Defining Leaf Area Index for Non‐flat Leaves
1
1992
... 叶面积指数(LAI)是植被冠层的物理参量,反映了植被群落的光能利用情况,与植物的光合作用密切相关.LAI在阔叶林中定义为单位地表面积的单侧绿叶面积,针叶林中表示为单侧、一半或者全部的针叶表面积在单位地表面积的比值[1],为植被冠层与环境因子之间的相互作用研究提供结构化的定量信息,相比于以往研究中广泛使用的植被指数(如NDVI、EVI等)有更加明确的物理意义[2],是研究植被生长及其驱动力的关键参数. ...
Characteristics, Drivers and Feedbacks of Global Greening
1
2020
... 叶面积指数(LAI)是植被冠层的物理参量,反映了植被群落的光能利用情况,与植物的光合作用密切相关.LAI在阔叶林中定义为单位地表面积的单侧绿叶面积,针叶林中表示为单侧、一半或者全部的针叶表面积在单位地表面积的比值[1],为植被冠层与环境因子之间的相互作用研究提供结构化的定量信息,相比于以往研究中广泛使用的植被指数(如NDVI、EVI等)有更加明确的物理意义[2],是研究植被生长及其驱动力的关键参数. ...
Global Data Sets of Vegetation Leaf Area Index (LAI) 3g and Fraction of Photosynthetically Active Radiation (FPAR) 3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the Period 1981 to 2011
2
2013
... 遥感技术可以提供全球1980年至今的时空连续LAI数据[3-5].基于多套长时间序列遥感观测的LAI数据的分析表明,1982~2009年间中国90%以上植被地区呈现LAI增加的趋势[6].2000~2017年,中国以占据全球6.6%的植被面积贡献了全球叶片面积净增长的25%[7].在全球变化的背景下,中国正在实施旨在减轻土地退化、改善空气污染和减缓气候变化的植树造林与退耕还林计划,厘清中国植被LAI近30 a来的趋势及其驱动机制十分重要. ...
... GIMMS LAI3g 是利用人工神经网络建立月尺度的GIMMS NDVI3g与MODIS LAI之间的关系(2000~2009年),进而利用GIMMS NDVI3g反演GIMMS LAI3g(1982~2015年)[3].该数据集时间分辨率为15 d,空间分辨率为1/12°,覆盖1982~2015年. ...
Long-Time-Series Global Land Surface Satellite Leaf Area Index Product Derived from MODIS and AVHRR Surface Reflectance
0
2016
Retrospective Retrieval of Long-term consistent Global Leaf Area Index(1981-2011) from Combined AVHRR and MODIS Data
1
2015
... 遥感技术可以提供全球1980年至今的时空连续LAI数据[3-5].基于多套长时间序列遥感观测的LAI数据的分析表明,1982~2009年间中国90%以上植被地区呈现LAI增加的趋势[6].2000~2017年,中国以占据全球6.6%的植被面积贡献了全球叶片面积净增长的25%[7].在全球变化的背景下,中国正在实施旨在减轻土地退化、改善空气污染和减缓气候变化的植树造林与退耕还林计划,厘清中国植被LAI近30 a来的趋势及其驱动机制十分重要. ...
Detection and Attribution of Vegetation Greening Trend in China over the Last 30 Years
3
2015
... 遥感技术可以提供全球1980年至今的时空连续LAI数据[3-5].基于多套长时间序列遥感观测的LAI数据的分析表明,1982~2009年间中国90%以上植被地区呈现LAI增加的趋势[6].2000~2017年,中国以占据全球6.6%的植被面积贡献了全球叶片面积净增长的25%[7].在全球变化的背景下,中国正在实施旨在减轻土地退化、改善空气污染和减缓气候变化的植树造林与退耕还林计划,厘清中国植被LAI近30 a来的趋势及其驱动机制十分重要. ...
... 大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势[13],而中国对全球的变绿趋势做出了重要的贡献 [7].本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近[7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
... 无论是总量,空间格局或是不同植被类型,生态系统模型都低估了近30 a来的中国植被LAI的变化趋势,尤其是胡焕庸线以东的地区.一方面,可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响,使中国非干旱地区(胡焕庸线以东)降雨的变化对LAI趋势的影响被高估了;另一方面,模型对人类活动对植被生长的影响机制模拟不足(例如植树造林等直接人为活动与农业管理等间接人为活动).在未来的研究中,通过优化模型关键参数、引入当前模型尚未考虑的关键生态过程是下一步研究的重点[6-7,38,39]. ...
China and India Lead in Greening of the World Through Land-use Management
5
2019
... 遥感技术可以提供全球1980年至今的时空连续LAI数据[3-5].基于多套长时间序列遥感观测的LAI数据的分析表明,1982~2009年间中国90%以上植被地区呈现LAI增加的趋势[6].2000~2017年,中国以占据全球6.6%的植被面积贡献了全球叶片面积净增长的25%[7].在全球变化的背景下,中国正在实施旨在减轻土地退化、改善空气污染和减缓气候变化的植树造林与退耕还林计划,厘清中国植被LAI近30 a来的趋势及其驱动机制十分重要. ...
... 大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势[13],而中国对全球的变绿趋势做出了重要的贡献 [7].本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近[7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
... [7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
... 无论是总量,空间格局或是不同植被类型,生态系统模型都低估了近30 a来的中国植被LAI的变化趋势,尤其是胡焕庸线以东的地区.一方面,可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响,使中国非干旱地区(胡焕庸线以东)降雨的变化对LAI趋势的影响被高估了;另一方面,模型对人类活动对植被生长的影响机制模拟不足(例如植树造林等直接人为活动与农业管理等间接人为活动).在未来的研究中,通过优化模型关键参数、引入当前模型尚未考虑的关键生态过程是下一步研究的重点[6-7,38,39]. ...
Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index During 1981 to 1999
1
2002
... 常用的统计学方法诸如回归分析和相关分析,基于统计回归的分析方法表明,气温能够较好地解释植被生长的年际波动[8-9].通过分析植被生长与生长季日最高温和最低温的偏相关系数表明,日最高温在湿润凉爽的地区导致了植被生长,而最低温的升高则增加了植被呼吸、抑制了植被生长[10-11].同时,基于因果关系的一些统计归因方法(如结构方程、收敛交叉映射等)近年来被越来越多的注意到. ...
Interannual Variations of Monthly and Seasonal Normalized Difference Vegetation Index (NDVI) in China from 1982 to 1999
1
2003
... 常用的统计学方法诸如回归分析和相关分析,基于统计回归的分析方法表明,气温能够较好地解释植被生长的年际波动[8-9].通过分析植被生长与生长季日最高温和最低温的偏相关系数表明,日最高温在湿润凉爽的地区导致了植被生长,而最低温的升高则增加了植被呼吸、抑制了植被生长[10-11].同时,基于因果关系的一些统计归因方法(如结构方程、收敛交叉映射等)近年来被越来越多的注意到. ...
Asymmetric Effects of Daytime and Night-time Warming on Northern Hemisphere Vegetation
1
2013
... 常用的统计学方法诸如回归分析和相关分析,基于统计回归的分析方法表明,气温能够较好地解释植被生长的年际波动[8-9].通过分析植被生长与生长季日最高温和最低温的偏相关系数表明,日最高温在湿润凉爽的地区导致了植被生长,而最低温的升高则增加了植被呼吸、抑制了植被生长[10-11].同时,基于因果关系的一些统计归因方法(如结构方程、收敛交叉映射等)近年来被越来越多的注意到. ...
Analysis of Trends in Fused AVHRR and MODIS NDVI Data for 1982-2006: Indication for a CO2 Fertilization Effect in Global Vegetation
1
2013
... 常用的统计学方法诸如回归分析和相关分析,基于统计回归的分析方法表明,气温能够较好地解释植被生长的年际波动[8-9].通过分析植被生长与生长季日最高温和最低温的偏相关系数表明,日最高温在湿润凉爽的地区导致了植被生长,而最低温的升高则增加了植被呼吸、抑制了植被生长[10-11].同时,基于因果关系的一些统计归因方法(如结构方程、收敛交叉映射等)近年来被越来越多的注意到. ...
Evaluation of the Terrestrial Carbon Cycle, Future Plant Geography and Climate Carbon Cycle Feedbacks Using Five Dynamic Global Vegetation Models (DGVMs)
1
2008
... 生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分.生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段.然而,生态系统模型发展至今,仍然有诸多尚未解决的问题.首先,由于参数和结构的差异[12],各模型对植被生长的模拟存在较大差异.研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现[13].其次,过程模型对于环境变量有不同程度的简化和取舍.近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区[14],而目前只有少数模型考虑了氮沉降对植被生长的影响.同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化[13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
Greening of the Earth and Its Drivers
4
2016
... 生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分.生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段.然而,生态系统模型发展至今,仍然有诸多尚未解决的问题.首先,由于参数和结构的差异[12],各模型对植被生长的模拟存在较大差异.研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现[13].其次,过程模型对于环境变量有不同程度的简化和取舍.近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区[14],而目前只有少数模型考虑了氮沉降对植被生长的影响.同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化[13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
... [13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
... 大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势[13],而中国对全球的变绿趋势做出了重要的贡献 [7].本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近[7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
... 近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性.除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献.中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图5)[34].图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强.通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系.对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势.先前已有研究指出生态系统模型高估了降雨对植被生长的影响[13,23,35],结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响.除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响.模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响[28]. ...
1961—2010年中国区域氮沉降时空格局模拟研究
1
2016
... 生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分.生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段.然而,生态系统模型发展至今,仍然有诸多尚未解决的问题.首先,由于参数和结构的差异[12],各模型对植被生长的模拟存在较大差异.研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现[13].其次,过程模型对于环境变量有不同程度的简化和取舍.近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区[14],而目前只有少数模型考虑了氮沉降对植被生长的影响.同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化[13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
1961—2010年中国区域氮沉降时空格局模拟研究
1
2016
... 生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分.生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段.然而,生态系统模型发展至今,仍然有诸多尚未解决的问题.首先,由于参数和结构的差异[12],各模型对植被生长的模拟存在较大差异.研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现[13].其次,过程模型对于环境变量有不同程度的简化和取舍.近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区[14],而目前只有少数模型考虑了氮沉降对植被生长的影响.同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化[13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
Large Divergence of Satellite and Earth System Model Estimates of Global Terrestrial CO2 Fertilization
1
2016
... 生态系统模型(Process-based Ecosystem Models)是基于植被生长的生理物理过程的先验知识逐步发展而来,是地球系统模型的重要组成部分.生态系统模型可以模拟不同实验情景条件下的植被生长状况,为理解植被生长的驱动机制提供了重要研究手段.然而,生态系统模型发展至今,仍然有诸多尚未解决的问题.首先,由于参数和结构的差异[12],各模型对植被生长的模拟存在较大差异.研究表明,多模型集合平均的方法通常优于单一模型模拟植被生长的表现[13].其次,过程模型对于环境变量有不同程度的简化和取舍.近30 a来,中国已经成为继欧洲和北美之后的第三大氮沉降区[14],而目前只有少数模型考虑了氮沉降对植被生长的影响.同时,其他没有被模型考虑的因素也在区域尺度影响着中国种植区的LAI变化[13],如人工林的管理、放牧、轮作、灌溉以及自然灾害.最后,过程模型对同一个驱动因素对植被生长的贡献也存在正负和幅度的不确定性[15].因此,可以通过遥感观测、生态系统模型模拟以及统计分析方法相结合的方式对植被生长变化趋势进行分析和归因. ...
Estimation of Global Leaf Area Index and Absorbed Par Using Radiative Transfer Models
1
2002
... 遥感能够在较大空间和时间范围内对LAI进行长时间、周期性观测,被广泛用于监测区域和全球范围内的陆地植被生长[16-17].本研究使用3套最新版本LAI数据集(GIMMS LAI3g、GLOBMAP LAI、GLASS LAI)来评估过去30 a中国植被生长变化. ...
近30 a中国叶面积指数变化趋势的不确定性评估
2
2020
... 遥感能够在较大空间和时间范围内对LAI进行长时间、周期性观测,被广泛用于监测区域和全球范围内的陆地植被生长[16-17].本研究使用3套最新版本LAI数据集(GIMMS LAI3g、GLOBMAP LAI、GLASS LAI)来评估过去30 a中国植被生长变化. ...
... 大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势[13],而中国对全球的变绿趋势做出了重要的贡献 [7].本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近[7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
近30 a中国叶面积指数变化趋势的不确定性评估
2
2020
... 遥感能够在较大空间和时间范围内对LAI进行长时间、周期性观测,被广泛用于监测区域和全球范围内的陆地植被生长[16-17].本研究使用3套最新版本LAI数据集(GIMMS LAI3g、GLOBMAP LAI、GLASS LAI)来评估过去30 a中国植被生长变化. ...
... 大部分研究认为在过去的几十年中,全球植被总体有着变绿的趋势[13],而中国对全球的变绿趋势做出了重要的贡献 [7].本研究的结果表明,1982~2015年间观测中国地区LAI上升趋势为9.8×10-3m2/(m2·a),这与之前的研究相近[7],也有研究计算了1982~2009年间中国LAI的趋势为7.0×10-3m2/(m2·a) [6],略低于本研究的结果,这可能是基于MODIS C5数据反演的LAI数据的增长趋势偏低导致[17]. ...
5 of the Community Land Model (CLM)
1
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Global Carbon Budget 2013
2
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
... [19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Evaluation of Ecosystem Dynamics, Plant Geography and Terrestrial Carbon Cycling in the LPJ Dynamic Global Vegetation Model
1
2003
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Implications of Accounting for Land Use in Simulations of Ecosystem Carbon Cycling in Africa
1
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Sensitivity of Holocene Atmospheric CO2 and the Modern Carbon Budget to Early Human Land Use: Analyses with a Process-based Model
1
2011
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
A Dynamic Global Vegetation Model for Studies of the Coupled Atmosphere-biosphere System
2
2005
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
... 近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性.除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献.中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图5)[34].图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强.通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系.对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势.先前已有研究指出生态系统模型高估了降雨对植被生长的影响[13,23,35],结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响.除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响.模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响[28]. ...
A Quasi-Equilibrium Tropical Circulation Model--Implementation and Simulation
1
2000
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
CO2 Emissions from Land-use Change Affected More by Nitrogen Cycle, Than by the Choice of Land-cover Data
1
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Will the Tropical Land Biosphere Dominate the Climate-carbon Cycle Feedback During the Twenty-first Century?
1
2007
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Trends and Drivers of Regional Sources and Sinks of Carbon Dioxide over the Past Two Decades
1
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Evaluation of Terrestrial Carbon Cycle Models for Their Response to Climate Variability and to CO2 Trends
3
2013
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
... 近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性.除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献.中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图5)[34].图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强.通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系.对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势.先前已有研究指出生态系统模型高估了降雨对植被生长的影响[13,23,35],结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响.除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响.模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响[28]. ...
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
Application of the ORCHIDEE Global Vegetation Model to Evaluate Biomass and Soil Carbon Stocks of Qinghai-Tibetan Grasslands
1
2010
... 在过去几十年里,已发展了多套生态系统过程模型,被广泛应用于陆地生态系统的关键过程(例如光合作用、呼吸作用、蒸散作用、碳分配等)模拟.本研究利用8套生态系统过程模型在不同情景下模拟的LAI,分析中国LAI变化趋势的驱动因子.这些模型包括:CLM4.5(Version 4.5 of the Community Land model)[18]、LPJ(the Lund-Potsdam-Jena Dynamic Global Vegetation Model)[19-20]、LPJ-GUESS(the Lund-Potsdam-Jena General Ecosystem Simulator)[19,21]、LPX(Land Processes and eXchanges)[22]、ORCHIDEE(Organising Carbon and Hydrology in Dynamic Ecosystems)[23]、VEGAS (Vegetation-Global-Atmosphere-Soil)[24]、ISAM (Integrated Science Assessment Model)[25]、JSBACH(Jena Scheme for Biosphere Atmosphere Coupling in Hamburg)[26].这些模型都考虑了二氧化碳浓度以及气候变化对LAI的影响.其中二氧化碳浓度通过影响光合作用的速率以及间接影响水分利用效率来影响植被生长,而气候变化主要通过影响叶片的光合作用以及呼吸作用来影响植被生长.除此之外,模型也考虑了土地利用变化对LAI的影响,包含了植树造林、森林砍伐、退耕还林等过程,直接影响了植被覆被.这些模型已被广泛用于研究全球陆地生态系统碳循环过程[27],并且也在中国的各层次生态系统的研究中得到应用[28-29]. ...
Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index during 1981 to 1999
1
2002
... 植被生长变化通常是二氧化碳浓度上升、气候变化以及土地利用变化等因素共同驱动,但是传统的统计分析方法难以独立区分这些驱动因子.例如,部分学者认为全球变暖是北半球植被增长的主要驱动力[30],也有研究指出大气二氧化碳浓度上升是北半球植被变绿的主要驱动因子[31].本研究对比分析了中国地区遥感观测的LAI与模型模拟的LAI,基于多情景生态系统模型模拟结果分析了中国LAI变化趋势的驱动因子,并探讨了生态系统模型模拟LAI变化趋势的不确定性. ...
Comment on “Variations in Northern Vegetation Activity Inferred from Satellite Data of Vegetation Index During 1981-1999” by L. Zhou et al
1
2002
... 植被生长变化通常是二氧化碳浓度上升、气候变化以及土地利用变化等因素共同驱动,但是传统的统计分析方法难以独立区分这些驱动因子.例如,部分学者认为全球变暖是北半球植被增长的主要驱动力[30],也有研究指出大气二氧化碳浓度上升是北半球植被变绿的主要驱动因子[31].本研究对比分析了中国地区遥感观测的LAI与模型模拟的LAI,基于多情景生态系统模型模拟结果分析了中国LAI变化趋势的驱动因子,并探讨了生态系统模型模拟LAI变化趋势的不确定性. ...
The Carbon Balance of Terrestrial Ecosystems in China
1
2010
... 结果表明,二氧化碳施肥效应是驱动中国LAI增加最主要的原因,为中国LAI的变化趋势贡献了3.5×10-3m2/(m2·a)(图1).二氧化碳施肥效应在空间上的异质性较小,但在低纬度地区的施肥效应会高于高纬度地区(图3).大气反演模型和自下而上的清单计算结果都表明中国陆地生态系统碳汇主要位于中国南部[32].二氧化碳施肥效应对于不同的植被类型存在一定的差异,对常绿林、农田和灌丛的贡献最大[33]. ...
Large Divergence of Satellite and Earth System Model Estimates of Global Terrestrial CO2 Fertilization
1
2016
... 结果表明,二氧化碳施肥效应是驱动中国LAI增加最主要的原因,为中国LAI的变化趋势贡献了3.5×10-3m2/(m2·a)(图1).二氧化碳施肥效应在空间上的异质性较小,但在低纬度地区的施肥效应会高于高纬度地区(图3).大气反演模型和自下而上的清单计算结果都表明中国陆地生态系统碳汇主要位于中国南部[32].二氧化碳施肥效应对于不同的植被类型存在一定的差异,对常绿林、农田和灌丛的贡献最大[33]. ...
The Impacts of Climate Change on Water Resources and Agriculture in China
2
2010
... 近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性.除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献.中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图5)[34].图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强.通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系.对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势.先前已有研究指出生态系统模型高估了降雨对植被生长的影响[13,23,35],结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响.除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响.模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响[28]. ...
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
Variations in Atmospheric CO2 Growth Rates Coupled with Tropical Temperature
2
2013
... 近30 a气候变化导致中国LAI趋势降低(-3×10-3m2/(m2·a))(图1),其空间分布有较高的空间异质性.除青藏高原、新疆西北部以及东部沿海地区以外,气候变化对大部分的LAI为负贡献.中国北部和内蒙古LAI降低的趋势可以由气候变化所解释(图3),这可能是由于过去的几十年里这些地区干旱加剧造成的(图5)[34].图5展示了中国近30 a来生长季降雨、气温、土壤含水量、土壤温度以及饱和水气压的趋势,对于气温、土壤温度与饱和蒸气压全国范围内大部分区域都呈现上升的趋势,除了青藏高原与西南地区之外,土壤水都降低了,而降雨的空间分异性较强.通过分析模型对遥感观测这部分低估的差值与这五种气候变量的相关系数,得到了降雨趋势的相关系数是最高的(R2=0.25,p<0.01),其次是土壤水含量的变化(R2=0.12,p<0.01)与饱和水气压的变化(R2=0.07,p<0.01),而气温(R2=0.03, p<0.1)与土壤温度(R2<0.01, p>0.1)的变化与低估的趋势几乎没有相关性,表明模型的低估与降雨的变化有着较为紧密的联系.对于气候驱动的LAI趋势(图3(b))发生显著降低的地区集中在降雨减少的地区,例如中国北部,内蒙东部,云南,广西以及中国中部部分地区,但除了内蒙古东部地区,这些非干旱的地区的LAI都显示出上升的趋势.先前已有研究指出生态系统模型高估了降雨对植被生长的影响[13,23,35],结合本文的结果推断:生态系统模型高估了中国非干旱地区降雨的变化对LAI趋势的影响.除草地以外,气候变化对于其他植被类型都有着使LAI趋势显著降低的影响.模型模拟的草地LAI趋势与遥感观测的LAI趋势较为接近,并且草地多出现在胡焕庸线以西的区域,这也说明了模型在中国北方地区LAI的模拟与遥感观测的LAI趋势差异较小,而南方地区则存在较大差异,这个差异可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响[28]. ...
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
Afforestation Promotes the Enhancement of Forest LAI and NPP in China
1
2020
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
中国大规模造林变绿难以越过胡焕庸线
1
2019
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
中国大规模造林变绿难以越过胡焕庸线
1
2019
... 土地利用变化也是驱动中国“变绿”的一个重要原因(2.6×10-3m2/(m2·a))(图1),并且空间格局上在大部分地区都表现为正的贡献,而在江苏、山东、安徽和东北的部分地区呈现负的贡献(图3).土地利用变化主导的地区主要集中在青藏高原,并且都是正的趋势(图3(c)),可能是自2000年以来退耕还林还草产生的结果.在过去的几十年中,土地利用对于常绿林的LAI趋势影响最大,这可能与我国大规模植树造林工程有关[28,36].但是,也有一些研究指出了生态系统模型的土地利用由于没有考虑到植树造林的过程而不能很好地模拟真实的土地变化情况[34-35].模型只考虑了人为活动中部分土地利用的变化对LAI趋势的影响,而对间接人为活动模拟能力不足.例如,集约农业、化肥的使用以及灌溉的改进,这些间接人类活动促进了多种作物的收获面积增加,有研究指出,间接人为活动是促进LAI趋势增加的关键驱动因素,尤其在中国[7].这表明生态系统模型对人类活动对植被影响的过程和机制模拟不足导致其对中国近几十年LAI变化趋势的低估,尤其是农田.另一方面,在青藏高原地区,模型模拟的LAI增加趋势高于遥感观测的LAI变化趋势(图2),这有可能是由于放牧等人类活动的影响没有被考虑到模型中.模型低估主要集中在胡焕庸线以东的地区(图2),这也是中国人口与人为活动集中的地区.同时也有研究指出,中国大规模植树造林止步于胡焕庸线以东[37], 这也表明了模型没有合理模拟人为活动(例如植树造林)对植被生长的影响. ...
Spatiotemporal Patterns of Terrestrial Gross Primary Production: A Review
1
2015
... 无论是总量,空间格局或是不同植被类型,生态系统模型都低估了近30 a来的中国植被LAI的变化趋势,尤其是胡焕庸线以东的地区.一方面,可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响,使中国非干旱地区(胡焕庸线以东)降雨的变化对LAI趋势的影响被高估了;另一方面,模型对人类活动对植被生长的影响机制模拟不足(例如植树造林等直接人为活动与农业管理等间接人为活动).在未来的研究中,通过优化模型关键参数、引入当前模型尚未考虑的关键生态过程是下一步研究的重点[6-7,38,39]. ...
Global and Time-resolved Monitoring of Crop Photosynthesis with Chlorophyll Fluorescence
1
2014
... 无论是总量,空间格局或是不同植被类型,生态系统模型都低估了近30 a来的中国植被LAI的变化趋势,尤其是胡焕庸线以东的地区.一方面,可能是因为模型上尚不能准确模拟植被对于土壤水分的响应,高估了降雨变化的影响,使中国非干旱地区(胡焕庸线以东)降雨的变化对LAI趋势的影响被高估了;另一方面,模型对人类活动对植被生长的影响机制模拟不足(例如植树造林等直接人为活动与农业管理等间接人为活动).在未来的研究中,通过优化模型关键参数、引入当前模型尚未考虑的关键生态过程是下一步研究的重点[6-7,38,39]. ...