论文部分内容阅读
青藏高原以其海拔高、面积大而被称为世界“第三极”,对区域气候和全球环境产生重大影响。准确估算青藏高原高寒草地植被净初级生产力是开展NPP对气候变化研究的前提。青藏高原特殊的冻土、高寒环境导致主流的NPP估算模型在这里不适用,估算结果的时空分辨率也大相径庭。因此对于青藏高原高寒草地NPP估算模型的改进或寻求不同场景下最适用的NPP估算方法迫在眉睫。本文在机理过程模型、耦合模型以及机器学习算法中分别选择了Biome-BGC模型、BEPS模型、随机森林算法。Biome-BGC模型机理性强,但模拟过程中没有考虑青藏高原多年冻土区独特的冻融循环过程且仅适用于站点,本研究将Biome-BGC模型进行了改进;BEPS模型的优势在于能够耦合遥感数据;随机森林能够处理高维特征的输入样本,对于缺省值能够获得较好的结果。运用这三个模型估算了20002018年青藏高原高寒草地NPP,从模型估算精度、输入参数、时空分辨率、模型易用程度等多种方面对估算结果进行比较,结论如下:通过改进的Biome-BGC模型提高了NPP估算的精度,年NPP估算结果验证精度依次为随机森林、改进的Biome-BGC模型、BEPS模型。随机森林估算的时间分辨率为年,BEPS模型输出结果的时间分辨率为8天,Biome-BGC模型输出结果的时间分辨率为每天。三种模型中随机森林最为简单易用,BEPS模型居中,Biome-BGC模型要求最高。模型的选择根据需要而定,如果需要更高的时间分辨率不计时间成本则采用Biome-BGC模型,要更快估算速度对时间分辨率要求不高时则采用随机森林算法,综合两者则选择BEPS模型。青藏高原高寒草地NPP时空分布特征为:20002018年Biome-BGC模型估算的青藏高原高寒草地年均NPP为128.86 gC·m-2·a-1,总量为253.83 TgC·a-1。BEPS模型估算的年均值为141.39 gC·m-2·a-1,总量为278.51 TgC·a-1。随机森林估算算的年均值为119.91 gC·m-2·a-1,总量为236.21 TgC·a-1。年均NPP呈东南向西北递减的空间格局。研究时段内三种模型估算的青藏高原高寒草地NPP均呈增加趋势,年均增速分别为0.2 gC·m-2·a-1、0.34 gC·m-2·a-1、1.39 gC·m-2·a-1。Biome-BGC模型估算结果中青藏高原高寒草地NPP增加的占32.30%,BEPS模型估算结果中NPP增加的占17.02%,随机森林估算结果中NPP增加的占25.87%。青藏高原高寒草地NPP的年内变化可分为四个阶段。第一阶段NPP逐渐上升,第二阶段NPP平稳发育且达到最高值。第三阶段NPP迅速下降,下降速率高于第一阶段的上升速率。第四阶段NPP较为平稳,基本为0。青藏高原高寒草地NPP对气候因子年际响应中气温呈显著性的占24.69%,降水占4.54%,辐射占7.04%,说明气温是高寒草地生长的主导因子。NPP对气候因子的年内响应关系为:3161天左右植被范围开始扩展,气温和降水控制着青藏高原高寒草地的生长;91121天左右受气温、降水和辐射三种因素的共同作用,相关系数都很高;121151天,辐射和气温对整个高寒草地生长的影响减弱,降水对植被生长的影响逐步增强;181211天高寒草地的生长由气温和降水的控制逐步转向为气温和辐射控制;从271天开始,植被范围开始逐步缩减;331361天植被范围退缩至藏东川西区和藏南谷地区最南部,受到气温和降水的共同影响。