李 蕓,王軼夫,*,孫玉軍,雷淵才,邵衛(wèi)才,李 杰

1 北京林業(yè)大學(xué)森林資源和環(huán)境管理國(guó)家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室, 北京 100083 2 中國(guó)林業(yè)科學(xué)研究院資源信息研究所,北京 100091 3 北京市通州區(qū)園林綠化局,北京 101121 4 北京市十三陵林場(chǎng),北京 102200

凈初級(jí)生產(chǎn)力(Net Primary Productivity,NPP)是綠色植物呼吸消耗后剩下的單位面積單位時(shí)間內(nèi)所固定的能量或所生產(chǎn)的有機(jī)物質(zhì),作為表征陸地生態(tài)過程的關(guān)鍵變量,能反映植物在自然狀態(tài)下的生產(chǎn)能力,是全球碳循環(huán)過程中的重要組成部分[1—4]。由于地形地貌和生物參數(shù)的復(fù)雜性,準(zhǔn)確估算大規(guī)模植被NPP一直較為困難,往往會(huì)采用生物量轉(zhuǎn)換成NPP作為實(shí)測(cè)值。目前,基于林木測(cè)樹因子構(gòu)建的異速生長(zhǎng)模型求算森林生物量和生產(chǎn)力被廣泛應(yīng)用[5]。在建立模型時(shí),通常將林木各組分(樹葉、樹枝、樹干、樹根)生物量與實(shí)際測(cè)樹因子(如胸徑D)分別擬合各組分生物量模型,并采用似乎不相關(guān)回歸建立總量及各組分可加性生物量模型,以解決各組分生物量模型間不相容性或不可加性[5]。隨著遙感技術(shù)的發(fā)展,高分辨率遙感衛(wèi)星影像估算NPP的方法被廣泛應(yīng)用,Thakur等[6]利用印度遙感衛(wèi)星(IRS-ID)LISS III傳感器數(shù)據(jù),選取歸一化植被指數(shù)等為自變量,建立了NPP光譜模型,用于估算熱帶森林NPP和生物量；Ji等[7]利用5個(gè)主要森林生態(tài)系統(tǒng)的NPP觀測(cè)數(shù)據(jù)、遙感數(shù)據(jù)建立基于統(tǒng)計(jì)學(xué)的多元回歸模型對(duì)中國(guó)森林NPP進(jìn)行估算,并分析了2000—2018年中國(guó)森林凈初級(jí)生產(chǎn)力變化及其驅(qū)動(dòng)因素。遙感數(shù)據(jù)往往只能估算較短時(shí)間的NPP,相對(duì)而言過程模型的優(yōu)勢(shì)在于能夠從機(jī)理上模擬植被生命過程及生物地球化學(xué)循環(huán)過程,已被國(guó)內(nèi)外廣泛應(yīng)用于NPP的模擬[8]。崔博超等[9]利用CASA模型并結(jié)合MODIS數(shù)據(jù)對(duì)2006—2016年塔里木河流域草地凈初級(jí)生產(chǎn)力時(shí)空分異特征進(jìn)行了研究；孫靜等[10]綜合考慮InTEC模型中干擾和非干擾因子,并嵌入林火數(shù)據(jù),重新模擬了塔河地區(qū)不同地位指數(shù)下的森林NPP及其與林齡的關(guān)系。Jiang等[11]將土壤熱模型(STM)整合到LPJ-DGVM模型中改進(jìn)了地表3 m內(nèi)的土壤溫度變化后對(duì)北極圈內(nèi)碳儲(chǔ)量和生產(chǎn)力的模擬；孫國(guó)棟[12]利用LPJ-DGVM模型對(duì)1981—1998 年中國(guó)區(qū)域潛在植被分布和碳通量進(jìn)行模擬；Sallaba等[1]利用LPJ-GUESS模擬了歐洲潛在自然植被當(dāng)前和未來氣候變化和CO2情景下的NPP。LPJ-DGVM全球動(dòng)態(tài)植被模型(Lund-Potsdam-Jena Dynamic Global Vegetation Model,下文簡(jiǎn)稱“LPJ模型”)作為目前被廣泛應(yīng)用的過程模型,已經(jīng)成為模擬大尺度(區(qū)域至全球)的植被地理分布、生產(chǎn)力和碳平衡以及預(yù)測(cè)氣候變化對(duì)陸地生態(tài)系統(tǒng)潛在影響的有效工具[13—16]。

吉林省位于全球變暖較為顯著的中高緯度帶,是中國(guó)重要的林業(yè)省份之一,在生態(tài)環(huán)境建設(shè)、碳匯管理乃至全球碳循環(huán)研究中占有重要地位[17—20]。落葉松(Larix)林是吉林省的代表性森林類型之一,也是我國(guó)重要的用材林?！吨袊?guó)森林資源報(bào)告(2014—2018)》顯示,吉林省落葉松林面積和蓄積分別占全省森林總面積和總蓄積的8.20%和5.60%。近年來,我國(guó)對(duì)落葉松林的生長(zhǎng)、結(jié)構(gòu)和生物量等開展了大量的調(diào)查和研究工作[21—23]。然而,關(guān)于吉林省落葉松林生產(chǎn)力動(dòng)態(tài)變化規(guī)律,目前尚缺乏全面系統(tǒng)的研究,本文旨在利用LPJ模型模擬吉林省落葉松林的生產(chǎn)力現(xiàn)狀,分析其時(shí)空格局,為吉林省落葉松林生產(chǎn)力和植被監(jiān)測(cè)研究提供參考依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

吉林省(121.63°—131.32°E,40.87°—46.30°N,圖1)位于我國(guó)東北地區(qū)中部,地處北溫帶,氣候多樣、地貌復(fù)雜,月均氣溫在-15—22 ℃之間,年降水量為400—800 mm,自東向西呈明顯的由濕潤(rùn)到半濕潤(rùn)再到半干旱氣候的變化趨勢(shì)。境內(nèi)主要山脈為大黑山、張廣才嶺、吉林哈達(dá)嶺等,以中部大黑山為界將全省分為中西部平原和東部山地,具有明顯的東南高、西北低的地勢(shì)。森林集中分布于中、東部山區(qū)和低山丘陵區(qū),喬木樹種以落葉松(Larix)、紅松(Pinuskoraiensis)、云杉(Piceaasperata)、樟子松(Pinussylvestrisvar.mongolica)等針葉樹種和蒙古櫟(Quercusmongolica)、白樺(Betulaplatyphylla)、楊樹(Popular)等闊葉樹種為主,灌木主要有粉枝柳(Salixrorida)、繡線菊(Spiraeasalicifolia)、忍冬(Lonicerajaponica)、榛子(Corylusheterophylla)等,草本以禾本科(Gramineae)、菊科(Compositae)為主。

圖1 研究區(qū)氣象站點(diǎn)及篩選落葉松樣地分布Fig.1 Distribution of weather stations and Larix sampling plots in study area

1.2 氣候數(shù)據(jù)

氣象數(shù)據(jù)來源于中國(guó)氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn),包括2000—2019年吉林省及其周邊100 km范圍內(nèi)的共41個(gè)氣象站點(diǎn)逐月數(shù)據(jù),采用Kriging插值法將離散的站點(diǎn)數(shù)據(jù)插值為連續(xù)的柵格數(shù)據(jù)。

圖2 研究區(qū)2000—2019年平均氣溫和年降水量的變化趨勢(shì)Fig.2 Trends of mean temperature and annual precipitation during 2000—2019 in study area

1.3 NPP遙感觀測(cè)數(shù)據(jù)

NPP遙感數(shù)據(jù)來源于2000—2019年的MOD17A3H數(shù)據(jù)產(chǎn)品(https://e4ftl01.cr.usgs.gov/),空間分辨率為500 m,單位為kg C/m2(下文統(tǒng)一換算為g C/m2)。

1.4 固定樣地實(shí)測(cè)數(shù)據(jù)

落葉松林固定樣地實(shí)測(cè)數(shù)據(jù)來自于吉林省第八次和第九次國(guó)家森林資源連續(xù)清查數(shù)據(jù)(下文簡(jiǎn)稱“連清”數(shù)據(jù)),調(diào)查時(shí)間為2009年和2014年,分布于幼齡林(25個(gè))、中齡林(37個(gè))、近熟林(14個(gè))和成熟林(20個(gè))共96個(gè)樣地。根據(jù)Dong等[24]和Wang[25]研究中的中國(guó)東北地區(qū)主要樹種生物量方程計(jì)算樣地內(nèi)樣木生物量,匯總并除以樣地面積得到樣地單位面積生物量。按照樣地前后兩時(shí)期的單位面積生物量之差乘以含碳率(統(tǒng)一采用0.5[26—27])再除以間隔期計(jì)算NPP年平均值。

1.5 LPJ-DGVM全球動(dòng)態(tài)植被模型

LPJ模型是模擬陸地生態(tài)系統(tǒng)的過程模型,從植被動(dòng)力學(xué)原理出發(fā),以植物光合生化反應(yīng)、冠層能量平衡、生物量異速生長(zhǎng)分配以及土壤水平衡等為基礎(chǔ),在同一個(gè)模型框架中逐柵格逐年地模擬生態(tài)系統(tǒng)植物的光合作用、呼吸作用、蒸發(fā)散等快反應(yīng)過程與資源競(jìng)爭(zhēng)、組織周轉(zhuǎn)、異速分配、凋落物分解等慢反應(yīng)過程,并且在模擬種群的建立與個(gè)體死亡過程中考慮了生態(tài)系統(tǒng)的自然干擾因素和自然死亡影響[4,15—16,28]。這些過程主要受模擬區(qū)域的環(huán)境條件、物種組成以及物種屬性的影響。根據(jù)物候、生理、形態(tài)特征不同,LPJ模型可以模擬8 種木本植物功能型(Plant Function Type,PFT)和2種草本植被功能類型。為了實(shí)現(xiàn)模擬單元中植被個(gè)體到種群的尺度轉(zhuǎn)換,模型以PFT平均個(gè)體為計(jì)算單元,每個(gè)模擬單元由一個(gè)或多個(gè)PFT組成,木本植物碳儲(chǔ)量按尺度轉(zhuǎn)換規(guī)則分配到4個(gè)植被組織庫(kù)(葉、邊材、心材和細(xì)根)以及地面凋落物庫(kù)、地下凋落物庫(kù)和兩個(gè)土壤碳庫(kù)中。植被光合作用是在冠層尺度上進(jìn)行計(jì)算的,并按照植被光合作用積累的有機(jī)物質(zhì)(即總初級(jí)生產(chǎn)力)扣除自身呼吸消耗量計(jì)算NPP(Sitch等[15]),計(jì)算公式如下:

NPP=GPP-Rm

(1)

式中,GPP為總初級(jí)生產(chǎn)力,Rm為植被自身呼吸消耗。

模型由氣候數(shù)據(jù)(包括月均溫、月降水量、月濕潤(rùn)天數(shù)、月日照百分率)驅(qū)動(dòng),同時(shí)需要輸入模擬區(qū)域的土壤屬性數(shù)據(jù)、大氣CO2濃度數(shù)據(jù)。氣象數(shù)據(jù)的獲取與處理見1.2,土壤屬性數(shù)據(jù)來自國(guó)際糧農(nóng)組織(Food and Agriculture Organization, FAO)的土壤數(shù)據(jù)集。由于模擬時(shí)間區(qū)間較短,研究區(qū)CO2濃度是利用夏威夷Mauna Loa站1951年至今觀測(cè)的全球平均大氣CO2濃度作為該研究區(qū)歷史平均濃度。植被分布最敏感的氣候因素為最冷月月均溫,只有實(shí)際月均溫在生長(zhǎng)溫度范圍內(nèi)并且達(dá)到生長(zhǎng)所需的積溫下限后該物種才會(huì)出現(xiàn),根據(jù)《植被圖》分類系統(tǒng)的二級(jí)單位(植被型),原LPJ模型將其定義為北方落葉針葉林與實(shí)際分布不符,本研究將落葉松林劃分為溫帶和寒溫帶落葉針葉林,并對(duì)其生物氣候限制參數(shù)進(jìn)行修正(見附表1)。

模型從裸地(無植被覆蓋)開始模擬,經(jīng)過1000年的“spin-up”過程使植被覆蓋和土壤碳庫(kù)達(dá)到平衡態(tài),本研究使用2000—2019年20年的氣候數(shù)據(jù)驅(qū)動(dòng)這一過程?？紤]到研究區(qū)的落葉松林均為天然次生林和人工林,在1001年時(shí)對(duì)模型進(jìn)行了“歸零”處理,即對(duì)4個(gè)植被組織庫(kù)(葉、邊材、心材和細(xì)根)的生物量歸零,凋落物碳庫(kù)和土壤碳庫(kù)均照常模擬,最后分齡組獲取落葉松林2000—2019年NPP進(jìn)行分析。

1.6 精度評(píng)價(jià)指標(biāo)

采用相關(guān)系數(shù)(R)、平均相對(duì)誤差(MRE)和平均絕對(duì)誤差(MAE)對(duì)LPJ模型模擬值與實(shí)測(cè)數(shù)據(jù)、遙感數(shù)據(jù)分別在NPP年均值和樣地尺度上的年均NPP進(jìn)行精度驗(yàn)證,其中高優(yōu)指標(biāo)R越大越好,低優(yōu)指標(biāo)MRE、MAE越小越好,計(jì)算公式如下:

(2)

(3)

(4)

1.7 變異系數(shù)

變異系數(shù)(Coefficient of Variation,CV)能夠反映地理要素隨時(shí)間的波動(dòng)程度[29],可以用來評(píng)估2001—2019年吉林省落葉松林NPP在時(shí)間序列上的穩(wěn)定性(式(5—6)):

(5)

(6)

1.8 變化趨勢(shì)分析

本文采用相關(guān)性分析法探究溫度、降水與吉林省落葉松林NPP的相關(guān)性；采用線性回歸分析,研究吉林省落葉松林NPP和氣候因子的年際變化趨勢(shì)[30—31],回歸方程斜率(β)代表研究區(qū)內(nèi)落葉松林NPP隨時(shí)間的變化趨勢(shì)(式(7),參數(shù)含義同上)。當(dāng)β>0時(shí),表示NPP隨時(shí)間變化呈上升趨勢(shì),反之,NPP則呈下降趨勢(shì),其值的大小反映了NPP上升或下降的速率。并采用P值檢驗(yàn)其相關(guān)性是否顯著,P>0.05為不顯著,P<0.05為顯著,P<0.01為極顯著。

(7)

(8)

其累計(jì)離差X(i,t)為:

(9)

極差R(t)定義為:

(10)

標(biāo)準(zhǔn)差為S(t)定義為:

(11)

R(t)、S(t)和t滿足一般關(guān)系式(式(12)):

R(t)/S(t)=c×tH

(12)

式中,c為常數(shù),R(t)/S(t)為重標(biāo)極差,H為Hurst指數(shù),能夠反映NPP時(shí)間序列均值的累計(jì)離差隨時(shí)間變化,其值介于0—1之間,可采用最小二乘法擬合求得。若H>0.5時(shí),表明該時(shí)間序列具有持續(xù)性,即時(shí)間序列過去與未來有正的長(zhǎng)期依賴性,且H越接近1持續(xù)性越強(qiáng)；若H=0.5,表明該序列為隨機(jī)序列,即過去與未來沒有任何相關(guān)性；若H<0.5,說明該時(shí)間序列具有反向持續(xù)性,即過去減小的趨勢(shì)可能會(huì)使未來出現(xiàn)增長(zhǎng)趨勢(shì),且H越接近0反持續(xù)性越強(qiáng)。

2 結(jié)果與分析

2.1 模型精度驗(yàn)證

將LPJ模型模擬的吉林省落葉松林NPP與NPP遙感數(shù)據(jù)和樣地實(shí)測(cè)數(shù)據(jù)進(jìn)行比較分析,結(jié)果表明,LPJ模型模擬的2000—2019年吉林省落葉松林NPP為450—788 g C m-2a-1,年均值為592 g C m-2a-1,年均增長(zhǎng)率為2.81%,略大于NPP遙感數(shù)據(jù)的年均增長(zhǎng)率(1.86%),均值為626 g C m-2a-1,但無顯著差異(P>0.05)。由表1可知,2000—2019年LPJ模擬值與NPP遙感數(shù)據(jù)的MRE(10%)和MAE(50 g C m-2a-1)均比與樣地實(shí)測(cè)值的MRE(41%)和MAE(168 g C m-2a-1)小,表明LPJ模型模擬值在年均值上與NPP遙感數(shù)據(jù)較接近。

表1 精度評(píng)價(jià)表

對(duì)LPJ模型模擬值與實(shí)測(cè)值、NPP遙感數(shù)據(jù)在樣地尺度上的年均NPP進(jìn)行精度驗(yàn)證(見表1),2000—2019年各樣地LPJ模型模擬年均NPP值與遙感數(shù)據(jù)有極顯著相關(guān)性(R=0.662,P<0.01),2009—2014年LPJ模型模擬年均NPP值與實(shí)測(cè)NPP亦極顯著相關(guān)(R=0.748,P<0.01)；2000—2019年LPJ模擬與遙感數(shù)據(jù)的MRE和MAE較小,兩者結(jié)果相近,而2009—2014年LPJ模擬值與實(shí)測(cè)值的MRE和MAE較大,表明兩者估算結(jié)果差異較大。這是因?yàn)閷?shí)測(cè)值中未包含灌草的生產(chǎn)力且LPJ模擬中未考慮人類活動(dòng)如新植和采伐等,另一方面該實(shí)測(cè)值為2009—2014年各樣地的平均值,并非當(dāng)年的實(shí)測(cè)值。

2.2 吉林省落葉松林NPP空間格局分布

2019年吉林省落葉松林NPP空間分布存在較大差異(圖3),吉林省北部和南部即吉林市和白山市落葉松林NPP較高,高于800 g C m-2a-1,而東北部和東南部NPP較低,普遍小于600 g C m-2a-1,一方面因?yàn)樵搮^(qū)域海拔較高,水熱條件較差,另一方面可能與該區(qū)域落葉松林多為幼齡林有關(guān)。LPJ模擬吉林省落葉松林NPP年均值變化范圍為-13—47 g C m-2a-1(圖3),存在明顯的空間異質(zhì)性。2000—2019年NPP增加的區(qū)域占落葉松林面積的63.5%,北部區(qū)域近20年NPP增長(zhǎng)較快,高于40 g C m-2a-1,而撫松縣、安圖縣等東南部少數(shù)樣地NPP略有下降。

圖3 2019年吉林省落葉松林NPP空間分布及2000—2019落葉松林NPP空間變化Fig.3 Spatial distribution of Larix forests NPP in 2019 and spatial variation from 2000 to 2019NPP: 凈初級(jí)生產(chǎn)力Net primary productivity

2.3 吉林省落葉松林NPP年際變化

圖4 LPJ模型模擬的2000—2019年吉林省落葉松林NPP與NPP遙感數(shù)據(jù)年際變化Fig.4 Interannual variation of Larix forests NPP simulated by LPJ model and NPP remote sensing data from 2000 to 2019

分析2000—2019年吉林省落葉松林年均NPP(如圖4),與NPP遙感數(shù)據(jù)變化趨勢(shì)一致,LPJ模型模擬值隨時(shí)間變化呈波動(dòng)上升趨勢(shì),線性趨勢(shì)回歸方程的R2分別為0.784和0.386。NPP隨時(shí)間變化整體上先減小后增加,最小值出現(xiàn)在2002年,為450 g C m-2a-1,可能是因?yàn)榇饲叭祟惗钙麻_荒以及城鎮(zhèn)建設(shè)等無序活動(dòng)導(dǎo)致植被退化嚴(yán)重,此外,落葉松正處于幼齡林階段也是可能原因之一[33]。

為了分析吉林省落葉松林NPP穩(wěn)定性,計(jì)算2000—2019年各樣地落葉松林NPP的變異系數(shù),系統(tǒng)分析各樣地落葉松林NPP時(shí)間波動(dòng)特征。總體來看,NPP變異系數(shù)為0.07—2.33,均值為0.48,吉林省落葉松林NPP整體上趨于穩(wěn)定,生態(tài)系統(tǒng)受自然災(zāi)害和人為干擾小,處于正向演替狀態(tài)。從局部看,位于敦化市和汪清縣范圍內(nèi)的落葉松林NPP變異系數(shù)較大(圖5),從圖2可知,該范圍內(nèi)落葉松林多為幼齡林,平均CV(1.51)明顯大于其他各齡組平均CV(約0.1),故其前后時(shí)期年均NPP差異較大。

圖5 2000—2019年吉林省落葉松林NPP變異系數(shù)Fig.5 Coefficient of Variation of Larix forests NPP in Jilin Province from 2000 to 2019

圖6 2000—2019年吉林省落葉松林不同齡組NPP年際變化Fig.6 Interannual variation of different age groups of Larix forests NPP in Jilin Province from 2000 to 2019

為了解吉林省落葉松林NPP在2000—2019年的生長(zhǎng)趨勢(shì)及其強(qiáng)度,本研究通過β值來分析NPP變化,并進(jìn)行F檢驗(yàn)。結(jié)果表明,吉林省落葉松林NPP近20年總體上處于顯著增長(zhǎng)趨勢(shì)(β=14.55,R2=0.784,P<0.05,圖4),年均增長(zhǎng)量為12.81 g C m-2a-1。這種增長(zhǎng)趨勢(shì)在不同齡組森林中不盡相同(如圖6),幼齡林(β=48.43,R2=0.837,P<0.05)和中齡林NPP(β= 7.18,R2=0.379,P<0.05)增長(zhǎng)趨勢(shì)顯著,也佐證了幼齡林生長(zhǎng)向好而導(dǎo)致其平均CV較大；此外,幼齡林NPP在近20年來小于其他齡組,這也反映出吉林省東北部和東南部NPP較低的格局。而近熟林(β=-1.95,R2=0.046,P>0.05)和成熟林(β=-0.55,R2=0.004,P>0.05)NPP均稍有下降,結(jié)合齡組分布,可以解釋空間格局中安圖縣等少數(shù)東南地區(qū)落葉松林的NPP有下降趨勢(shì)這一現(xiàn)象。綜上,幼、中齡林是吉林省落葉松林NPP增長(zhǎng)的主要貢獻(xiàn)者。而根據(jù)《中國(guó)森林資源報(bào)告(2014—2018)》,吉林省落葉松林幼、中齡林面積占全省落葉松面積的61.38%,因此,加強(qiáng)對(duì)幼、中齡林的經(jīng)營(yíng)管理,進(jìn)一步提高森林質(zhì)量至關(guān)重要。

吉林省落葉松林NPP的Hurst指數(shù)介于0.441—0.849之間,均值為0.612,將Hurst指數(shù)結(jié)果劃分為強(qiáng)持續(xù)性(0.75幼齡林(0.618)>近熟林(0.462)>成熟林(0.441),可知中幼齡林NPP未來將持續(xù)上升,而成熟林和近熟林NPP未來變化趨勢(shì)呈弱反持續(xù)性,由此可以判斷未來吉林省落葉松林NPP呈增加趨勢(shì)。

2.4 吉林省落葉松林NPP對(duì)氣候變化的響應(yīng)

分析2000—2019年吉林省落葉松林NPP與溫度、降水的年際變化,年均溫和年降水均隨時(shí)間變化稍有上升趨勢(shì)(圖7)。2000—2019降水量波動(dòng)較大,在2010年出現(xiàn)最大值；而溫度是在2010年之前有較大波動(dòng),隨后逐漸上升。

圖7 2000—2019年吉林省落葉松林NPP與降水、溫度的年際變化Fig.7 Interannual variation of Larix forests NPP and precipitation and temperature from 2000 to 2019

分析2000—2019年吉林省落葉松林NPP對(duì)當(dāng)年氣候因子(溫度、降水)以及生長(zhǎng)季(5—10月)氣候之間的關(guān)系表明(如圖8),年均NPP與年總降水之間無顯著相關(guān)性(R=0.063,P>0.05),與年均溫之間為顯著正相關(guān)(R=0.446,P<0.05)。NPP與生長(zhǎng)季降水量亦無顯著相關(guān)性,但與生長(zhǎng)季均溫呈極顯著正相關(guān)(R=0.673,P<0.01)?？傮w上,在2000—2019年期間,溫度比降水更能對(duì)模型模擬的吉林省落葉松林NPP的年際變化產(chǎn)生影響。

圖8 吉林省落葉松林NPP與降水、溫度的相關(guān)性Fig.8 Correlation between NPP and precipitation and temperature of Larix forests in Jilin Province

3 討論

3.1 吉林省落葉松林NPP模擬

LPJ模型模擬的吉林省植被分布與實(shí)際分布基本一致,落葉松林主要分布于吉林省東部山區(qū)和中部低山丘陵區(qū),接近NPP實(shí)測(cè)值,模型模擬效果良好。對(duì)比其他方法對(duì)落葉松林NPP的模擬(見表2),與NPP遙感數(shù)據(jù)接近且無顯著差異,但略低于何麗鴻[22]采用BIOME-BGC模型對(duì)東北地區(qū)長(zhǎng)白落葉松林1998—2010年凈初級(jí)生產(chǎn)力的模擬值,同時(shí)其研究也表明,BIOME-BGC模型模擬值較其樣地實(shí)測(cè)NPP偏高,且模型的研究范圍、參數(shù)設(shè)置以及數(shù)據(jù)源不同也會(huì)對(duì)模擬結(jié)果產(chǎn)生差異。此外,對(duì)比趙東升等[3]利用LPJ模型對(duì)中國(guó)自然植被凈初級(jí)生產(chǎn)力研究中長(zhǎng)白山等森林地區(qū)的NPP為600—700 g C m-2a-1,與本研究結(jié)果基本一致。

表2 2000—2019年LPJ模型模擬落葉松林NPP與其他研究對(duì)比/(g C m-2 a-1)

3.2 吉林省落葉松林NPP對(duì)氣候變化的響應(yīng)

本研究發(fā)現(xiàn)吉林省落葉松林NPP與年均溫、生長(zhǎng)季均溫呈正相關(guān),與降水則不顯著,與何麗鴻[22]利用BIOME-BGC模型對(duì)東北地區(qū)長(zhǎng)白落葉松林NPP對(duì)氣候變化的響應(yīng)一致,但李潔等[34]利用CEVSA模型模擬東北地區(qū)平均NPP與近50年的氣候研究表明其與降水呈顯著正相關(guān)。對(duì)比張鳳英等[35]對(duì)長(zhǎng)江流域森林NPP對(duì)氣候變化的響應(yīng)發(fā)現(xiàn),該區(qū)域內(nèi)氣溫比降水更能對(duì)NPP產(chǎn)生影響,表明不同的地形地貌以及植被類型下的NPP對(duì)氣候的響應(yīng)不同。本研究以年為步長(zhǎng)輸出的NPP模擬值在與氣候因子進(jìn)行相關(guān)性分析時(shí),將NPP年均值與溫度、降水年平均值以及生長(zhǎng)季的均溫和降水進(jìn)行分析,在相關(guān)性上并不十分顯著,研究表明[22],當(dāng)月NPP與當(dāng)月的氣候存在顯著相關(guān)性,可以考慮在以后的研究中將模擬的后幾十年NPP以月值輸出,以便更好的與氣候因子進(jìn)行分析。Ji等[7]對(duì)中國(guó)森林NPP與氣候因子響應(yīng)研究表明,NPP與降水的相關(guān)性較大,其次是溫度；而孔蕊等[36]和Liu等[37]分別對(duì)長(zhǎng)江流域和廣西森林NPP的研究中發(fā)現(xiàn)溫度比降水更能對(duì)NPP產(chǎn)生重要影響,因此在研究NPP與氣候的相關(guān)性時(shí)區(qū)分研究區(qū)是必要的。此外,模型中NPP的輸出不光與溫度、降水兩個(gè)重要?dú)夂蛞蜃酉嚓P(guān),還與最冷月氣溫、最暖月氣溫、年均相對(duì)濕度、日照時(shí)數(shù)、日照百分率等有關(guān),研究表明[38],利用主成分分析法分析草地生態(tài)系統(tǒng)碳儲(chǔ)量的氣候敏感性時(shí),其敏感性順序?yàn)槟杲邓?日照百分率>日照時(shí)數(shù)>3—5月的降水量>最暖月氣溫>最冷月氣溫>年均溫>6—8月降水量,可見,對(duì)于草地生態(tài)系統(tǒng)來說,日照百分率比降水和溫度對(duì)NPP的貢獻(xiàn)率更大,但對(duì)于不同的森林生態(tài)系統(tǒng)是否也是這個(gè)貢獻(xiàn)率排序,有待研究。

3.3 模擬的不確定性分析

由于數(shù)據(jù)的限制,本研究的結(jié)果可能存在一定的不確定性。首先,用于檢驗(yàn)的實(shí)測(cè)數(shù)據(jù)在篩選的過程中,可能存在一定的誤差；其次,LPJ模型中部分生理生態(tài)參數(shù)參考了前人研究中的設(shè)置,在一定程度上對(duì)模擬結(jié)果產(chǎn)生影響；第三,模型未考慮人類活動(dòng)對(duì)NPP模擬的影響,從而忽略了天然林保護(hù)工程等生態(tài)建設(shè)對(duì)NPP增長(zhǎng)的積極作用,而考慮了人為因素的NPP遙感數(shù)據(jù)在近20年的均值大于LPJ模型模擬均值,也說明了這一點(diǎn)。第四,LPJ模型模擬結(jié)果的分辨率為0.1°×0.1°,而NPP遙感數(shù)據(jù)的分辨率為500 m×500 m,樣地的大小為0.06 hm2,不同尺度數(shù)據(jù)之間的轉(zhuǎn)換也給模擬結(jié)果帶來一定差異。

LPJ模型作為一個(gè)含有眾多生理生態(tài)參數(shù)的生態(tài)過程模型,在針對(duì)更小尺度植被凈初級(jí)生產(chǎn)力進(jìn)行估算時(shí),需考慮研究區(qū)的地形地貌、氣候?qū)傩砸约把芯课锓N本身生理生態(tài)屬性因地因種的改進(jìn)模型,例如,根據(jù)區(qū)域內(nèi)不同優(yōu)勢(shì)樹種針對(duì)性的改進(jìn)其平均個(gè)體屬性,如平均單株樹木葉面積與邊材橫截面積的關(guān)系,胸徑與樹高、冠幅的關(guān)系,以及四個(gè)活組織碳庫(kù)(葉、細(xì)根、邊材、心材)的生物量分配,以使模型有更好的局地適用性和更高的精確度,也是今后研究方向之一。

4 結(jié)論

本文基于2000—2019年吉林省及其100 km緩沖區(qū)內(nèi)41個(gè)氣象站點(diǎn)資料采用LPJ模型模擬了2000—2019年吉林省落葉松林近20年的凈初級(jí)生產(chǎn)力時(shí)空變化及其對(duì)氣候因子的響應(yīng),結(jié)論如下:

(1)LPJ模型模擬吉林省落葉松林2000—2019年NPP與樣地實(shí)測(cè)值極顯著相關(guān)(R=0.748,P<0.01),可以用于模擬吉林省落葉松林的NPP。2000—2019年年均NPP為592 g C m-2a-1,年均增長(zhǎng)率為2.81%,隨時(shí)間推移呈現(xiàn)波動(dòng)增長(zhǎng)的趨勢(shì)(β=14.55,R2=0.784)。最大值出現(xiàn)在2018年,為788 g C m-2a-1,最小值為2002年的450 g C m-2a-1,與遙感數(shù)據(jù)無顯著差異。

(2)除幼齡林外,2000—2019年吉林省落葉松林NPP在時(shí)間上趨于穩(wěn)定,NPP變異系數(shù)為0.07—2.33,均值為0.48,整體波動(dòng)較小。Hurst指數(shù)介于0.441—0.849之間,均值為0.612,未來吉林省落葉松林NPP呈增加趨勢(shì)。

(3)吉林省落葉松林NPP存在明顯的空間異質(zhì)性,吉林省北部和南部區(qū)域NPP較高(大于800 g C m-2a-1),也是近20年NPP增長(zhǎng)較快的區(qū)域,東北部和東南部邊界NPP則較低,普遍小于600 g C m-2a-1。

(4)2000—2019年吉林省落葉松林年均NPP與年總降水和生長(zhǎng)季降水量之間均不顯著(P>0.05),與年均溫之間為顯著正相關(guān)(P<0.05),與生長(zhǎng)季均溫之間為極顯著正相關(guān)(P<0.01)。該階段內(nèi)年均溫比年降水量更能對(duì)吉林省落葉松林NPP的年際變化產(chǎn)生影響。