,通过叠置分析与Kappa精度验证,探究耦合模型在植被动态变化预测中的可行性。

      实验根据渭河流域NPP数值的统计特征,对CA-Markov模型的元胞状态进行定义,分为高度覆盖区(NPP > 1 450 Mt C)、较高覆盖区(1 200 Mt C < NPP≤1 450 Mt C)、中度覆盖区(950 Mt C < NPP≤1 200 Mt C)、较低覆盖区(545 Mt C < NPP≤950 Mt C)和低度覆盖区(NPP≤545 Mt C)。

      2005—2010年NPP数值等级类型的转移概率矩阵如表 2所示。由表 2可以看出,NPP较低覆盖区均有向较高覆盖区转移的动态变化,其中低度覆盖区与中度覆盖区向较高一级的迁移量超过了50%,流域植被覆盖整体有所改善。

      表 2  2005—2010年NPP状态转移概率矩阵

      Table 2.  NPP State Transition Probability Matrix from 2005 to 2010

      年份 等级 2010年
      低度 较低 中度 较高 高度
      2005年 低度 0.469 1 0.528 6 0.002 3 0 0
      较低 0.015 7 0.592 0 0.387 7 0.004 4 0.000 1
      中度 0.000 8 0.031 1 0.414 7 0.549 6 0.003 8
      较高 0 0.000 2 0.006 8 0.634 4 0.361 6
      高度 0 0 0 0.101 5 0.898 5

      以2005—2010年NPP状态转移概率矩阵和概率影像为变化规则,以2010年NPP空间分布图为基础数据,利用CA-Markov模型,得到2015年NPP空间分布模拟,结果见图 6。对比NPP的估算值和模拟值可知,Kappa系数达到0.877 6,表明在研究区,对于NPP的模拟和预测,CA-Markov模型具有较高的精度和较好的适用性。表 3为估算值和模拟值的混淆矩阵,可以看出,各NPP等级的正确像元模拟排序为高度覆盖区 > 较高覆盖区 > 低度覆盖区 > 中度覆盖区 > 较低覆盖区。

      图  6  2015年NPP估算与模拟分布

      Figure 6.  NPP Estimation and Simulation Distribution in 2015

      表 3  2015年NPP模拟结果与估算结果的混淆矩阵

      Table 3.  Confusion Matrix Between Simulated and Estimated NPP Results in 2015

      估算结果 等级 模拟图
      低度 较低 中度 较高 高度
      估算图 低度 294 049 41 144 443 4 0
      较低 75 560 958 328 134 689 447 0
      中度 547 57 481 389 226 11 956 119
      较高 4 29 626 186 521 2 003
      高度 0 0 5 17 8 354
    • 实验基于渭河流域2010年和2015年的NPP估算结果,运用CASA和CA-Markov耦合模型,模拟了流域2020年的NPP时空变化格局,并预测了2025年和2030年的NPP时空变化格局,结果如图 7所示。由图 7可以看出,在环境因素相对稳定变化的驱动下,流域NPP等级将主要向较高覆盖区转化,且空间分布主要位于泾河张家山以上及渭河咸阳至潼关地区。

      图  7  渭河流域2020年NPP空间格局的模拟结果以及2025年、2030年的预测结果

      Figure 7.  NPP Spatial Pattern in Weihe River Basin Simulated Results in 2020 and Predicted Results in 2025, 2030

    • 本文实验基于较长时间尺度、较大空间范围的数据集,耦合CASA模型与CA-Markov模型,通过长时间序列分析发现,渭河流域NPP不断向较高等级转化,且季节性显著;NPP对气象因子响应以正向相关为主,对海拔的变化较为敏感。CASA模型与CA-Markov模型的耦合效果良好,能够较好地应用于流域NPP的模拟和预测研究,对于理解流域植被时空演化特征和机理,促进流域生态安全具有现实意义。

      由于NPP的影响因素较为复杂,如水热组合状况、植被的生理生态特征等,同时各气象因子之间也存在相互作用,因此,为了探究单因子与NPP的相关关系,本文实验选取了主要气象因子构建一元回归模型,后续如果能开展基于复合因子的多元回归分析研究,对于深入探究气候变化模式下,NPP与环境因子的响应关系及相互作用机制会有更加深刻的意义。

参考文献 (35)

目录

    /

    返回文章
    返回