中国森林生态系统碳周转时间的空间格局(2)

单位

其他约束条件

ε* αL αW αR ξR1

0.0 2.76 g C MJ 1 0.0 1.0 无量纲量 0.0 1.0 无量纲量 0.0 1.0 无量纲量 0.0 1.0 无量纲量 0.0 1.0 无量纲量 0.0 1.0 无量纲量 0.0 0.5 无量纲量 0.0 0.5 无量纲量 0.0 0.1 无量纲量 0.0 0.1 无量纲量 0.0 0.1 无量纲量 0.0 10.0 0.0 500.0 0.0 100.0 0.0 100.0 0.0 100.0 0.2 2.0 0.5 5.0 0.0 100.0 0.0 250.0 0.0 500.0

年 年 年 年 年 年 年 年 年 年

11

2

αL+αW+αR=1

ξR>ξR>ξR

1

2

3

ξR2 ξR3 θF θC θS1 θS2 η τL τW τR1 τR2 τR3 τ

*τC *F

ξR+ξR+ξR=1

3

τL< τW

**τC>τF

*

τS

1***

τS<τS<τS

2

3

*

τS

2

*τS

3

力作用下粗凋落物转变成细凋落物的比例; θF与θC为细凋落物与粗凋落物的分配系数; θS1与θS2分别为上层与中层土壤有机碳的分配系数.

除土壤属性的影响外, 凋落物与土壤有机碳库的周转时间(τF, τC, τS1, τS2, τS3)还受气候因素和植被类型的影响. 气候条件和土壤属性由于影响土壤微生物的数量和活性, 因此, 它们会显著影响生态系统凋落物与土壤有机碳的周转时间. 而对不同的森林类型来说, 一方面, 不同森林类型的活体碳库(叶、茎、根)的周转时间存在明显差异, 另一方面, 不同森林类型的凋落物化学成分也存在差异(如木质素与氮的比值), 而它们也会影响凋落物的分解速度和周转时间[20]. 考虑到中国森林类型的差异, TECO-R模型依据1:400万植被图(地球系统科学数据共享网)将中国森林划分为5种类型, 即常绿阔叶林(EBF)、落叶阔叶林(DBF)、常绿针叶林(ENF)、落叶针叶林(DNF)以及混交林(MF), 对每种森林类型分别反演其相关参数. TECO-R模型考虑了气

[24]

候因素的空间差异性, 将与空间位置有关的特定格点的碳周转时间(τF, τC, τS1, τS2, τS3)转换成温度

*****, τC, τS, τS, τS): 与湿度校正后的周转时间(τF

123

τk=τ*k/(Ws Ts), k=F, C, S1, S2, S3, (12)

式中Ws与Ts分别为凋落物与土壤有机碳库周转时间的温度与湿度影响因子. 其中土壤湿度影响因子(Ws)通过月降水量(PPT)和CASA模型土壤湿度子模型模

拟的潜在蒸散量(PET)以及土壤湿度(SM)得出[23]:

PPT+SM

, (13a)

PET

Ws=0.1+0.9 SM, 0≤SM≤1, (13b)

SM=

Ws=1.0, 1<SM≤2, (13c)

Ws=[1.0+(1.0/28.0)] (0.5/28.0)SM, 2<SM≤30,

(13d)

Ws=0.5, 30≤SM. (13e)

而温度影响因子(Ts)基于CENTURY土壤碳模型[25], 由月平均温度估算得到:

635

碳循环论文1篇

周涛等: 中国森林生态系统碳周转时间的空间格局

1/(1+19e 0.16T),T<45℃

Ts= 10 0.2T,45≤T≤50℃ , (14)

0,T>50℃.

本研究中用于参数反演的各种观测数据(NPP、生物量、土壤有机碳储量)都是年尺度数据, 因此, TECO-R模型碳的分配与转换的参数都是基于年尺度. 但基于遥感数据的光能利用率子模型采用月尺度, 它的输入为月平均NDVI、温度、降水与太阳辐射, 输出为月平均NPP, 在此基础上得到年NPP, 然后在相关的碳库中进行分配.

可靠性的验证数据. 各观测数据的空间分布如图2所示. 为了估算平衡状态下的碳周转时间, 在参数反演时选取的均是受人类活动影响较小的成熟林样点, 这些样点的林龄除了落叶阔叶林大于80年外, 其余四种森林类型样点的林龄均大于100年.

用于本研究的其它辅助的空间数据包括: (1) 1982~1999年全国8 km分辨率AVHRR-NDVI月平均数据(Data and Information Services Center of Goddard Earth Science); (2) 1 km分辨率的月平均总辐射、温度、降水气候数据集[29]; (3) 1:1400万《中国土壤质地图》[30]; (4) 1:400万植被图(地球系统科学数据共享网). 所有的辅助数据在预处理中经过几何配准并重采样到相同的地理投影和相同的空间分辨率(0.08°). 考虑到不同森林样点的观测数据在时间上的细微差异, 同时为了消除气候因素年际波动性对NPP和生物量模拟的影响, 本研究中遥感数据与气候观测数据均采用多年月平均值.

1.2 数据

本研究使用的观测数据集共有13个: 3个NPP数据集[26](叶NPP、茎NPP、根NPP), 各包含228个数据点; 5个生物量数据集[26](叶生物量、茎生物量、3个地下层的根生物量), 各包含228个数据点; 2个由中国生态系统研究网络数据共享系统提供的凋落物数据集(细凋落物与粗凋落物), 各包含10个数据点; 3个地下层的土壤有机碳数据集[27,28], 各包含62个数据点. 在研究中, NPP、生物量、土壤有机碳等11个观测数据集用于参数反演, 而细凋落物与粗凋落物数据集的数据点较少, 它们主要作为反演参数

1.3 参数估计

参数的反演基于加权最小二乘法则, 即在参数空间中搜索最优参数使得基于最优参数的模拟结果与观测数据集之间的总误差最小. 考虑到不同植被

图2 用于参数反演的观测数据的类型及空间分布示意图

636

碳循环论文1篇

类型的差异, 参数估计算法针对5种森林类型分别进行. 给定森林类型, 针对某一个观测数据集(m)的偏代价函数(partial cost function)jm定义为该数据集各观测数据点与对应的模拟值的总偏差:

Njm

m=∑[ynm y

nm(x2n,a)], (15) n=1式中ynm是第m个数据集中第n个数据点的观测值;y

nm(xn,a)是对应数据点的模拟值. Nm是第m个观测数据集的数据点个数; xn为第n个数据点所在的空间格点的驱动数据向量温度、降水以及土壤质地等 , 包括NDVI、太阳辐射、

; a为待反演的参数向量

: a = {ε*

, αL, αW,αR, ξR1, ξR2, ξR3, τL, τW, θF,

θ, η, τ**τ***

CR1, τR2, τR3, τF, τC, S1, τS2, τS3

, θS1, θS2}, 各参数的含义如表1所示. 对于某个特定的观测数据集来说, 它包含了一个或多个相关参数的约束信息. 例如, 叶的NPP观测数据集可以直接用于约束参数ε*, αL, τL等的取值. 如果同时使用所有的观测数据集, 则22个参数均可以在一定程度上得到有效约束, 从而反演出最优的参数向量a. 在这种情况下, 针对于所有的观测数据集的总的代价函数

(integrated cost function)J可以表示为

J∑M

λ Nm= m

nm(xn,a)]2 ,m=1,2,",M, m=1 ∑[ynm y

n=1

(16)

式中M为用于参数反演的观测数据集个数, λm是偏代价函数(jm)的权重因子, 它是各观测数据集的方差的倒数[9].

为了保证反演得到的最优参数向量具有全局最优性, 本研究采用遗传算法来搜索最优参数向量[31], 其基本算法为: (ⅰ) 随机给定参数向量a的初始值; (ⅱ) 应用遗传算法(选择、杂交、突变)产生新的参数向量a; (ⅲ) 基于给定的参数向量, 利用式(2)~(11)计算平衡状态下(即dqi/dt = 0, i 表示图1中的各个碳库)的根茎叶的NPP及各碳库大小, 并与相应的观测数据结合计算偏代价函数(jm); (ⅳ) 计算总的代价函数(J); (ⅴ) 判断参数搜索中止条件(100次连续演化的总的代价函数的变化值小于0.001%). 如果满足中止条件, 则搜索过程结束, 否则转入步 …… 此处隐藏：3769字，全部文档内容请下载后查看。喜欢就下载吧 ……