1 引 言
从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] 。每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] 。准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] 。
传统研究Re 有两种比较常用的观测方法,分别是涡度相关法和静态箱/气相色谱法。这两种观测方法虽然可以对Re 进行直接观测,但是箱式观测法费时费力[7 ] ,并且还会受到箱内外温差和箱内气压状况等因素的限制[8 ] ,同时难以获得连续的时间和空间数据,会导致Re 观测的不确定性[9 ] 。同时,涡度相关法只能在有限的站点进行观测。这两种观测方法均不适用于区域乃至全球的Re 估算,在这种情况下,通过模型模拟Re 成为了一种较为可行的方法。
传统估算Re 的模型可以分为3类:统计模型、参数模型和过程模型[10 ] 。但是传统的模型均存在各种缺点,例如统计模型Chikugo模型,虽然计算简单实用,但因缺乏植物生态学的理论基础而导致估算结果误差大;过程模型CENTURY和BIOME-BGC模型,虽然过程机理清楚,但模型结构过于复杂[11 ] 。随着遥感和GIS技术的快速发展,遥感模型成为估算区域Re 的新方法。
卫星遥感观测不但能够以固定的频率对生态系统要素进行采样,实现重复观察,获得连续的时间和空间数据,还可以实时实地、大范围直观地反映植被Re 的时空变化,观测范围能够覆盖区域乃至全球[12 ,13 ] ,是模拟Re 的有效途径。在Re 模型中引入遥感参数,可以简化计算,并且减少了大量的试验工作,避免了研究者对研究对象的直接干扰[14 ] 。除此之外,相比于其他模型,遥感模型可以应用于模拟区域乃至全球尺度上的Re 。所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点,遥感模型在模拟不同区域的Re 方面发挥着重要的作用[13 ] 。
现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等。VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] 。虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] 。C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] 。DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] 。相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点。因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点。
2 数据和方法
2.1 研究站点
C-Flux模型、ReRSM模型和TPGPP模型共模拟了24个站点(52个站年),包括5种植被类型:农作物(CROP)、落叶阔叶林(DBF)、常绿针叶林(ENF)、草地(GRASS)和混交林(MF)。表1 为研究站点的详细信息。
2.2 数 据
2.2.1 卫星遥感数据
MODIS网站(https://modis.gsfc.nasa.gov )的MOD15A2H产品(空间分辨率500 m,时间分辨率8 d)为本研究站点叶面积指数(Leaf Area Index,LAI)的数据源,采用三次样条函数对MODIS LAI产品数据进行平滑[18 ] ,消除其因云层影响而导致的明显数据短期波动现象。利用MOD09A2产品的地表反射率数据(空间分辨率500 m,时间分辨率8 d)计算陆地表面水分指数(Land Surface Water Index,LSWI),LSWI的计算公式如下:
L S W I = ρ n i r - ρ s w i r ρ n i r + ρ s w i r (1)
其中:ρnir 是近红外波段的反射率,ρswir 是短波红外波段的反射率。
2.2.2 站点观测数据
从fluxnet网站下载站点数据(http://fluxnet.ornl.gov/ ),站点气象数据包括日均空气气温Ta (℃)、最低空气气温Tamin (℃)、总光合有效辐射PAR、日均饱和水汽压差VPD(hPa)、土壤温度Tsoil (℃)、土壤含水量SW (%)和降水量P (mm),站点通量数据包括总初级生产力GPP(gCm-2 d-1 )和Re (gCm-2 d-1 ),其中,Re 使用Lolyd&Taylor方法进行夜间生态系统呼吸速率缺失数据的插补和白天Re 的估算[19 ] 。
R e = R r e f × e E 0 ( 1 T r e f - T 0 - 1 T - T 0 ) (2)
其中:Rref 为参考温度Tref (℃)下呼吸速率(g C m-2 d-1 ),E0 为活化能(J·mol-1 );参考温度Tref 取为10 ℃;T0 为温度试验常数,取-46.02 ℃;T 为空气温度(℃)。
2.3 研究方法
2.3.1 C-Flux模型
C-Flux模型综合考虑了温度、水分和土壤有机碳对Re 的影响。将Re 分为自养呼吸Ra 和异养呼吸Rh ,Ra 分为维持呼吸Rm 和生长呼吸Rg :
R m = R m _ b a s e × Q 10 T a i r - 20 10 × 1 ( - k ) × ( l o g ( 1 - F P A R ) ) (3)
R g = ( G P P - R m ) × R g _ f r a c (4)
其中:R m _ b a s e 表示维持呼吸基础呼吸速率,Q10 取值2.0,Tair 表示天平均气温(℃),k 为辐射衰减系数,取值0.5,FPAR表示植被上层吸收的光合有效辐射(%),Rg_frac 表示可用于生长呼吸的碳分量,取值0.33[20 ] 。异养呼吸(Rh )表示如下[20 ,21 ,22 ] :
R h = R h _ b a s e × S S T h × S S W h × S S A h × F P A R h (5)
S S T h = e R h _ c o e f _ a × T s o i l (6)
S S W h = 1 - b × e - c × S W d (7)
S S A h = a [ 0.5 + b × e c × a g e + 0.5 × 1 - d a g e (8)
其中:R h _ b a s e 表示异养呼吸基础速率,SSTh 表示土壤温度的影响,SSWh 表示土壤可获得水分的影响,SSAh 表示站点年龄的影响。Rh_coef_a 不同植被类型取值不同,T_soil 表示土壤温度;对于所有植被类型b =0.86,c =-1.26,d =0.7486,SW表示土壤可获得水分百分比(0~1),当SW>0.5时表示水分无影响;a =0.379,b =2.14,c =-0.158,d =0.9824,age 表示树龄[21 ] 。
R e = R m _ b a s e × Q 10 T a i r - 20 10 × 1 ( - k ) × ( l o g ( 1 - F P A R ) ) + G P P - R m × R g f r a c + R h _ b a s e × S S T × S S W × S S A × F P A R (9)
2.3.2 ReRSM模型
ReRSM模型将Re 分为5个部分[23 ] :生长呼吸(Rg )、维持呼吸(Rm )、根际微生物呼吸(Rrhi )、微生物呼吸(Rres )和土壤有机质分解(RSOM )。生长呼吸(Rg )和根际微生物呼吸(Rrhi )与GPP 关系密切:
R G P P = R g + R r h i = a × G P P (10)
维持呼吸(Rm )、微生物呼吸(Rres )和土壤有机质分解(RSOM )与温度的相关性很大,三者之和被定义为生态系统有机质呼吸(REOM )。
R E O M = R m + R r e s + R S O M = R r e f × e E 0 ( 1 T r e f - T 0 - 1 T + 273.15 - T 0 ) (11)
其中:经研究发现,温度可以使用遥感指数LST 表示,且Tref 为288.15 K(15 ℃),且T0 设置为227.13 K(-46.02 ℃),E0 取值为308.56 K。因此,Re 可以表示为:
R e = R G P P + R E O M = a × G P P + R r e f × e E 0 ( 1 61.02 - 1 L S T + 46.02 ) (12)
a = - 1.2759 × L S W I s m + 0.5079 × ( 0.1346 × L S T n _ a m + 2.7522 ) (13)
R r e f = 0.7566 × L S W I s m + 0.087 4(14)
2.3.3 TPGPP模型
TPGPP模型综合考虑了温度和水分等因素对Re 的影响。
R e = R r e f × f ( T A ) × f ( P ) (15)
f T A = e E 0 ( 1 T r e f - T 0 - 1 T A - T 0 ) (16)
其中:Rref 是参考温度下,不受水分限制的Re ;f(TA ) 是Re 对空气温度的响应函数,E0 表示Re 对温度的敏感性,Tref 设置为288.15 K(15 ℃),T0 取值为227.13 K(-46.02 ℃)。
f P = α k + P ( 1 - α ) k + P ( 1 - α ) (17)
其中:f(P) 是Re 对水分的响应函数,k (mm)是双曲线关系的半饱和常数,P 是降水量(mm),α 是无降水时,Re 对水分的响应。
R e = R L A I = 0 + a L A I × L A I m a x + k 2 × G P P × e E 0 1 T r e f - T 0 - 1 T A - T 0 × α k + P ( 1 - α ) k + P ( 1 - α ) (18)
2.4 评价指标
利用C-Flux、ReRSM和TPGPP模型分别模拟52个站年1 d和8 d尺度的Re ,并计算Re 模拟值与实测值之间的决定系数(R 2 )和均方根误差(Root Mean Square Errror, RMSE)。R 2 和RMSE计算公式如下:
R 2 = ∑ k = 1 n ( R e o b s ( k ) - R e o b s ¯ ) ( R e s i m ( k ) - R e s i m ¯ ) ∑ k = 1 n ( R e o b s ( k ) - R e o b s ¯ ) 2 ∑ k = 1 n ( R e s i m ( k ) - R e s i m ¯ ) 2 2 (19)
R M S E = 1 n ∑ k = 1 n ( R e o b s k - R e s i m ( k ) ) 2 (20)
3 结 果
3.1 各站年模拟结果
3种模型模拟结果的R 2 均大于0.6,且除US-ARc_2005和AT-Neu_2006站年外,RMSE都小于4 gCm-2 d-1 (图1 (a))。在3种模型中,TPGPP模型模拟结果的R 2 与RMSE的波动范围最小,分别为0.69~0.95 gCm-2 d-1 和0.42~2.42 gCm-2 d-1 ,ReRSM模型模拟结果的R 2 与RMSE的波动范围最大,分别为0.61~0.94 gCm-2 d-1 和0.49~6.29 gCm-2 d-1 ,C-Flux模型模拟结果R 2 和RMSE的范围为0.63~0.91 gCm-2 d-1 和0.38~3.59 gCm-2 d-1 。38个(73%)站年的TPGPP模型模拟结果的R2 高于其他两种模型,34个(65%)站年的TPGPP模型模拟结果的RMSE低于另两种模型,39个(75%)站年的ReRSM模型模拟结果的R 2 不低于C-Flux模型,41个(79%)站年的C-Flux模型模拟结果的RMSE低于ReRSM模型。
图1
图1
1 d和8 d时间尺度C-Flux、ReRSM和TPGPP模型模拟结果图
Fig.1
Simulations of the C-Flux, ReRSM and TPGPP model at daily and 8-day scales
3种模型模拟结果的R 2 均大于0.65,且除US-ARc_2005和AT-Neu_2006站年外,RMSE都小于4 gCm-2 d-1 (图1 (b))。在3种模型中,TPGPP模型模拟结果的R 2 与RMSE的波动范围最小,分别为0.76~0.97 gCm-2 d-1 和0.41~2.45 gCm-2 d-1 ,ReRSM模型模拟结果的R 2 与RMSE的波动范围最大,分别为0.70~0.98 gCm-2 d-1 和0.45~6.07 gCm-2 d-1 ,C-Flux模型模拟结果R 2 和RMSE的范围为0.72~0.96 gCm-2 d-1 和0.30~3.47 gCm-2 d-1 。35个(67%)站年在TPGPP模型模拟结果的R 2 高于另两种模型,26个(50%)站年在TPGPP模型模拟结果的RMSE低于其他两种模型,40个(77%)站年的ReRSM模型模拟结果的R 2 不低于C-Flux模型,40个(77%)站年的C-Flux模型模拟结果的RMSE低于ReRSM模型。
1 d尺度和8 d尺度,3种模型模拟结果的R 2 差异不大(图2 (a)和图2 (c)),而RMSE的差异较大(图2 (b)和图2 (d))。图2 (b)表明,在天尺度,RMSE差异最大的站年是US-ARc_2005,ReRSM模型的RMSE为6.29 gCm-2 d-1 ,C-Flux和TPGPP模型的RMSE分别是1.32和1.30 gCm-2 d-1 ,差异百分比分别为376.52%和383.85%。差异最小的站年是DE-Kli_2006,ReRSM模型模拟的RMSE是2.10 gCm-2 d-1 ,C-Flux和TPGPP模型模拟的RMSE分别是1.92和1.95 gCm-2 d-1 ,差异百分比分别为9.40%和7.70%。其他站年的RMSE差异百分比范围是9.79%~376.39%。在8 d尺度,RMSE差异最大的站年是RU-Ha1_2004,ReRSM模型模拟的RMSE是2.54 gCm-2 d-1 ,C-Flux和TPGPP模型模拟的RMSE分别是0.48和0.95 gCm-2 d-1 ,差异百分比分别为429.17%和167.37%。差异最小的站年是DE-Kli_2006,ReRSM模型的RMSE是1.96 gCm-2 d-1 ,C-Flux和TPGPP模型的RMSE分别是1.86和1.91 gCm-2 d-1 ,差异百分比分别为5.38%和2.62%。其他站年的RMSE差异百分比范围为10.11%~392.41%。
图2
图2
3种模型在不同站年的R 2 与RMSE柱状图
续图2
Fig.2
R 2 and RMSE histograms of the three models in 52 site years at dailh and 8-day scales
3.2 不同植被类型模拟结果
从图3 可以看出,1 d尺度结果中,在CROP类型,TPGPP模型的R 2 最高(0.82),RMSE最低(1.66 gCm-2 d-1 ),但Re 的模拟存在低估的现象;ReRSM模型R 2 (0.74)高于C-Flux模型,RMSE最高(1.91 gCm-2 d-1 ),存在高估Re 的现象;C-Flux模型R 2 最低(0.69),RMSE(1.71 gCm-2 d-1 )低于ReRSM模型,没有明显的高估或低估Re ;在ENF植被类型中,ReRSM模型的R 2 (0.69)低于其他两种模型,TPGPP模型的RMSE(1.08 gCm-2 d-1 )低于其他两种模型;C-Flux模型的R 2 (0.76)与TPGPP模型(0.76)相近,存在Re 低估的现象;在GRASS植被类型中,C-Flux模型低估Re 现象严重,TPGPP模型没有明显的高估或低估Re ,且该模型的R 2 最高(0.84),RMSE最低(1.41 gCm-2 d-1 );在DBF植被类型中,ReRSM模型的R 2 最低(0.48),RMSE最高(2.50 gCm-2 d-1 ),低估Re 现象严重;另外两种模型中,TPGPP模型的R 2 (0.65)略高于C-Flux模型(0.61),RMSE(1.73 gCm-2 d-1 )略低于C-Flux模型(1.85 gCm-2 d-1 );当Re 大于8 gCm-2 d-1 时,两种模型均有一定的低估Re 现象;在MF类型中,ReRSM模型的R 2 最低(0.74),RMSE最高(1.29 gCm-2 d-1 ),有低估Re 现象;另两种模型没有明显高估或低估Re ,且TPGPP模型的R 2 最高(0.85),RMSE最低(0.89 gCm-2 d-1 )。
图2
图2
3种模型在不同站年的R 2 与RMSE柱状图
Fig.2
R 2 and RMSE histograms of the three models in 52 site years at dailh and 8-day scales
图3
图3
5种植被类型在3种模型中Re模拟值与观测值的散点图
图a1~a15为1 d尺度、图b1~b15为8 d尺度
Fig.3
Scatter plots of Re simulated and observed values of five vegetation types with the three models at daily scales
图3 的8 d尺度结果中,在CROP植被类型,TPGPP模型的R 2 最高(0.85),Re 模拟存在明显的低估现象;ReRSM模型R 2 (0.78)低于TPGPP模型(0.85),RMSE(1.75 gCm-2 d-1 )高于TPGPP模型(1.61 gCm-2 d-1 ),存在高估Re 的现象;C-Flux模型R 2 (0.73)和RMSE最低(1.56 gCm-2 d-1 ),没有明显的高估或低估Re ;在ENF植被类型中,ReRSM模型的R 2 (0.75)低于其他两种模型,略微低估Re ;C-Flux模型的R 2 (0.83)与TPGPP模型(0.80)相近,但是存在Re 低估的现象;在GRASS植被类型中,C-Flux模型RMSE最低(1.39 gCm-2 d-1 ),但明显低估Re ;TPGPP模型R 2 最大(0.87),没有明显的高估或低估Re ;在DBF植被类型中,ReRSM模型的R 2 最低(0.51),RMSE最高(2.39 gCm-2 d-1 ),低估Re 现象严重;另外两种模型中,TPGPP模型R 2 (0.69)略高于C-Flux模型(0.66),均有一定的低估Re 现象;在MF模型中,ReRSM模型的R 2 最低(0.80),RMSE最高(1.18 gCm-2 d-1 ),有低估Re 现象;另两种模型没有明显高估或低估Re ,且TPGPP模型的R 2 和RMSE与C-Flux模型相近。
3.3 模型总体比较
图4 (a),3 种模型中,TPGPP模型模拟Re 的R 2 的最大值最高,为0.95,其次是ReRSM模型,为0.94,C-Flux模型最低,为0.91。TPGPP模型模拟Re 的R 2 的中位数最高,为0.83,其次是ReRSM,为0.82,C-Flux最低,为0.80。TPGPP模型模拟Re 的R2 的平均值最高,为0.83,ReRSM和C-Flux均为0.80。结果表明,TPGPP模型R 2 最高,其次是ReRSM,C-Flux最低。从图4 (b)中可以看出,TPGPP模型模拟Re 的RMSE的最大值最低,为2.42 g C m-2 d-1 ,其次是C-Flux模型,为3.59 gCm-2 d-1 ,ReRSM模型最高,为6.29 gCm-2 d-1 。TPGPP模型模拟Re 的RMSE的中位数最低,为1.08 gCm-2 d-1 ,其次是C-Flux模型,为1.19 gCm-2 d-1 ,ReRSM模型最高,为1.72 gCm-2 d-1 。TPGPP模型模拟Re 的RMSE的平均值最低,为1.20 gCm-2 d-1 ,其次是C-Flux模型,为1.33 gCm-2 d-1 ,ReRSM模型最高,为1.84 gCm-2 d-1 。结果表明,TPGPP模型RMSE最低,其次是C-Flux模型,ReRSM模型最高。
图4
图4
C-Flux、ReRSM和TPGPP模型模拟结果的R 2 和RMSE箱形图
Fig.4
R 2 and RMSE box-plots of simulations of the C-Flux, ReRSM and TPGPP model at daily scales
从图4 (c)中可以看出,ReRSM模型模拟Re 的R 2 的最大值最高,为0.98,其次是TPGPP模型,为0.97,C-Flux模型最低,为0.96。TPGPP模型模拟Re 的R 2 的中位数最高,为0.89,其次是ReRSM,为0.88,C-Flux最低,为0.87。TPGPP模型模拟Re 的R 2 的平均值最高,为0.88, ReRSM模型次之,为0.87,C-Flu模型最低,为0.86。结果表明,TPGPP模型R 2 最高,ReRSM模型和C-Flux模型的R 2 比较接近。从图4 (d)中可以看出,TPGPP模型模拟Re 的RMSE的最大值最小,为2.45 gCm-2 d-1 ,其次是C-Flux模型,为3.47 gCm-2 d-1 ,ReRSM模型最高,为6.07 gCm-2 d-1 。TPGPP模型模拟Re 的RMSE的中位数最低,为1.04 gCm-2 d-1 ,其次是C-Flux模型,为1.12 gCm-2 d-1 ,ReRSM模型最高,为1.54 gCm-2 d-1 。TPGPP模型模拟Re的RMSE的平均值最低,为1.14 gCm-2 d-1 ,其次是C-Flux模型,为1.21 gCm-2 d-1 ,ReRSM模型最高,为1.70 gCm-2 d-1 。结果表明,TPGPP模型RMSE最低,其次是C-Flux模型,ReRSM模型最高。
4 讨 论
4.1 ReRSM模型结果差异分析
ReRSM模型中,RGPP 是Re 重要组成部分,RGPP 用系数a 乘以GPP来表示,其中,系数a 的表达式由两部分组成:与LSWIs m 负相关的线性表达式,乘以与Tn_am 正相关的线性表达式(公式13)。图5 中,a 值较高的站年,1 d和8 d的模拟结果高估,明显高估的站年有:Ru-Ha1(2002~2004年)、US-ARc(2005年)和CN-Cng(2008~2010年);a 值较低的站年,天和8天模拟结果低估,明显低估的站年有:FI-Hyy(2004、2006年)、US-MMS(2003~2004年)、US-Wcr(2004~2006年)、US-Wi8(2002年)、CA-Gro(2005年)和CA-Oas(2004~2005年), 这些模拟结果高估的站年,与图3 (b)和3(d)中ReRSM模拟结果的RMSE高的站年一致。
图5
图5
各站年的a值柱状图
Fig.5
a values at all site years
进一步分析a 值过高或过低的原因,发现与LSWIsm 和年均夜间温度(Tn_am )有关。图6 中,LSWIsm 与其他站年相比过低,这样就会造成a 值过高,从而模拟的Re高估,如站年US-ARc(2005年)(LSWIsm =0.10)、RU-Ha1(2002~2004年)(LSWIsm =0.04、0.05和0.05);CN-Cng(2008~2010年)(LSWIsm =0.11、0.07和0.09)。LSWIsm 与其他站年相比过高,这样会造成a 值过低,从而模拟的Re 低估,如站年FI-Hyy(2004和2006年)(LSWIsm =0.34和0.32)、US-Wcr(2004~2006年)(LSWIsm =0.32、0.33和0.33)、US-Wi8(2002年)(LSWIsm =0.33)、CA-Gro(2004~2005年)(LSWIsm =0.29和0.31)和CA-Oas(2003~2005年)(LSWIsm =0.27、0.32和0.32)。无论是高估或低估Re,都会导致RMSE增大,因此上述18个站年在ReRSM模型中RMSE高于另两种模型。由此可见,LSWIsm 与其他站年相比过低,会导致模拟的Re高估,反之则低估,这与Gao的结论相吻合[23 ] 。
图6
图6
所有站年的LSWIsm 与Tn_am 散点图
Fig.6
Scatter plots of LSWIsm and Tn_am for all site years
4.2 模型的不确定性
C-Flux、ReRSM和TPGPP模型都包含了温度对Re 的影响,温度与Re 之间建立的关系结构可分为2种:Q10 模型指数关系和Arrhenius型方程指数关系[24 ] 。其中,C-Flux模型属于Q10 模型指数关系,不同模型的Q10 取值不同。C-Flux模型的Q10 取值为2.0,但是,对于不同的植被类型,Q10 的取值始终为同一个常数,这样不可避免地存在误差。ReRSM和TPGPP模型使用了Arrhenius型方程指数关系,这与Q10 模型相比,结构更为合理,能更好地反映温度对Re 的影响。
C-Flux、ReRSM和TPGPP模型都考虑了水分对Re 的影响,但各模型所运用的水分因子各不同。C-Flux模型考虑了土壤可获得水分对Re 的影响,ReRSM模型使用LSWIsm 来表征水分的影响,TPGPP模型使用降水量数据表征水分因子的影响。对于模拟水分对Re 影响准确度的角度,土壤可获得水分是最直接的影响因素[24 ] ,所以C-Flux模型考虑的水分变量更合理,但是土壤可获得水分数据不易测量,难以推广到大尺度的模型模拟。TPGPP模型使用降水量数据来表征水分因子的影响,降水量数据相比土壤可获得水分数据更易获得,在大尺度使用上实现的可能性更大。但ReRSM模型使用的遥感指数LSWI,比降水量数据更易获得,且可推广到区域甚至全球尺度上。同时,ReRSM模型使用LSWIsm 来表征水分影响,可以较好地模拟Re 的季节变化趋势,说明ReRSM模型结构合理,但是,ReRSM模型的模拟结果会因为LSWIsm 的变化而出现高估或低估现象,表明ReRSM模型在考虑水分因子方面的参数有待改进。
很多Re 模型认为呼吸与总初级生产力(GPP)之间存在线性关系[25 ,26 ] ,这一理论在C-Flux、ReRSM和TPGPP模型中都有体现。C-Flux模型在模拟生长呼吸时考虑GPP的影响,且GPP的系数设为定值0.33[20 ] ,虽然这样可以使得参数明确,简化模型结构,但是不根据植被类型的不同,分别考虑GPP的影响,会导致模拟结果存在误差,这也是C-Flux模型模拟精度低于其他两种模型的原因之一。ReRSM模型考虑GPP的影响时,其系数由LSWIsm 和LSTn_am 决定,充分考虑了不同区域的水热条件影响,结构合理,但具体参数还有待改进。TPGPP模型根据不同植被类型,GPP的系数不同,从表2 中可以看出,不同植被类型参数差距较大,在考虑植被差异的同时,也加大了模型参数的不确定性。
3种遥感模型都考虑了水分和温度对Re 的影响。并且C-Flux和ReRSM模型还考虑了土壤有机碳的影响,但TPGPP模型未考虑土壤有机碳的影响,在这方面,可以对TPGPP模型进一步地改进,使得该模型包括更多Re 的影响因子,提高模拟精度。同时,3种模型均未考虑地形因素的影响,而实际上地形是会对Re 产生影响的,比如在山地地区垂直分布的地形会造成山地小气候、土壤中的水分也会因为地形而产生侧向移动等[27 ] 。
遥感模型是融入数理统计方法的半经验模型,同时也考虑了生态系统呼吸的过程机理。在估算大尺度Re 方面,遥感模型随着遥感观测技术的发展将大有潜力。不过,目前遥感模型还是存在一些问题,比如基于数理统计拟合出的系数,依赖于有限的观测站点的实测数据,当选择参考的实测数据不同时,系数会产生很大的变化,比如在TPGPP模型中,植被类型ENF中E0 的取值为124.833 K,而在相似结构的DCFM模型中,在ENF中E0 的取值为68.78 K[17 ] 。所以,尽管TPGPP模型已经根据不同植被类型,将系数由站点尺度,归纳到区域尺度上估算Re ,但这种误差仍是不可避免的。所以,如何将由有限站点拟合得到的系数,归纳分析后应用到区域甚至全球范围,这是当前需要解决的问题。
4.3 不同时间尺度模型表现差异
同一站年在不同模型中,模拟结果存在差异,计算每站年模型间R 2 和RMSE差异的最大值(模拟结果最大值减去最小值),并分别从不同时间尺度(1 d和8 d尺度)进行差值比较。从图7 (a)中可以看出,1 d尺度模拟结果中,RMSE差值最大的是US-ARc_2005(4.99 gCm-2 d-1 ),最小的为CA-Obs_2005(0.11 gCm-2 d-1 );8 d尺度模拟结果中,RMSE差值最大的是US-ARc_2005(4.83 gCm-2 d-1 ),最小的是DE-Kli_2006(0.05 gCm-2 d-1 )。1 d和8 d尺度RMSE的差值间区别很小,变化范围为0.00~0.41 gCm-2 d-1 。
图7
图7
1 d和8 d尺度模型间R 2 和RMSE差值图
Fig.7
ΔR 2 and ΔRMSE of simulations of the C-Flux, ReRSM and TPGPP model at daily and 8-day scales
图7 (b),1 d尺度模拟结果中,R 2 差值最大的是BE-Lon_2005(0.16),最小的是CA-TP4_2004(0.00);8 d尺度模拟结果中,R 2 差值最大的是CA-TP4_2003(0.16),最小的是US-NR1_2002(0.00)。1 d和8 d尺度模拟结果的R 2 的差值差异较大,变化范围为0~0.08,所以不同时间尺度的R 2 差距变化较大,且8 d尺度模型间的结果差异小于 1 d尺度的模拟结果差异。
3种模型在不同站年的模拟结果表现各不相同。当模拟的时间尺度不同时,同一模型的模拟结果也会存在差异,这既与模型本身的结构有关,也与不同时间尺度导致的数据量不同相关。不同时间尺度模拟结果的比较,可以更全面地展现不同模型模拟Re 的特点与不足,以得到进一步地改进。
5 结 论
通过对3种模型模拟结果的比较,得到以下结论:对于植被类型为CROP的站年,1 d和8 d尺度,ReRSM模型的模拟结果明显高估,TPGPP模型明显低估,C-Flux模型在3种模型中表现最好;对于植被类型为ENF的站年,1 d和8 d尺度,C-Flux模型的模拟结果明显低估,ReRSM和TPGPP模型不存在明显的高估或低估,但TPGPP模型的R 2 高于ReRSM模型,且RMSE更低,所以TPGPP模型更适合模拟植被类型为ENF的站年;对于植被类型为GRASS的站年,1 d和8 d尺度,C-Flux模型的模拟结果明显低估,ReRSM模型模拟结果最差,TPGPP模型的模拟结果最好;对于植被类型为DBF的站年,1 d和8 d尺度,3种模型均存在低估现象,其中,ReRSM模型的模拟结果低估最严重,效果最差,当Re 大于8 gCm-2 d-1 时,C-Flux和TPGPP模型均有一定的低估Re 现象,TPGPP模型比C-Flux模型的表现较好一点;对于植被类型为MF的站年,天和8天尺度,3种模型均没有明显的高估或低估,TPGPP模型表现最好,C-Flux模型次之,ReRSM模型最差。1 d和8 d尺度的所有站年,TPGPP模型模拟效果最好,分别有73%和67%的站年的TPGPP模型模拟结果的R 2 高于其他两种模型,65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。所有站年的1 d和8 d尺度站年,分别有75%和77%站年的ReRSM模型模拟的Re与观测Re 之间的R 2 明显高于C-flux模型,然而79%和77%的站年RMSE高于C-flux模型,这表明ReRSM模型结构合理,能较好地模拟Re 的季节变化趋势,但模型参数有待改进。ReRSM模型中,LSWIsm 与其他站年相比过低时,会导致模拟的Re 高估,反之则低估。
本文主要比较3种模型在站年尺度上模拟Re 的表现,3种模型都有各自的特点与不足。对于不同植被类型,每种模型的模拟表现均有差异。本文通过46个站年的模拟结果比较,TPGPP模型在1 d和8 d尺度上的模拟效果最好,分别有73%和67%的站年的TPGPP模型模拟结果的R 2 高于其他两种模型,65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。从模型结构、数据获取难易程度和模拟精度等角度综合考虑,TPGPP模型比其他两种模型,更适合模拟区域甚至全球尺度上的Re ,但针对TPGPP模型存在的不足,例如未考虑土壤有机碳和地形因素对Re 的影响,需要进一步研究加以改进。
参考文献
View Option
[1]
Woodwell G M , Whittaker R H , Reiners W A , et al . The Biota and the World Carbon Budget
[J]. Science , 1978 , 199 (4325 ):141 -146 .
[本文引用: 1]
[2]
Erica D ,Ivana J ,Luo Y .On the Variability of Respiration in Ter-restrial Ecosystems:Moving Beyond Q10
[J].Global Change Biology , 2010 , 12 (2 ):154 -164 .
[本文引用: 1]
[3]
Byrne K A , Kiely G . Partitioning of Respiration in an Intensively Managed Grassland
[J]. Plant & Soil , 2006 , 282 (1/2 ):281 -289 .
[本文引用: 1]
[4]
Law B E , Falge E , Gu L , et al . Environmental Controls over Carbon Dioxide and Water Vapor Exchange of Terrestrial Vegetation
[J]. Agricultural & Forest Meteorology , 2015 , 113 (1 ):97 -120 .
[本文引用: 1]
[5]
Valentini R , Matteucci G , Dolman A J , et al . Respiration as the Main Determinant of Carbon Balance in European Forests
[J]. Nature , 2000 , 404 (6780 ):861 -865 .
[本文引用: 1]
[6]
Zhu X J , Yu G M , Wang Q F , et al . The Interaction between Components of Ecosystem Respiration in Typical Forest and Grassland Ecosystems
[J]. Acta Ecologica Sinica , 2013 , 33 (21 ):6925 -6934 .
[本文引用: 1]
朱先进 , 于贵瑞 , 王秋凤 , 等 . 典型森林和草地生态系统呼吸各组分间的相互关系
[J]. 生态学报 , 2013 , 33 (21 ):6925 -6934 .
[本文引用: 1]
[7]
Law B E , Ryan M G , Anthoni P M . Seasonal and Annual Respiration of a Ponderosa Pine Ecosystem
[J]. Global Change Biology , 2010 , 5 (2 ):169 -182 .
[本文引用: 1]
[8]
Liang N S , Nakadai T , Hirano T , et al . In Situ Comparison of Four Approaches to Estimating Soil CO2 Efflux in a Northern Larch (Larix kaempferi Sarg.) Forest
[J]. Agricultural & Forest Meteorology , 2004 , 123 (1 ):97 -117 .
[本文引用: 1]
[9]
Zheng Z M , Yu G R , Sun X M , et al . Comparison of Eddy Covariance and Static Chamber/gas Chromatogram Methods in Measuring Ecosystem Respiration
[J]. Chinese Journal of Applied Ecology , 2008 , 19 (2 ):290 -298 .
[本文引用: 1]
郑泽梅 , 于贵瑞 , 孙晓敏 , 等 . 涡度相关法和静态箱/气相色谱法在生态系统呼吸观测中的比较
[J]. 应用生态学报 , 2008 , 19 (2 ):290 -298 .
[本文引用: 1]
[10]
Feng X F Liu G H , Chen S P , et al . Study on Process Model of Net Primary productivity of Terrestrial Ecosystems
[J]. Journal of Natural Resources , 2004 , 19 (3 ):369 -378 .
[本文引用: 1]
冯险峰 , 刘高焕 , 陈述彭 , 等 . 陆地生态系统净第一性生产力过程模型研究综述
[J]. 自然资源学报 , 2004 , 19 (3 ):369 -378 .
[本文引用: 1]
[11]
Bao G . Remote Sensing Estimation of Net Primary Productivity of Terrestrial Vegetation in Inner Mongolia based on MODIS Data
[D].Huhehot : Inner Mongolia Normal University , 2009 .
[本文引用: 1]
包刚 . 基于MODIS数据的内蒙古陆地植被净第一性生产力遥感估算研究
[D]. 呼和浩特 :内蒙古师范大学 , 2009 .
[本文引用: 1]
[12]
Field C B , Randerson J T , Malmström C M . Global Net Primary Production: Combining Ecology and Remote Sensing
[J]. Remote Sensing of Environment , 1995 , 51 (1 ):74 -88 .
[本文引用: 1]
[13]
Goetz S J , Prince S D , Goward S N , et al . Satellite Remote Sensing of Primary Production: an Improved Production Efficiency Modeling Approach
[J]. Ecological Modelling , 1999 , 122 (3 ):239 -255 .
[本文引用: 2]
[14]
Zhang D Y , Feng Z K , Li Y Q , et al . Remote Sensing Estimation of Forest Net Primary Productivity in Heilongjiang Province with C-FIX Model
[J]. Scientia Silvae Sinicae , 2011 , 47 (7 ):13 -19 .
[本文引用: 2]
张冬有 , 冯仲科 , 李亦秋 , 等 . 基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算
[J]. 林业科学 , 2011 , 47 (7 ):13 -19 .
[本文引用: 2]
[15]
Mahadevan P , Wofsy S C , Matross D M , et al . A Satellite-based Biosphere Parameterization for Net Ecosystem CO2 Exchange: Vegetation Photosynthesis and Respiration Model (VPRM)
[J]. Global Biogeochemical Cycles , 2008 , 22 (2 ).doi:10.1029/2006GB002735 .
[本文引用: 2]
[16]
Hilton T W , Davis K J , Keller K , et al . Improving Terrestrial CO2 Flux Diagnosis Using Spatial Structure in Land Surface Model Residuals
[J]. Biogeosciences , 2013 , 10 (7 ):4607 -4625 .
[本文引用: 1]
[17]
Xiao J , Davis K J , Urban N M , et al . Upscaling Carbon Fluxes from Towers to the Regional Scale: Influence of Parameter Variability and Land Cover Representation on Regional Flux Estimates
[J]. Journal of Geophysical Research: Biogeosciences , 2011 , 116 (G3 ):115 -132 .
[本文引用: 2]
[18]
Chen J M , Deng F , Chen M . Locally Adjusted Cubic-spline Capping for Reconstructing Seasonal Trajectories of a Satellite-derived Surface Parameter
[J]. IEEE Transactions on Geoscience & Remote Sensing , 2006 , 44 (8 ):2230 -2238 .
[本文引用: 1]
[19]
Reichstein M , Falge E , D Baldocchi et al . On the Separation of Net Ecosystem Exchange into Assimilation and Ecosystem Respiration: Review and Improved Algorithm
[J]. Global Change Biology , 2010 , 11 (9 ):1424 -1439 .
[本文引用: 1]
[20]
Turner D P , Ritts W D , Styles J M , et al . A Diagnostic Carbon Flux Model to Monitor the Effects of Disturbance and Interannual Variation in Climate on Regional NEP
[J]. Tellus Series B-chemical & Physical Meteorology , 2006 , 58 (5 ):476 -490 .
[本文引用: 3]
[21]
Turner D P , Ritts W D , Wharton S , et al . Assessing FPAR Source and Parameter Optimization Scheme in Application of a Diagnostic Carbon Flux Model
[J]. Remote Sensing of Environment , 2009 , 113 (7 ):1529 -1539 .
[本文引用: 2]
[22]
King D A , Turner D P , Ritts W D . Parameterization of a Diagnostic Carbon Cycle Model for Continental Scale Application
[J]. Remote Sensing of Environment , 2011 , 115 (7 ):1653 -1664 .
[本文引用: 1]
[23]
Gao Y , Yu G , Li S , et al . A Remote Sensing Model to Estimate Ecosystem Respiration in Northern China and the Tibetan Plateau
[J]. Ecological Modelling , 2015 , 304 :34 -43 .
[本文引用: 2]
[24]
Migliavacca M , Reichstein M , Richardson A D , et al . Semiempirical Modeling of Abiotic and Biotic Factors Controlling Ecosystem Respiration Across Eddy Covariance Sites
[J]. Global Change Biology , 2015 , 17 (1 ):390 -409 .
[本文引用: 5]
[25]
Evanh D , Johne D , Richardb T , et al . Forest Carbon Use Efficiency: Is Respiration a Constant Fraction of Gross Primary Production
[J].Global Change Biology ,2010 ,13 (6 ):1157 -1167 .
[本文引用: 1]
[26]
Chen J M , Liu J , Cihlar J , et al . Daily Canopy Photosynthesis Model Through Temporal and Spatial Scaling for Remote Sensing Applications
[J]. Ecological Modelling , 1999 , 124 (2-3 ):99 -119 .
[本文引用: 1]
[27]
Li Ainong , Yin Gaofei , Jin Hua'an , et al . Principles and Methods for the Retrieval of Biophysical Variables in Mountainous Area
[J]. Remote Sensing Technology and Application , 2016 , 31 (1 ):1 -11 .
[本文引用: 1]
李爱农 , 尹高飞 , 靳华安 , 等 . 山地地表生态参量遥感反演的理论、方法与问题
[J]. 遥感技术与应用 , 2016 , 31 (1 ):1 -11 .
[本文引用: 1]
The Biota and the World Carbon Budget
1
1978
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
On the Variability of Respiration in Ter-restrial Ecosystems:Moving Beyond Q10
1
2010
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
Partitioning of Respiration in an Intensively Managed Grassland
1
2006
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
Environmental Controls over Carbon Dioxide and Water Vapor Exchange of Terrestrial Vegetation
1
2015
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
Respiration as the Main Determinant of Carbon Balance in European Forests
1
2000
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
典型森林和草地生态系统呼吸各组分间的相互关系
1
2013
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
典型森林和草地生态系统呼吸各组分间的相互关系
1
2013
... 从20世纪70年代后期开始,全球碳循环研究受到人类的普遍关注[1 ] ,而Re 是全球碳循环中最重要的碳通量组分之一[2 ] .每年由光合作用固定的碳有80%通过呼吸作用回到大气中[3 ,4 ] ,所以,Re 在全球碳收支中占较大的比重,对生态系统的碳循环起着决定性作用[5 ] .准确模拟Re 不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化,同时也是生态系统与全球变化科学发展的科技任务,具有非常重要的现实与科学意义[6 ] . ...
Seasonal and Annual Respiration of a Ponderosa Pine Ecosystem
1
2010
... 传统研究Re 有两种比较常用的观测方法,分别是涡度相关法和静态箱/气相色谱法.这两种观测方法虽然可以对Re 进行直接观测,但是箱式观测法费时费力[7 ] ,并且还会受到箱内外温差和箱内气压状况等因素的限制[8 ] ,同时难以获得连续的时间和空间数据,会导致Re 观测的不确定性[9 ] .同时,涡度相关法只能在有限的站点进行观测.这两种观测方法均不适用于区域乃至全球的Re 估算,在这种情况下,通过模型模拟Re 成为了一种较为可行的方法. ...
In Situ Comparison of Four Approaches to Estimating Soil CO2 Efflux in a Northern Larch (Larix kaempferi Sarg.) Forest
1
2004
... 传统研究Re 有两种比较常用的观测方法,分别是涡度相关法和静态箱/气相色谱法.这两种观测方法虽然可以对Re 进行直接观测,但是箱式观测法费时费力[7 ] ,并且还会受到箱内外温差和箱内气压状况等因素的限制[8 ] ,同时难以获得连续的时间和空间数据,会导致Re 观测的不确定性[9 ] .同时,涡度相关法只能在有限的站点进行观测.这两种观测方法均不适用于区域乃至全球的Re 估算,在这种情况下,通过模型模拟Re 成为了一种较为可行的方法. ...
涡度相关法和静态箱/气相色谱法在生态系统呼吸观测中的比较
1
2008
... 传统研究Re 有两种比较常用的观测方法,分别是涡度相关法和静态箱/气相色谱法.这两种观测方法虽然可以对Re 进行直接观测,但是箱式观测法费时费力[7 ] ,并且还会受到箱内外温差和箱内气压状况等因素的限制[8 ] ,同时难以获得连续的时间和空间数据,会导致Re 观测的不确定性[9 ] .同时,涡度相关法只能在有限的站点进行观测.这两种观测方法均不适用于区域乃至全球的Re 估算,在这种情况下,通过模型模拟Re 成为了一种较为可行的方法. ...
涡度相关法和静态箱/气相色谱法在生态系统呼吸观测中的比较
1
2008
... 传统研究Re 有两种比较常用的观测方法,分别是涡度相关法和静态箱/气相色谱法.这两种观测方法虽然可以对Re 进行直接观测,但是箱式观测法费时费力[7 ] ,并且还会受到箱内外温差和箱内气压状况等因素的限制[8 ] ,同时难以获得连续的时间和空间数据,会导致Re 观测的不确定性[9 ] .同时,涡度相关法只能在有限的站点进行观测.这两种观测方法均不适用于区域乃至全球的Re 估算,在这种情况下,通过模型模拟Re 成为了一种较为可行的方法. ...
陆地生态系统净第一性生产力过程模型研究综述
1
2004
... 传统估算Re 的模型可以分为3类:统计模型、参数模型和过程模型[10 ] .但是传统的模型均存在各种缺点,例如统计模型Chikugo模型,虽然计算简单实用,但因缺乏植物生态学的理论基础而导致估算结果误差大;过程模型CENTURY和BIOME-BGC模型,虽然过程机理清楚,但模型结构过于复杂[11 ] .随着遥感和GIS技术的快速发展,遥感模型成为估算区域Re 的新方法. ...
陆地生态系统净第一性生产力过程模型研究综述
1
2004
... 传统估算Re 的模型可以分为3类:统计模型、参数模型和过程模型[10 ] .但是传统的模型均存在各种缺点,例如统计模型Chikugo模型,虽然计算简单实用,但因缺乏植物生态学的理论基础而导致估算结果误差大;过程模型CENTURY和BIOME-BGC模型,虽然过程机理清楚,但模型结构过于复杂[11 ] .随着遥感和GIS技术的快速发展,遥感模型成为估算区域Re 的新方法. ...
基于MODIS数据的内蒙古陆地植被净第一性生产力遥感估算研究
1
2009
... 传统估算Re 的模型可以分为3类:统计模型、参数模型和过程模型[10 ] .但是传统的模型均存在各种缺点,例如统计模型Chikugo模型,虽然计算简单实用,但因缺乏植物生态学的理论基础而导致估算结果误差大;过程模型CENTURY和BIOME-BGC模型,虽然过程机理清楚,但模型结构过于复杂[11 ] .随着遥感和GIS技术的快速发展,遥感模型成为估算区域Re 的新方法. ...
基于MODIS数据的内蒙古陆地植被净第一性生产力遥感估算研究
1
2009
... 传统估算Re 的模型可以分为3类:统计模型、参数模型和过程模型[10 ] .但是传统的模型均存在各种缺点,例如统计模型Chikugo模型,虽然计算简单实用,但因缺乏植物生态学的理论基础而导致估算结果误差大;过程模型CENTURY和BIOME-BGC模型,虽然过程机理清楚,但模型结构过于复杂[11 ] .随着遥感和GIS技术的快速发展,遥感模型成为估算区域Re 的新方法. ...
Global Net Primary Production: Combining Ecology and Remote Sensing
1
1995
... 卫星遥感观测不但能够以固定的频率对生态系统要素进行采样,实现重复观察,获得连续的时间和空间数据,还可以实时实地、大范围直观地反映植被Re 的时空变化,观测范围能够覆盖区域乃至全球[12 ,13 ] ,是模拟Re 的有效途径.在Re 模型中引入遥感参数,可以简化计算,并且减少了大量的试验工作,避免了研究者对研究对象的直接干扰[14 ] .除此之外,相比于其他模型,遥感模型可以应用于模拟区域乃至全球尺度上的Re .所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点,遥感模型在模拟不同区域的Re 方面发挥着重要的作用[13 ] . ...
Satellite Remote Sensing of Primary Production: an Improved Production Efficiency Modeling Approach
2
1999
... 卫星遥感观测不但能够以固定的频率对生态系统要素进行采样,实现重复观察,获得连续的时间和空间数据,还可以实时实地、大范围直观地反映植被Re 的时空变化,观测范围能够覆盖区域乃至全球[12 ,13 ] ,是模拟Re 的有效途径.在Re 模型中引入遥感参数,可以简化计算,并且减少了大量的试验工作,避免了研究者对研究对象的直接干扰[14 ] .除此之外,相比于其他模型,遥感模型可以应用于模拟区域乃至全球尺度上的Re .所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点,遥感模型在模拟不同区域的Re 方面发挥着重要的作用[13 ] . ...
... [13 ]. ...
基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算
2
2011
... 卫星遥感观测不但能够以固定的频率对生态系统要素进行采样,实现重复观察,获得连续的时间和空间数据,还可以实时实地、大范围直观地反映植被Re 的时空变化,观测范围能够覆盖区域乃至全球[12 ,13 ] ,是模拟Re 的有效途径.在Re 模型中引入遥感参数,可以简化计算,并且减少了大量的试验工作,避免了研究者对研究对象的直接干扰[14 ] .除此之外,相比于其他模型,遥感模型可以应用于模拟区域乃至全球尺度上的Re .所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点,遥感模型在模拟不同区域的Re 方面发挥着重要的作用[13 ] . ...
... 现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等.VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] .虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] .C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算
2
2011
... 卫星遥感观测不但能够以固定的频率对生态系统要素进行采样,实现重复观察,获得连续的时间和空间数据,还可以实时实地、大范围直观地反映植被Re 的时空变化,观测范围能够覆盖区域乃至全球[12 ,13 ] ,是模拟Re 的有效途径.在Re 模型中引入遥感参数,可以简化计算,并且减少了大量的试验工作,避免了研究者对研究对象的直接干扰[14 ] .除此之外,相比于其他模型,遥感模型可以应用于模拟区域乃至全球尺度上的Re .所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点,遥感模型在模拟不同区域的Re 方面发挥着重要的作用[13 ] . ...
... 现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等.VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] .虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] .C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
A Satellite-based Biosphere Parameterization for Net Ecosystem CO2 Exchange: Vegetation Photosynthesis and Respiration Model (VPRM)
2
2008
... 现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等.VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] .虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] .C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
... [15 ,16 ].C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
Improving Terrestrial CO2 Flux Diagnosis Using Spatial Structure in Land Surface Model Residuals
1
2013
... 现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等.VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] .虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] .C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
Upscaling Carbon Fluxes from Towers to the Regional Scale: Influence of Parameter Variability and Land Cover Representation on Regional Flux Estimates
2
2011
... 现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等.VPRM模型的优点是结构简单,参数较少,将Re 表示为空气温度的线性函数,但是没有考虑土壤水分等因子对Re 的影响[15 ] .虽然这样的简化有利于利用遥感数据来实现Re 的区域计算,但是没有考虑其他生物非生物因素的影响,只是简单地将Re 和温度建立线性关系,这样做不可避免地存在着很大的误差[15 ,16 ] .C-Fix模型适用于各个空间尺度的Re 模拟,在国内外的研究中均得到广泛运用,但C-Fix模型中计算Re 的表达式结构复杂,并且估算精度不高[14 ] .DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re 的影响,缺点是没有考虑土壤水分的影响,从而导致模拟结果精度不高[17 ] .相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点,C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面,且结构简洁过程清楚,所需参数较少,但是目前这3种模型只在有限的站点模拟Re ,并未应用于全球更多的站点.因此,本研究利用全球通量网观测数据和卫星遥感数据,选取不同植被类型的站点,用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re 进行模拟,比较3种模型的模拟结果,分别分析3种模型的优缺点. ...
... 遥感模型是融入数理统计方法的半经验模型,同时也考虑了生态系统呼吸的过程机理.在估算大尺度Re 方面,遥感模型随着遥感观测技术的发展将大有潜力.不过,目前遥感模型还是存在一些问题,比如基于数理统计拟合出的系数,依赖于有限的观测站点的实测数据,当选择参考的实测数据不同时,系数会产生很大的变化,比如在TPGPP模型中,植被类型ENF中E0 的取值为124.833 K,而在相似结构的DCFM模型中,在ENF中E0 的取值为68.78 K[17 ] .所以,尽管TPGPP模型已经根据不同植被类型,将系数由站点尺度,归纳到区域尺度上估算Re ,但这种误差仍是不可避免的.所以,如何将由有限站点拟合得到的系数,归纳分析后应用到区域甚至全球范围,这是当前需要解决的问题. ...
Locally Adjusted Cubic-spline Capping for Reconstructing Seasonal Trajectories of a Satellite-derived Surface Parameter
1
2006
... MODIS网站(https://modis.gsfc.nasa.gov )的MOD15A2H产品(空间分辨率500 m,时间分辨率8 d)为本研究站点叶面积指数(Leaf Area Index,LAI)的数据源,采用三次样条函数对MODIS LAI产品数据进行平滑[18 ] ,消除其因云层影响而导致的明显数据短期波动现象.利用MOD09A2产品的地表反射率数据(空间分辨率500 m,时间分辨率8 d)计算陆地表面水分指数(Land Surface Water Index,LSWI),LSWI的计算公式如下: ...
On the Separation of Net Ecosystem Exchange into Assimilation and Ecosystem Respiration: Review and Improved Algorithm
1
2010
... 从fluxnet网站下载站点数据(http://fluxnet.ornl.gov/ ),站点气象数据包括日均空气气温Ta (℃)、最低空气气温Tamin (℃)、总光合有效辐射PAR、日均饱和水汽压差VPD(hPa)、土壤温度Tsoil (℃)、土壤含水量SW (%)和降水量P (mm),站点通量数据包括总初级生产力GPP(gCm-2 d-1 )和Re (gCm-2 d-1 ),其中,Re 使用Lolyd&Taylor方法进行夜间生态系统呼吸速率缺失数据的插补和白天Re 的估算[19 ] . ...
A Diagnostic Carbon Flux Model to Monitor the Effects of Disturbance and Interannual Variation in Climate on Regional NEP
3
2006
... 其中:R m _ b a s e 表示维持呼吸基础呼吸速率,Q10 取值2.0,Tair 表示天平均气温(℃),k 为辐射衰减系数,取值0.5,FPAR表示植被上层吸收的光合有效辐射(%),Rg_frac 表示可用于生长呼吸的碳分量,取值0.33[20 ] .异养呼吸(Rh )表示如下[20 ,21 ,22 ] : ...
... [20 ,21 ,22 ] : ...
... 很多Re 模型认为呼吸与总初级生产力(GPP)之间存在线性关系[25 ,26 ] ,这一理论在C-Flux、ReRSM和TPGPP模型中都有体现.C-Flux模型在模拟生长呼吸时考虑GPP的影响,且GPP的系数设为定值0.33[20 ] ,虽然这样可以使得参数明确,简化模型结构,但是不根据植被类型的不同,分别考虑GPP的影响,会导致模拟结果存在误差,这也是C-Flux模型模拟精度低于其他两种模型的原因之一.ReRSM模型考虑GPP的影响时,其系数由LSWIsm 和LSTn_am 决定,充分考虑了不同区域的水热条件影响,结构合理,但具体参数还有待改进.TPGPP模型根据不同植被类型,GPP的系数不同,从表2 中可以看出,不同植被类型参数差距较大,在考虑植被差异的同时,也加大了模型参数的不确定性. ...
Assessing FPAR Source and Parameter Optimization Scheme in Application of a Diagnostic Carbon Flux Model
2
2009
... 其中:R m _ b a s e 表示维持呼吸基础呼吸速率,Q10 取值2.0,Tair 表示天平均气温(℃),k 为辐射衰减系数,取值0.5,FPAR表示植被上层吸收的光合有效辐射(%),Rg_frac 表示可用于生长呼吸的碳分量,取值0.33[20 ] .异养呼吸(Rh )表示如下[20 ,21 ,22 ] : ...
... 其中:R h _ b a s e 表示异养呼吸基础速率,SSTh 表示土壤温度的影响,SSWh 表示土壤可获得水分的影响,SSAh 表示站点年龄的影响.Rh_coef_a 不同植被类型取值不同,T_soil 表示土壤温度;对于所有植被类型b =0.86,c =-1.26,d =0.7486,SW表示土壤可获得水分百分比(0~1),当SW>0.5时表示水分无影响;a =0.379,b =2.14,c =-0.158,d =0.9824,age 表示树龄[21 ] . ...
Parameterization of a Diagnostic Carbon Cycle Model for Continental Scale Application
1
2011
... 其中:R m _ b a s e 表示维持呼吸基础呼吸速率,Q10 取值2.0,Tair 表示天平均气温(℃),k 为辐射衰减系数,取值0.5,FPAR表示植被上层吸收的光合有效辐射(%),Rg_frac 表示可用于生长呼吸的碳分量,取值0.33[20 ] .异养呼吸(Rh )表示如下[20 ,21 ,22 ] : ...
A Remote Sensing Model to Estimate Ecosystem Respiration in Northern China and the Tibetan Plateau
2
2015
... ReRSM模型将Re 分为5个部分[23 ] :生长呼吸(Rg )、维持呼吸(Rm )、根际微生物呼吸(Rrhi )、微生物呼吸(Rres )和土壤有机质分解(RSOM ).生长呼吸(Rg )和根际微生物呼吸(Rrhi )与GPP 关系密切: ...
... 进一步分析a 值过高或过低的原因,发现与LSWIsm 和年均夜间温度(Tn_am )有关.图6 中,LSWIsm 与其他站年相比过低,这样就会造成a 值过高,从而模拟的Re高估,如站年US-ARc(2005年)(LSWIsm =0.10)、RU-Ha1(2002~2004年)(LSWIsm =0.04、0.05和0.05);CN-Cng(2008~2010年)(LSWIsm =0.11、0.07和0.09).LSWIsm 与其他站年相比过高,这样会造成a 值过低,从而模拟的Re 低估,如站年FI-Hyy(2004和2006年)(LSWIsm =0.34和0.32)、US-Wcr(2004~2006年)(LSWIsm =0.32、0.33和0.33)、US-Wi8(2002年)(LSWIsm =0.33)、CA-Gro(2004~2005年)(LSWIsm =0.29和0.31)和CA-Oas(2003~2005年)(LSWIsm =0.27、0.32和0.32).无论是高估或低估Re,都会导致RMSE增大,因此上述18个站年在ReRSM模型中RMSE高于另两种模型.由此可见,LSWIsm 与其他站年相比过低,会导致模拟的Re高估,反之则低估,这与Gao的结论相吻合[23 ] . ...
Semiempirical Modeling of Abiotic and Biotic Factors Controlling Ecosystem Respiration Across Eddy Covariance Sites
5
2015
... 其中,不同植被类型的参数不同[24 ] ,见表2 . ...
... TPGPP模型在不同植被类型中的参数[24 ] ...
... Parameters of the TPGPP model in different vegetation types[24 ] ...
... C-Flux、ReRSM和TPGPP模型都包含了温度对Re 的影响,温度与Re 之间建立的关系结构可分为2种:Q10 模型指数关系和Arrhenius型方程指数关系[24 ] .其中,C-Flux模型属于Q10 模型指数关系,不同模型的Q10 取值不同.C-Flux模型的Q10 取值为2.0,但是,对于不同的植被类型,Q10 的取值始终为同一个常数,这样不可避免地存在误差.ReRSM和TPGPP模型使用了Arrhenius型方程指数关系,这与Q10 模型相比,结构更为合理,能更好地反映温度对Re 的影响. ...
... C-Flux、ReRSM和TPGPP模型都考虑了水分对Re 的影响,但各模型所运用的水分因子各不同.C-Flux模型考虑了土壤可获得水分对Re 的影响,ReRSM模型使用LSWIsm 来表征水分的影响,TPGPP模型使用降水量数据表征水分因子的影响.对于模拟水分对Re 影响准确度的角度,土壤可获得水分是最直接的影响因素[24 ] ,所以C-Flux模型考虑的水分变量更合理,但是土壤可获得水分数据不易测量,难以推广到大尺度的模型模拟.TPGPP模型使用降水量数据来表征水分因子的影响,降水量数据相比土壤可获得水分数据更易获得,在大尺度使用上实现的可能性更大.但ReRSM模型使用的遥感指数LSWI,比降水量数据更易获得,且可推广到区域甚至全球尺度上.同时,ReRSM模型使用LSWIsm 来表征水分影响,可以较好地模拟Re 的季节变化趋势,说明ReRSM模型结构合理,但是,ReRSM模型的模拟结果会因为LSWIsm 的变化而出现高估或低估现象,表明ReRSM模型在考虑水分因子方面的参数有待改进. ...
Forest Carbon Use Efficiency: Is Respiration a Constant Fraction of Gross Primary Production
1
2010
... 很多Re 模型认为呼吸与总初级生产力(GPP)之间存在线性关系[25 ,26 ] ,这一理论在C-Flux、ReRSM和TPGPP模型中都有体现.C-Flux模型在模拟生长呼吸时考虑GPP的影响,且GPP的系数设为定值0.33[20 ] ,虽然这样可以使得参数明确,简化模型结构,但是不根据植被类型的不同,分别考虑GPP的影响,会导致模拟结果存在误差,这也是C-Flux模型模拟精度低于其他两种模型的原因之一.ReRSM模型考虑GPP的影响时,其系数由LSWIsm 和LSTn_am 决定,充分考虑了不同区域的水热条件影响,结构合理,但具体参数还有待改进.TPGPP模型根据不同植被类型,GPP的系数不同,从表2 中可以看出,不同植被类型参数差距较大,在考虑植被差异的同时,也加大了模型参数的不确定性. ...
Daily Canopy Photosynthesis Model Through Temporal and Spatial Scaling for Remote Sensing Applications
1
1999
... 很多Re 模型认为呼吸与总初级生产力(GPP)之间存在线性关系[25 ,26 ] ,这一理论在C-Flux、ReRSM和TPGPP模型中都有体现.C-Flux模型在模拟生长呼吸时考虑GPP的影响,且GPP的系数设为定值0.33[20 ] ,虽然这样可以使得参数明确,简化模型结构,但是不根据植被类型的不同,分别考虑GPP的影响,会导致模拟结果存在误差,这也是C-Flux模型模拟精度低于其他两种模型的原因之一.ReRSM模型考虑GPP的影响时,其系数由LSWIsm 和LSTn_am 决定,充分考虑了不同区域的水热条件影响,结构合理,但具体参数还有待改进.TPGPP模型根据不同植被类型,GPP的系数不同,从表2 中可以看出,不同植被类型参数差距较大,在考虑植被差异的同时,也加大了模型参数的不确定性. ...
山地地表生态参量遥感反演的理论、方法与问题
1
2016
... 3种遥感模型都考虑了水分和温度对Re 的影响.并且C-Flux和ReRSM模型还考虑了土壤有机碳的影响,但TPGPP模型未考虑土壤有机碳的影响,在这方面,可以对TPGPP模型进一步地改进,使得该模型包括更多Re 的影响因子,提高模拟精度.同时,3种模型均未考虑地形因素的影响,而实际上地形是会对Re 产生影响的,比如在山地地区垂直分布的地形会造成山地小气候、土壤中的水分也会因为地形而产生侧向移动等[27 ] . ...
山地地表生态参量遥感反演的理论、方法与问题
1
2016
... 3种遥感模型都考虑了水分和温度对Re 的影响.并且C-Flux和ReRSM模型还考虑了土壤有机碳的影响,但TPGPP模型未考虑土壤有机碳的影响,在这方面,可以对TPGPP模型进一步地改进,使得该模型包括更多Re 的影响因子,提高模拟精度.同时,3种模型均未考虑地形因素的影响,而实际上地形是会对Re 产生影响的,比如在山地地区垂直分布的地形会造成山地小气候、土壤中的水分也会因为地形而产生侧向移动等[27 ] . ...