Modeling and parameter optimization of net primary productivity in the Korean pine-broadleaved forests of northeast China
-
摘要:目的
本研究旨在通过优化生物地球化学循环模型（Biome-BGC）的参数估计，提高东北阔叶红松林净初级生产力（NPP）的模拟精度，并探讨关键敏感参数对NPP的影响机制。
方法以中国东北阔叶红松林为研究对象，基于中分辨率成像光谱仪获取的叶面积指数数据，结合参数估计模型（PEST），对Biome-BGC模型中针叶树和阔叶树的28个生理生态参数进行优化，并评估参数敏感性。通过对比优化前后的模拟结果，使用线性回归模型评价NPP模拟精度的变化；同时，运用结构方程模型量化高敏感性参数（敏感性指数 > 0.2）对模拟NPP的影响路径。
结果（1）参数优化后，模拟NPP的拟合优度显著提高（p < 0.01），决定系数由0.15提升到0.31，均方根误差降低了59%。（2）针叶树和阔叶树共有的高敏感性参数包括：植物受火灾影响的年死亡率、最大气孔导度、边界层导度和二磷酸核酮糖羧化酶（Rubisco）中的叶氮含量。（3）结构方程模型的结果显示，Rubisco中的叶氮含量和最大气孔导度是影响模拟NPP的主要参数，分别通过羧化限制作用和二氧化碳扩散限制调控光合能力。然而，气孔导度的调控作用易受环境条件影响，可能对光合作用产生促进或抑制作用。
结论在Biome-BGC模型的参数优化过程中，结合观测数据与PEST模型，重点关注Rubisco中的叶氮含量和最大气孔导度等关键参数，可显著提升NPP模拟的精度和效率。本研究为东北阔叶红松林生态系统碳循环模拟和植被参数研究提供了理论依据和方法支持。
-
关键词:
- 净初级生产力 /
- Biome-BGC模型 /
- PEST模型 /
- 参数优化 /
- 阔叶红松林
Abstract:ObjectiveThis study aims to enhance the accuracy of Net Primary Productivity (NPP) simulations by optimizing parameter estimation in the Biome-BGC model. It also seeks to analyze the pathways through which key sensitive parameters influence NPP.
MethodThe research focuses on the Korean pine-broadleaved forests in northeastern China. In the Biome-BGC model, 28 physiological and ecological parameters for conifers and broadleaved trees were optimized separately using the Parameter Estimation System (PEST), based on leaf area index data obtained from the Moderate-resolution Imaging Spectroradiometer (MODIS). A sensitivity analysis was conducted to identify parameters with sensitivity indices above 0.2. Simulation accuracy before and after optimization was evaluated using linear regression models. Additionally, structural equation models were employed to quantify the response of NPP to changes in highly sensitive parameters (sensitivity index > 0.2).
Result(1) Parameter optimization significantly improved the goodness of fit for NPP simulations (p < 0.01), with the coefficient of determination (R2) increasing from 0.15 to 0.31 and the root mean squared error (RMSE) decreasing by 59%. (2) The highly sensitive parameters shared by conifers and broadleaf trees include four key parameters: the annual fire mortality fraction, maximum stomatal conductance, boundary layer conductance, and the fraction of leaf nitrogen content in Rubisco. (3) Structural equation modeling indicated that leaf nitrogen content in Rubisco and maximum stomatal conductance are key parameters affecting simulated NPP. These parameters regulate photosynthetic capacity through carboxylation limitation and carbon dioxide diffusion. However, the regulatory effect of stomatal conductance on photosynthesis may vary with environmental conditions, potentially promoting or inhibiting photosynthetic activity.
ConclusionIntegrating observational data with the PEST system, while focusing on critical parameters such as leaf nitrogen content in Rubisco and maximum stomatal conductance, can significantly improve the accuracy and efficiency of NPP simulations in the Biome-BGC model. This study provides a theoretical foundation and methodological support for vegetation parameterization and carbon cycle simulations in the Korean pine-broadleaved forest ecosystems in northeastern China.
-
六盘山位于黄土高原西北部，不仅是干旱区−半干旱区的过渡区，也是黄土区−土石山区的过渡区，具有特殊的地理位置。华北落叶松是六盘山区的主要造林树种，在木材生产和水土保持方面发挥着重要的作用[1]，但由于该地区气候梯度和年际波动大，降水分布不均，大面积造林虽然增加了植被覆盖率，却使区域生态耗水增加，河川径流减少[2]，林水矛盾日益突出。森林蒸散是土壤−植物−大气系统（SPAC）中水热传输和能量转换的重要环节之一[3-4]，是植被对干旱等环境条件响应的关键过程[5-6]，其中，林分蒸腾是森林蒸散的最主要组分[7]，约占 40% ~ 70%[8]。因此，精确推算和预测林分蒸腾及其变化规律，揭示其与环境因子之间的关系，将有助于深入理解林水关系，并为当地植被恢复和林水管理提供理论指导。
以边材面积为空间纯量将树干液流进行尺度上推计算整株和林分蒸腾量的方法已经被广泛应用[9-10]。但不同时间尺度下，影响树干液流的生态因子会发生显著变化，进而影响林木/林分蒸腾的变化。目前，对不同时间尺度林木/林分蒸腾对环境因子的响应已开展了一些研究，如张静等[11]对苹果林的蒸腾研究发现，空气温度和饱和水汽压差均是日、月尺度下苹果林蒸腾的主要因子。李振华[12]发现，潜在蒸散量可解释华北落叶松林分日蒸腾量变异的81%。Liu等[13]发现林分日蒸腾量受潜在蒸散（PET）、叶面积指数（LAI）和不同深度土壤相对可利用水分（REW）的共同影响。王文杰等[14]发现，随时间尺度的减小，影响树干液流的主要因子将由土壤环境因子（作用于根系的水分吸收）向大气因子如光照和空气湿度（作用于叶片气孔）转变。但这些研究多在日、年尺度下探讨林分蒸腾对单个或多个环境条件的响应，较少关注小时尺度林分蒸腾对环境因子的响应，同时缺乏小时尺度林分蒸腾对多因子响应的耦合模型。事实上，随着全球气候逐渐变暖，导致干旱加剧、短时和极端天气条件频发[15]，日尺度上的研究无法揭示树干液流对日内剧烈变化的气象条件的响应，这将影响林分蒸腾的准确估计，限制对林木蒸腾响应环境变化的深入理解，因此有必要开展日内尺度的林分蒸腾的研究。因此，本研究以宁夏六盘山香水河小流域华北落叶松（Larix principis-rupprechtii）为研究对象，利用热扩散液流探针（SF-L）连续监测2018年生长季（5—10月）样树的树干液流，同步观测气象条件和土壤含水量，并拟合多因子影响的蒸腾模型，以期揭示短时间（小时）尺度内蒸腾对环境因子的响应规律，为当地林水管理提供理论依据。
1. 研究区概况
研究地点位于宁夏六盘山香水河小流域（106°12′ ~ 106°16′ E、35°27′ ~ 35°33′ N），面积为43.7 km2，海拔为2 070 ~ 2 931 m。该区属于温带半湿润气候，年均气温为5.8 ℃, 年均降水量为618 mm（1981—2010年）。主要土壤类型为灰褐土和高寒草甸土，其剖面主要分为枯落物层、腐殖质层、有机矿质层、淀积层和母质层[16]，土壤砾石含量高，平均土层厚度约80 cm[17]。人工纯林占小流域面积的24%，其中华北落叶松约占人工林总面积的90%。该小流域的分水岭沟子流域内华北落叶松均为同年栽植，经营历史相似，坡向均为东南坡向，因此，在该子流域选取一个水平坡长为425.1 m，平均坡度为27.8°的典型华北落叶松坡面，在坡脚处布设了一个长期固定监测样地，样地大小为30 m × 30 m，海拔为2 290 m, 坡度为37.6°。样地林分基本信息及0 ~ 80 cm土壤物理性质见表1。
表 1 研究样地基本信息Table 1. Basic information of the study sample plot平均胸径
Mean DBH/cm平均树高
Mean tree height/m平均冠幅
Mean crown width/m林分密度/（株·hm− 2）
Stand density/
(tree·ha− 1)郁闭度Canopy density 土壤密度
Soil bulk density/
(g·cm− 3)总孔隙度
Total
porosity/%毛管孔隙度
Capillary porosity/%非毛管孔隙度
Noncapillary porosity/%18.71 ± 4.03 16.19 ± 2.34 3.27 ± 0.81 907 0.72 0.94 56.65 40.56 16.09 2. 研究方法
2.1 气象条件监测
在距样地100 m处的林外空旷地安装一台WheatherHawk-232自动气象站（WheatherHawk，美国）记录气象条件，自计频率为5 min。测定的指标包括空气温度（Ta，°C）、空气相对湿度（RH，%）、降雨量（P，mm）、太阳辐射（Rs，W/m2）、风速（Ws，m/s）和风向。饱和水汽压差（vapor pressure deficit，VPD，kPa）由当时气温条件下空气中的饱和水汽压与实际水汽压之差计算而得[18]：
VPD=0.611×(1−RH100)×e[17.502TaTa+240.97] (1) 式中：Ta为空气温度（°C）；RH为空气相对湿度（%）。
2.2 土壤水分监测
根系层土壤水分对树木生长有重要作用，林木蒸腾直接受主根系层土壤水分的影响[19]，而研究区华北落叶松根系层主要分布在0 ~ 60 cm[20], 故本研究只关注根系层的土壤湿度。土壤湿度随土层深度变化有较大的空间变异[20]，且变异程度随土层的增加而逐渐降低，所以需在不同土层深度布设探头，且在表层进行加密观测。鉴于此，在样地内按0 ~ 10 cm、10 ~ 20 cm、20 ~ 40 cm、40 ~ 60 cm土层深度布设土壤湿度、温度传感器（5TE，Decagon，美国），监测不同土层的土壤湿度动态变化规律。传感器与EM50（Em50，Decagon，美国）数据采集器相连，记录频率为 5 min一次。土壤可利用水分（relative extractable water，REW）的计算公式如下：
REW=VSM−VSMmin (2) 式中：VSM为0 ~ 60 cm土层实际土壤含水量的平均值（m3/m3），VSMmin为0 ~ 60 cm土层的最小土壤含水量（m3/m3），VSMmax为0 ~ 60 cm土层的最大土壤含水量（m3/m3）。
2.3 树干液流的测定与计算
在样地内按树干径级（< 14 cm、14 ~ 17 cm、17 ~ 20 cm、> 20 cm）各径级选取1棵生长发育良好，无病虫害的树木做为样树用于监测树干液流，树干液流测定采用四针式热扩散液流探针（SF-L，Ecomatik，德国）。探针安装在树干北侧1.3 m处。安装探针时，首先将老化的树皮去除，将探针（S1、S0、S2、S3）按顺序插入树干内，注意加热探针（S0）应位于上方。探针安装好后，用玻璃胶将探针与树干之间的缝隙密封，用铝箔纸将探针部位的树干包裹，防止雨水及环境热辐射对探针测定数据的影响。探针与数据采集器DL2e（Delta-T Devices，英国）相连，每5 min记录一次数据。
单株液流速率（Ji，g/（m2·s））及平均液流速率
\overline {J_{\rm{s}}} （g/（m2·s））的计算方法为：{J_i} = 119 {\left( {\left( {{d_{{\rm{tmax}}}}/{d_{{\rm{tact}}}}} \right) - 1} \right)^{1.231}} (3) {d_{{\rm{tact}}}} = {T_{1 - 0}} - \left( {{T_{1 - 2}} + {T_{1 - 3}}} \right)/2 (4) \overline {J_{\rm{s}}} = \frac{{\displaystyle\mathop \sum \nolimits_i^n {J_i} \times {A_i}}}{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}} (5) 式中：dtmax为无液流时的最大温差（℃），即最大dt值；dtact为实际的dt值（℃）；T1−0、T1−2、T1−3分别为探针S1与S0、S2、S3之间的温度差（℃）。n为样树株数，Ai为第i株样树的边材面积（cm2）。
2.4 林分蒸腾量的计算
林分小时蒸腾量（T，mm/h）由样树的液流速率和边面积上推得到：
T = \overline {J_{\rm{s}}} \left( {{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}} \right) {S}^{-1} \times 60 \times 60 \times {10^{ - 3}} (6) 式中：S为样地面积（m2）。单株树干的边材面积Ai（cm2）由Liu[13]基于边材面积与胸径之间的函数关系拟合得来，见公式：
{A_i} = 0.255 \; 1 {\rm{DB}}{{\rm{H}}^{2.189 \; 2}} (7) 2.5 数据处理
影响树木/林分蒸腾的环境因子众多，且各因素相互影响，很难区分出单个因素的影响。因此，本文使用上外包线法进行单因素分析，并剥离每个因素对蒸腾量的影响，该方法可在一定程度上消除其他影响因素的干扰[21]。同时，假设各单因素对蒸腾量的影响是相互独立的，因此蒸腾量受各因素影响的耦合模型为其对每个单因素响应函数的连乘关系：
T = f\left( {X_1} \right) f\left( {X_2} \right) f\left( {X_3} \right) \cdots f\left( {X_n} \right) (8) 式中：T为林分蒸腾量，
f\left( {X_1} \right) 、f\left( {X_2} \right) 、f\left( {X_3} \right) ···f\left( {X_n} \right) 分别表示林分蒸腾量对单个因素的响应函数，n为因子数。用R2和无量纲的纳什系数（NSE）来评价模型模拟的质量[22]：
{\rm{NSE}} = 1 - \frac{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - {{y'}_i}} \right)}^2}}}{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - \bar y} \right)}^2}}} (9) 式中：yi为实测值；y′i为预测值；
\bar y 为所有实测值的平均值，NES越接近于1，表明模型拟合精度越高。3. 结果与分析
3.1 环境因子的季节变化特征
研究期间共观测到降水68场，累积降雨量为728 mm。降雨的季节动态呈单峰型变化格局，生长季初期（5月）和末期（9—10月）降水较少，6—8月降水较多。其中，6—8月总降水量占全年累计降水量的72%，最大的两场降雨分别发生在6月25日（59 mm）和7月10日（60 mm）。观测期间土壤相对可利用水分（REW）的变化范围为0.003 ~ 0.997，平均值为0.337。REW在6月25日至7月26日之间保持较高水平，与该时间段内连续的强降雨事件有关。分析数据发现，降水事件后的第2天，REW会大幅度升高，说明REW对降雨的响应存在一定程度的滞后。日均气温的变化趋势表现为随儒略日（DOY）的增加先升后降，变化范围为0.79 ~ 20.03 ℃，平均值为11.71 ℃，月均值表现为7月最大（17.75 ℃），10月最小（3.72 ℃）。观测期间空气相对湿度呈先增后减的变化趋势，变化范围为18% ~ 100%，平均值为68.3%。饱和水汽压差（VPD）的变化范围为0.01 ~ 1.46 kPa，平均值为0.53 kPa；太阳辐射强度（Rs）的变化范围为14.02 ~ 272.23 W/m2，平均值为113.96 W/m2，二者的月均值均表现为5月最大（0.66 kPa，160.6 W/m2），9月最小（0.36 kPa，87.41 W/m2）。2018年生长季环境因子的变化规律见图1。
![]()
图 1 2018年生长季内环境因子变化Figure 1. Variations of environmental factors in growth season of 20183.2 树干液流速率及林分蒸腾的日内变化
华北落叶松叶片在10月份会变黄并逐渐脱落，为减小叶片活性对数据的影响，选择2018年5—9月连续3个晴天（27日，28日，29日）的液流值，分析生长季不同时期华北落叶松树干平均液流速率（
\overline {J_{\rm{s}}} ）的日进程。由图2可知，液流速率存在明显的日变化，在一天内呈现单峰或多峰的变化特征，且不同时期树干液流的启动和停止时间不尽相同。5月27日至29日，树干液流于早晨06:50—07:05之间启动，之后迅速增加，至10:15—11:45之间达到峰值后开始下降，直至夜晚22:05—23:00之间达到最低值。6月27日至29日树干液流的启动时间为06:45—07:25之间，达到峰值的时间为10:50—12:25，出现最低值的时间为21:45—23:35。7月液流开始启动和停止的时间分别为03:40—07:00和21:05—23:00；9月液流的启动时间和停止时间分别为07:05—08:20和20:45—23:10。但8月27—29日树干液流的日进程与其他月份不同，存在夜间液流的现象。由于夜间气孔关闭，蒸腾作用停止，此时液流活动主要用于补充白天因强烈的蒸腾而导致的树体内的储水量减少的那部分水分[23-24]。同时，受不同时期土壤水分条件和气候条件的影响，树干液流峰值的大小从5—9月呈逐渐变小的趋势。![]()
图 2 典型晴天树干液流速率的日进程Figure 2. Diurnal variations of sap flux density (\scriptstyle \overline {J_{\rm{s}}} ) in typical sunny days利用公式6计算得到林分小时蒸腾，将每月连续3天相同时刻的林分小时蒸腾进行平均，结果见图3。由图3可知，林分小时蒸腾的日内变化规律与树干液流速率基本相同，均呈单峰或者多峰的变化。尽管5—8月，林分蒸腾均从早上07:00开始出现，但生长季初期（5月和6月）林分蒸腾增加到最大值的速度要快于其他月份，而9月份林分蒸腾在早上8:00出现，要晚于其他月份。林分小时蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。
![]()
图 3 不同月份内林分小时蒸腾的日内变化特征Figure 3. Diurnal variations of stand hourly transpiration (T) in different months3.3 林分小时蒸腾对单因素环境条件的响应
在小时尺度上，林分蒸腾的变化主要受VPD[25]、Rs[25]和REW的影响，因此，本文选取Rs、VPD和REW为主要影响因子，基于上外包线分析2018年生长季奇数天林分蒸腾量与Rs、VPD和REW的关系，逐个确定其响应函数。
图4为林分小时蒸腾（T）与Rs的外包线关系，由图可知，林分小时蒸腾对Rs的响应呈二次函数关系，可表示为：
![]()
图 4 林分小时蒸腾对太阳辐射的响应Figure 4. Response of stand hourly transpiration (T) to solar radiation\begin{aligned} & T = - 3.000 \; 0 \times {10^{ - 7}}{R_{\rm{s}}}^2 + 0.000 \; 4{R_{\rm{s}}} + 0.065 \; 4, \\ & {{R^2} = 0.98} \end{aligned} (10) 当Rs较小时，林分蒸腾随Rs的增大而增大，当Rs达到666.7 W/m2后，林分蒸腾随Rs的继续增大而减小。这是因为当Rs较小时，随着Rs的增大，气孔因受到光照的诱导作用而打开；同时空气温度升高，叶面温度也随之升高，为植物的蒸腾提供了能量[26]。而当Rs继续增大时，气孔会因为温度过高而关闭，使得蒸腾量减小。
图5为林分小时蒸腾与VPD的外包线关系，由图可知，林分小时蒸腾与VPD的响应呈二次函数关系，其外包线函数关系为：
![]()
图 5 林分小时蒸腾对饱和水汽压差的响应Figure 5. Response of stand hourly transpiration (T) to vapor pressure deficit\begin{aligned} & T = - 0.029 \; 3{\rm{VP}}{{\rm{D}}^2} + 0.109 \; 7{\rm{VPD}} + 0.087 ,\\ & {{R^2} = 0.98} \end{aligned} (11) 当VPD小于1.86 kPa时，林分蒸腾随VPD的增大而增大，当VPD大于1.86 kPa后，林分蒸腾随VPD的增大而减小。这是因为VPD过高时，植物将缩小气孔开度，减少水分过渡耗失，防止叶片水势过低而造成木质部出现灾变性的功能失衡[27]，但这将使气孔导度下降，蒸腾减小。
林分小时蒸腾与REW的外包线关系如图6所示。可以看到，林分小时蒸腾与REW的关系符合趋于饱和的指数方程，其外包线关系为：
![]()
图 6 林分小时蒸腾对土壤可利用水分的响应Figure 6. Response of stand hourly transpiration (T) to relative extractable water\!\begin{aligned} T = & - 0.000 \; 2 + 0.187 \; 0 \times \left( {1 - {\rm{exp}}\left( { - 26.875 \; 0{\rm{REW}}} \right)} \right),\\ & {{R^2} = 0.99} \end{aligned}\!\!\!\!\!\!\!\!\!\!\! (12) 林分蒸腾先随REW的增大而快速增加，当REW增加至0.3后，林分蒸腾增加的速度减缓并逐渐趋于稳定。这是因为当REW较小时，叶片水势低，水分由根系向上传递的驱动力弱，水分传输受阻；而随着REW的增加，树木可以吸收的水分和叶片水势增加，蒸腾速率也随之增加[28]；当REW增加到某一阈值时，蒸腾量逐渐趋于稳定。
3.4 林分小时蒸腾对多因素的响应及耦合模型
为反映Rs、VPD和REW对林分小时蒸腾的综合影响，基于公式10 ~ 12的函数形式和连乘方程（公式8），得到样地小时蒸腾对Rs、VPD和REW响应的耦合模型基本形式：
T = f\left( {{R_{\rm{s}}}} \right) f\left( {\rm{VPD}} \right) f\left( {\rm{REW}} \right) (13) 进一步利用2018年生长季奇数天的实测数据进行重新拟合模型参数。得到模型表达式为：
\begin{aligned} T = &\left( { - 6.347 \; 0 \times {{10}^{ - 5}}{R_{\rm{s}}^2} - 0.637 \; 0{R_{\rm{s}}} - 208.734 \; 8} \right) \times \\ &\left( { - 0.003 \; 2{\rm{VP}}{{\rm{D}}^2} + 0.013 \; 8{\rm{VPD}} + 0.001 \; 7} \right) \times \\ & \left( { - 0.008 \; 1 - 0.004 \; 6\left( {1 - {\rm{exp}}\left( { - 12.469 \; 6{\rm{REW}}} \right)} \right)} \right),\\ & {R^2} = 0.74 \end{aligned} (14) 利用该模型（公式14）得到的模拟值（2018年奇数天）与实测值具有较高的吻合性，（R2 = 0.74，NSE = 0.82）。利用未参与模型拟合的偶数天数据对模型进行验证发现（图7），模拟值与实测值的吻合较好（R2 = 0.77，NSE = 0.84），表明该模型能较好的模拟小时尺度林分蒸腾对环境变化的响应。
![]()
图 7 小时尺度林分蒸腾实测值与模拟值对比Figure 7. Comparison between the measured and simulated stand hourly transpiration (T)4. 讨 论
4.1 林分小时蒸腾对单因素环境条件的响应
在小时尺度上，林木/林分蒸腾对Rs和VPD的响应最为敏感，Rs是调节气孔活动的主要环境因子，而VPD是林分蒸腾的主要驱动力[29]。研究表明，蒸腾速率与Rs，VPD显著相关[30-33]。VPD表示空气的干燥程度[34]，当VPD较低时，气孔导度与VPD呈正相关；当VPD上升到一定阈值后，二者呈负相关。气孔对VPD的这种响应机制增加了从土壤到叶片这条水流通路上的导水阻力，保证了树木自身用水安全[32]。林分蒸腾响应VPD阈值的大小因树种而异。韩路等[35]对塔里木盆地灰胡杨（Populus pruinosa）的研究发现，蒸腾速率对VPD的响应阈值为2.92 kPa；贾国栋等[36]发现北方土石山区油松（Pinus tabuliformis）和刺槐（Robinia pseudoacacia）林分蒸腾在VPD达到1.1 kPa后降低。Fletcher等[37]发现VPD阈值受到植物耐旱程度的影响，一般在0.8 ~ 2.0 kPa。李新宇等[38]对银杏的蒸腾耗水研究表明，当VPD < 3.2 kPa时，VPD对液流是驱动作用，而VPD > 3.2 kPa时转变为限制作用。本研究中，当VPD于1.86 kPa后，林分蒸腾开始减小，该响应阈值在Fletcher等的研究结果范围之内。Rs影响气温和相对湿度，而VPD是温度和相对湿度的函数，因此，Rs的改变会引起VPD的改变。强太阳辐射使气温升高，空气相对湿度下降而导致VPD增大，引起气孔导度下降从而使林分蒸腾降低，因此，林分蒸腾对Rs的响应也存在一个阈值。朱丽薇等[39]研究发现当VPD大于2 kPa，同时光合有效辐射大于1 000 μmol/ （m2·s）时，荷木冠层气孔导度与水汽压亏缺呈显著负相关，说明辐射与水汽压亏缺共同决定气孔开闭。因此，Rs与VPD对蒸腾的影响是相互作用的。
除气象条件外，土壤水分也是影响树木蒸腾的主要因子。研究发现，樟子松在土壤水分偏低时，对Rs和VPD的敏感程度会降低，此时，REW成为主要的限制因子[40]。REW表征土壤供水能力的大小，林木蒸腾的水分主要来自于植物根系从土壤中吸取的水分，因此，植物是否受到干旱胁迫主要是由土壤水分的可利用性决定，并不完全取决于降雨条件[32]。土壤水分不足时，气孔为了降低干旱造成的风险会关闭[41]，导致液流速率下降，蒸腾量降低。Orlandini等[42]通过研究盆栽葡萄（Vitis vinifera）对土壤干旱的响应发现，当REW降低至0.35时，蒸腾速率开始降低。Lagergren 和Lindroth[43]在瑞典中部的针叶混交林内研究发现，树木蒸腾出现明显降低的REW阈值在0.2左右。当土壤水分充足时，叶片水势增加，蒸腾速率表现为先增加后逐渐趋于稳定的变化趋势[12]。有研究表明，林分蒸腾达到稳定时的REW的阈值为0.2 ~ 0.5之间[44]。本研究中，当REW的阈值大于0.3 时，林分小时蒸腾基本保持稳定，该阈值在前人研究的阈值范围之内。
4.2 多因素共同影响下的树木蒸腾
在自然条件下，树木蒸腾受大气蒸腾需求和土壤水分可获得性的共同限制。因此，精确量化各环境因子对蒸腾的影响，并建立多因素影响的林分蒸腾模型非常有必要。利用上外包线法和连乘方程构建多因素对林分蒸腾影响的复合模型，可较好地模拟林分蒸腾[12,44]。但目前研究均集中在日尺度上，对短时间尺度（如小时尺度）上树木蒸腾对多个环境的响应关系及耦合模型还未见报道，这限制了对树木蒸腾响应短时间环境变化的准确理解。本研究在小时尺度上建立了同时反映Rs，VPD和REW影响的华北落叶松林分蒸腾模型，具有较高的拟合精度，可解释小时蒸腾量变异的74%，可为更进一步理解华北落叶松蒸腾对小时尺度上环境变化的响应提供帮助。但本研究建立的耦合模型并未考虑短时间尺度下树干液流对Rs和VPD的响应的时滞效应问题。Zeppel等[45]对澳大利亚桉树（Eucalyptus crebra）和白羽松（Callitris glaucophylla）的研究发现，树干液流对VPD的响应关系会出现顺时针方向的时滞圈；Hong等[6]发现，树干液流速率对Rs的响应在晴天表现为顺时针时滞，而在阴天和雨天表现为逆时针时滞。另外，本研究也未考虑叶面积指数的变化对蒸腾量的影响。已有研究表明，同等辐射强度下，叶面积的大小决定着吸收能量的多少，因叶面积不同导致蒸腾存在差异[46]，这均有可能影响本研究构建模型的模拟精度（74%），因此，未来还需继续考虑时滞效应与叶面积指数变化的影响，以提高模型模拟精度。
5. 结 论
（1）林分蒸腾的日内变化呈现单峰或多峰的变化特征，蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。
（2）林分小时蒸腾量对Rs和VPD的响应均符合二次多项式函数，随Rs和VPD的增大，蒸腾量先增后减，达到最高值的Rs和VPD阈值分别为666.7 W/m2和1.86 kPa；而林分小时蒸腾对REW的响应符合趋于饱和的指数关系，随REW的增加，蒸腾量先增加，当REW大于0.3后逐渐趋于稳定。
（3）林分小时蒸腾可用耦合Rs、VPD和REW这3个因素影响的模型进行很好地预测和评估，模型为T = (− 6.347 0 × 10− 5
{R_{\rm{s}}^2} − 0.637 0Rs − 208.734 8) × (− 0.003 2VPD2 + 0.013 8VPD + 0.001 7) × (− 0.008 1 − 0.004 6(1 − exp(− 12.469 6REW)))。 -
![]()
图 1 相关系数和目标函数值的对数变化趋势
Figure 1. The trend of the logarithm of the objective function and correlation coefficient
![]()
图 2 净初级生产力和叶面积指数优化前和优化后模拟值与遥感值的回归分析
Figure 2. Regression analysis of simulated and remote sensing values of net primary productivity (NPP) and leaf area index (LAI) before and after optimization
![]()
图 3 被优化参数的敏感性分析
实线表示敏感性指数为0.2，虚线表示敏感性指数为0.1，误差条表示每个敏感性指数的均值和标准误。
Figure 3. Sensitivity analysis of the optimized parameters
![]()
图 4 被优化参数的不确定性分析
参数的不确定性大小用条形表示。
Figure 4. Uncertainty analysis of the optimized parameters
![]()
图 5 各敏感性参数对净初级生产力影响的结构方程模型
方框内的变量为内生变量和外生变量，并给出了内生变量的R2值。变量间的关系用线条表示，数字标注了标准化的路径系数。线条的方向代表变量间的因果关系，线条的粗细代表路径系数的大小。实线和虚线分别表示正效应和负效应。黑色线条表示路径显著（p < 0.05），灰色线条表示路径不显著（p > 0.05）。
Figure 5. Structural equation modeling (SEM) analysis of the impact of parameters on net primary productivity (NPP)
![]()
图 6 各敏感性参数对叶面积指数影响的结构方程模型
方框内的变量为内生变量和外生变量，并给出了内生变量的R2值。变量间的关系用线条表示，数字标注了标准化的路径系数。线条的方向代表变量间的因果关系，线条的粗细代表路径系数的大小。实线和虚线分别表示正效应和负效应。黑色线条表示路径显著（p < 0.05），灰色线条表示路径不显著（p > 0.05）。The variables inside the boxes represent endogenous and exogenous variables, and the R² values of the endogenous variables are provided. Relationships between the variables are indicated by lines, with numbers showing the standardized path coefficients. The direction of the lines represents causal relationships between variables, and the thickness of the lines reflects the magnitude of the path coefficients. Solid and dashed lines indicate positive and negative effects, respectively. Black lines represent significant paths （p < 0.05）, while gray lines indicate non-significant paths （p > 0.05）
Figure 6. Structural equation modeling (SEM) analysis of the impact of parameters on leaf area index (LAI)
表 1 阔叶红松林样地基本概况
Table 1 Basic characteristics of Korean pine-broadleaved forests
样地编号 纬度 海拔/ m 土壤颗粒组成/ % 反照率 土壤有效
深度/ m大气氮沉降速率/
（kg·m−2·a−1）生物固氮量/
（kg·m−2·a−1）林分密度/
（株·hm−2）平均胸径/cm 郁闭度 砂粒 粉粒 黏粒 样地1 43°57′44″′N 453 34 40 26 0.2 1 0.000 2 0.000 6 1 352 14.60 ± 0.45 0.9 样地2 43°57′44″N 443 34 40 26 0.2 1 0.000 2 0.000 6 1 681 14.90 ± 0.37 0.9 样地3 43°58′04″′N 430 34 40 26 0.2 1 0.000 2 0.000 6 2 209 14.25 ± 0.40 0.9 样地4 43°58′23″N 497 34 40 26 0.2 1 0.000 2 0.000 6 2 358 13.93 ± 0.33 0.9 
下载: 导出CSV
表 2 常绿针叶林和落叶阔叶林的最优参数
Table 2 The optimal parameters of the evergreen needle forest and deciduous broadleaf forest
缩写名 参数 常绿针叶林 落叶阔叶林 基准值 取值范围 优化值 基准值 取值范围 优化值 TGF 生长转化期占生长季天数比例 0.3 [0.24, 0.36] 0.3 0.2 [0.16, 0.24] 0.2 LTF 凋落期占生长季天数比例 0.3 [0.24, 0.36] 0.3 0.2 [0.16, 0.24] 0.2 ALFTF 叶和细根生物量的年变化比 0.324 7 [0.256, 0.384] 0.25 1 [0.8, 1.2] 1 ALWTF 活木木质部生物量的年变化比 0.7 [0.56, 0.84] 0.84 0.7 [0.56, 0.84] 0.7 AWMF 整株植物的年死亡率 0.009 [0.007 2, 0.010 8] 0.010 8 0.022 8 [0.018, 0.027] 0.022 8 AFMF 植物受火灾影响的年死亡率 0.002 2 [0.001 76, 0.002 67] 0.005 0.002 2 [0.001 8, 0.002 7] 0.002 2 NFCNLC 新生细根与新生叶碳分配比 1.2 [0.96, 1.44] 1.2 0.9 [0.72, 1.08] 0.9 NSCNLC 新生茎与新生叶碳分配比 2.62 [2.1, 3.1] 3.1 2.66 [2.128, 3.192] 2.66 NLCNTC 新生活木与新生的总木质组织碳分配比 0.379 [0.303, 0.455] 0.33 0.1 [0.08, 0.12] 0.1 NCCNSC 新生粗根与新生茎碳分配比 0.3 [0.24, 0.36] 0.36 0.35 [0.28, 0.42] 0.35 CGP 植物新增生物量占植物生物量的比例 0.5 [0.4, 0.6] 0.6 0.5 [0.4, 0.6] 0.5 CNLV 叶片碳氮比 29.05 [23.24, 34.86] 28.19 18.696 [14.96, 22.44] 18.7 CNLT 叶片凋落物碳氮比 99.91 [79.9, 119.9] 119.9 33.81 [27.05, 40.57] 33.81 CNFR 细根碳氮比 49.15 [39.32, 58.98] 49.15 42.86 [34.29, 51.43] 42.86 CNLW 活木木质部碳氮比 97.43 [77.94, 116.92] 77.94 97.06 [77.65, 116.47] 97.06 CNDW 枯木木质部碳氮比 398 [318.4, 477.6] 736.03 189.3 [151.4, 227.16] 189.3 LTLAB 叶片凋落物易分解物质占比/% 0.2 0.2 0.3 0.2 LTCEL 叶片凋落物纤维素占比/% 0.48 0.48 0.5 0.48 LTLIG 叶片凋落物木质素占比/% 0.32 0.32 0.2 0.32 FRLAB 细根易分解物质占比/% 0.27 0.27 0.3 0.27 FRCEL 细根纤维素占比 /% 0.43 0.43 0.45 0.43 FRLIG 细根木质素占比/% 0.3 0.3 0.25 0.3 DWCEL 枯木纤维素占比 /% 0.71 0.71 0.76 0.71 DWLIG 枯木木质素占比/% 0.29 0.29 0.24 0.29 WIC 冠层水分截留系数 0.21 [0.168, 0.252] 0.17 0.235 [0.188, 0.282] 0.24 CLEC 冠层消光系数 0.35 [0.28, 0.42] 0.35 0.58 [0.464, 0.696] 0.58 ASPLAR 投影叶面积与全部叶面积的比 7.745 [6.196, 9.294] 4.44 4.28 [3.43, 5.14] 4.28 CASLA 冠层平均比叶面积/（m2·kg−1） 7.46 [5.97, 8.39] 15.34 26.18 [20.95, 31.42] 26.18 SSSLA 阴生叶与阳生叶的比叶面积比 2 [1.6, 2.4] 2.4 2 [1.6, 2.4] 2 FLNR 二磷酸核酮糖羧化酶中叶氮含量 0.04 [0.032, 0.048] 0.066 0.075 [0.06, 0.09] 0.075 MSC 最大气孔导度/（m·s−1） 0.006 1 [0.004 9, 0.007 4] 0.006 5 0.004 3 [0.003 4, 0.005 2] 0.004 3 CC 角质层导度/（m·s−1） 0.000 06 0.000 06 0.000 01 0.000 01 BLC 边界层导度/（m·s−1） 0.09 [0.072, 0.108] 0.09 0.01 [0.008, 0.012] 0.01 LWPstart 叶水势传导上限（气孔导度开始降低时的值）/MPa −0.65 [−0.78, −0.52] −0.78 −0.6 [−0.72, −0.48] −0.6 LWPclose 叶水势传导下限（气孔导度关闭时的值）/MPa −2.5 [−3, −2] −2.11 −2.3 [−2.76, −1.84] −2.3 VPDstart 水汽压差限制传导上限（气孔导度开始降低时的值）/Pa 610 [488, 732] 663.25 930 [744, 1 116] 930 VPDclose 水汽压差限制传导下限（气孔导度关闭时的值）/Pa 3 100 [2 480, 3 720] 3 140.49 4 100 [3 280, 4 920] 4 100 注：参数基准值和最优值分别由Biome-BGC模型和PEST模型给出，故精确位数无法一致。
下载: 导出CSV
表 3 结构方程模型中各敏感性参数对净初级生产力和叶面积指数的直接、间接和总效应
Table 3 Direct, indirect, and total effects of parameters on net primary productivity (NPP) in structural equation models
响应变量 参数 针叶树 阔叶树 直接效应 间接效应 总效应 直接效应 间接效应 总效应 净初级生产力的对数 AFMF −0.256*** 0.076* 0.283 −0.513*** 0.365*** 1.139 BLC −0.383*** 0.014 0.125 −0.036 CLEC 0.634*** FLNR 0.089* 0.159*** 0.872*** −0.209 MSC −0.179*** 0.535*** SSSLA −0.070* 0.198*** 叶面积指数 AFMF −0.110*** 0.057** 1.225 −0.151 0.482*** 1.681 BLC −0.114*** 0.004 −0.006 −0.038 CLEC 0.343*** FLNR 0.519*** 0.048*** 1.160*** −0.324** MSC −0.054 0.558*** SSSLA 0.228*** 0.305*** 注：***表示显著性水平小于0.005；**表示显著性水平小于0.01；*表示显著性水平小于0.05。
下载: 导出CSV
-
[1] Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281: 237−240. doi: 10.1126/science.281.5374.237
[2] Wu Y l, Wang X p, Ouyang S, et al. A test of BIOME-BGC with dendrochronology for forests along the altitudinal gradient of Mt. Changbai in northeast China[J]. Journal of Plant Ecology, 2017, 10(3): 415−425.
[3] Thornton P E. Description of a numerical simulation model for predicting the dynamics of energy, water, carbon, and nitrogen in a terrestrial ecosystem[D]. Missoula, MT: University of Montana, 1998.
[4] 何丽鸿, 王海燕, 雷相东. 基于BIOME-BGC模型的长白落叶松林净初级生产力模拟参数敏感性[J]. 应用生态学报, 2016, 27(2): 412−420. He L H, Wang H Y, Lei X D. Parameter sensitivity of simulating net primary productivity of Larix olgensis forest based on BIOME-BGC model[J]. Chinese Journal of Applied Ecology, 2016, 27(2): 412−420.
[5] 李旭华, 孙建新. Biome-BGC模型模拟阔叶红松林碳水通量的参数敏感性检验和不确定性分析[J]. 植物生态学报, 2018, 42(12): 1131−1144. doi: 10.17521/cjpe.2018.0231 Li X H, Sun J X. Testing parameter sensitivities and uncertainty analysis of Biome-BGC model in simulating carbon and water fluxes in broadleaved-Korean pine forests[J]. Chinese Journal of Plant Ecology, 2018, 42(12): 1131−1144. doi: 10.17521/cjpe.2018.0231
[6] 贾畅, 王丽娜, 唐亚坤. 利用Biome-BGC模型模拟黄土区沙棘人工林碳通量时的生理生态参数敏感性[J]. 林业科学, 2022, 58(11): 49−60. doi: 10.11707/j.1001-7488.20221105 Jia C, Wang L N, Tang Y K. Sensitivity analysis of ecophysiological parameters for the simulated carbon flux using the Biome-BGC model in a Hippophae rhamnoides plantation in the Loess region[J]. Scientia Silvae Sinicae, 2022, 58(11): 49−60. doi: 10.11707/j.1001-7488.20221105
[7] White M A, Thornton P E, Running S W, et al. Parameterization and sensitivity analysis of the BIOME–BGC terrestrial ecosystem model: Net primary production controls[J]. Earth interactions, 2000, 4(3): 1−85. doi: 10.1175/1087-3562(2000)004<0003:PASAOT>2.0.CO;2
[8] Hu Z M, Shi H, Cheng K L, et al. Joint structural and physiological control on the interannual variation in productivity in a temperate grassland: A data-model comparison[J]. Global Change Biology, 2018, 24(7): 2965−2979. doi: 10.1111/gcb.14274
[9] 王绪高, 吕晓涛, 郗凤明, 等. 东北陆地生态系统碳汇现状与研究展望[J]. 应用生态学报, 2024, 35(9): 2322−2337. Wang X G, Lu X T, Xi F M, et al. Current status and research prospects of terrestrial ecosystem carbon sink in Northeast China[J]. Chinese Journal of Applied Ecology, 2024, 35(9): 2322−2337.
[10] 徐崇刚, 胡远满, 常禹, 等. 生态模型的灵敏度分析[J]. 应用生态学报, 2004, 15(6): 1056−1062. doi: 10.3321/j.issn:1001-9332.2004.06.029 Xu C G, Hu Y M, Chang Y, et al. Sensitivity analysis in ecological modeling[J]. Journal of Applied Ecology, 2004, 15(6): 1056−1062. doi: 10.3321/j.issn:1001-9332.2004.06.029
[11] Ren H g, Zhang L, Yan M, et al. Sensitivity analysis of Biome-BGCMuSo for gross and net primary productivity of typical forests in China[J]. Forest Ecosystems, 2022, 9(1): 111−123.
[12] White J T, Hunt R J, Fienen M N, et al. Approaches to highly parameterized inversion: PEST + + Version 5, a software suite for parameter estimation, uncertainty analysis, management optimization and sensitivity analysis[R]. Washington, D. C. : Survey U S G, 2020.
[13] 张盈盈, 刘旻霞, 潘竟虎, 等. 甘南高寒草甸碳收支时空格局及动态模拟[J]. 生态学报, 2024, 44(13): 5542−5553. Zhang Y Y, Liu M X, Pan J H, et al. Spatial and temporal characteristics of the alpine meadow carbon budget in Gannan, China[J]. Acta Ecologica Sinica, 2024, 44(13): 5542−5553.
[14] 温永斌, 韩海荣, 程小琴, 等. 基于Biome-BGC模型的千烟洲森林水分利用效率研究[J]. 北京林业大学学报, 2019, 41(4): 69−77. Wen Y B, Han H R, Cheng X Q, et al. Forest water use efficiency in Qianyanzhou based on Biome-BGC model, Jiangxi Province of eastern China[J]. Journal of Beijing Forestry University, 2019, 41(4): 69−77.
[15] Liu Q y, Zhang T l, Du M x, et al. A better carbon-water flux simulation in multiple vegetation types by data assimilation[J]. Forest Ecosystems, 2022, 9(1): 131−45.
[16] You Y F, Wang S Y, Pan N Q, et al. Growth stage-dependent responses of carbon fixation process of alpine grasslands to climate change over the Tibetan Plateau, China[J]. Agricultural and Forest Meteorology, 2020, 291: 108085. doi: 10.1016/j.agrformet.2020.108085
[17] 岳庆敏, 何怀江, 张春雨, 等. 吉林蛟河阔叶红松林谱系多样性和功能多样性对采伐干扰的响应[J]. 生态学报, 2024, 44(19): 8617−8626. Yue Q M, He H J, Zhang C Y, et al. Response of phylogenetic and functional diversity to harvesting disturbance in the Korean pine-broadleaved forest[J]. Acta Ecologica Sinica, 2024, 44(19): 8617−8626.
[18] 于大炮, 周旺明, 包也, 等. 天保工程实施以来东北阔叶红松林的可持续经营[J]. 生态学报, 2015, 35(1): 10−7. Yu D P, Zhou W m, Bao Y, et al. Forest management of Korean pine and broadleaf mixed forest in Northeast China since the implementation of Natural Forest Protection Project[J]. Acta Ecologica Sinica, 2015, 35(1): 10−7.
[19] 吴松泽, 陈潜. 林业高质量发展与新质生产力的耦合协调关系研究[J]. 林业经济问题, 2024, 44(2): 128−135. Wu S Z, Chen Q. Research on the coupling and coordination relationship between high-quality forestry development and new productivity[J]. Issues of Forestry Economics, 2024, 44(2): 128−135.
[20] 李一哲, 张廷龙, 刘秋雨, 等. 生态过程模型敏感参数最优取值的时空异质性分析: 以BIOME-BGC模型为例[J]. 应用生态学报, 2018, 29(1): 84−92. Li Y Z, Zhang T L, Liu Q Y, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in eco- logical process model: The BIOME-BGC model as an example[J]. Journal of Applied Ecology, 2018, 29(1): 84−92.
[21] 刘晨, 张春雨, 赵秀海. 采伐干扰对吉林蛟河针阔混交林生产力稳定性的影响[J]. 林业科学, 2022, 58(3): 1−9. doi: 10.11707/j.1001-7488.20220301 Liu C, Zhang C Y, Zhao X H. Effects of disturtance by thinning on productivity stability of conifer-broadleaf mixed forest in Jiaohe, Jilin province[J]. Scientia Silvae Sinicae, 2022, 58(3): 1−9. doi: 10.11707/j.1001-7488.20220301
[22] FAO I, ISRIC I. Jrc: Harmonized world soil database (version 1.2)[Z]. FAO, Rome, Italy and IIASA, Laxenburg, Austria, 2012.
[23] Masson-Delmotte V, Zhai P, Pirani A, et al. Climate Change 2021[R]. London: Press C U, 2021.
[24] 国家气象信息中心. 中国国家级地面气象站基本气象要素日值数据集(V3.0)(1951—2010)[Z]. 时空三极环境大数据平台, 2019. National Meteorological Information Center. Daily meteorological dataset of basic meteorological elements of China National Surface Weather Station (V3.0)(1951−2010)[Z]. A Big Earth Data Platform for Three Poles, 2019.
[25] Running S W, Nemani R R, Hungerford R D. Extrapolation of synoptic meteorological data in mountainous terrain and its use for simulating forest evapotranspiration and photosynthesis[J]. Canadian Journal of Forest Research, 1987, 17(6): 472−83. doi: 10.1139/x87-081
[26] Thornton P E, Running S W. An improved algorithm for estimating incident daily solar radiation from measurements of temperature, humidity, and precipitation[J]. Agricultural and forest meteorology, 1999, 93(4): 211−28.
[27] 何怀江, 叶尔江·拜克吐尔汉, 张春雨, 等. 吉林蛟河针阔混交林12个树种生物量分配规律[J]. 北京林业大学学报, 2016, 38(4): 53−62. He H J, Yeerjiang B, Zhang C Y, et al. Biomass allocation of twelve tree species in coniferous and broad-leaved mixed forest in Jiaohe, Jilin Province, northeast China[J]. Journal of Beijing Forestry University, 2016, 38(4): 53−62.
[28] 胡乘风, 陈巧玲, 乔雪涛, 等. 阔叶红松林主要树种光合与光谱反射特性及初级生产力研究[J]. 北京林业大学学报, 2020, 42(5): 12−24. doi: 10.12171/j.1000-1522.20190364 Hu C F, Chen Q L, Qiao X T, et al. Photosynthetic, spectral reflectance characteristics and primary productivity of main tree species in broadleaved Korean pine forest[J]. Journal of Beijing Forestry University, 2020, 42(5): 12−24. doi: 10.12171/j.1000-1522.20190364
[29] 桑卫国, 李景文. 小兴安岭南坡红松林动态模拟[J]. 生态学报, 1998, 18(1): 38−47. doi: 10.3321/j.issn:1000-0933.1998.01.006 Sang W G, Li J W. Dynamics modeling of Korean pine forest in southern Lesser Xingan mountains of China[J]. Acta Ecologica Sinica, 1998, 18(1): 38−47. doi: 10.3321/j.issn:1000-0933.1998.01.006
[30] 及莹, 蔡体久. 小兴安岭原始红松林降雨截留观测及分段模拟[J]. 北京林业大学学报, 2015, 37(10): 41−49. Ji Y, Cai T J. Canopy interception in original Korean pine forest: measurement and dividual simulation in Xiaoxing'an Mountains, northeastern China[J]. Journal of Beijing Forestry University, 2015, 37(10): 41−49.
[31] Jarvis P, Leverenz J. Productivity of temperate, deciduous and evergreen forests[M]. Berlin: Springer, 1983.
[32] Turner D P, Ritts W D, Cohen W B, et al. Evaluation of MODIS NPP and GPP products across multiple biomes[J]. Remote sensing of environment, 2006, 102(3-4): 282−292.
[33] Fang M Z, Cheng C J, He N P, et al. Implication of community-level ecophysiological parameterization to modelling ecosystem productivity: a case study across nine contrasting forest sites in eastern China[J]. Journal of Forestry Research, 2024, 35(1): 7.
[34] Running S, Mu Q, Zhao M. MOD17A3H MODIS/terra net primary production yearly L4 global 500m SIN grid V006. NASA EOSDIS Land Processes DAAC[Z]. Accessed 2023-01-11 from https://doi.org/10.5067/MODIS/MOD17A3H.006, 2015. 2015.
[35] Tuck S L, Phillips H R P, Hintzen R E, et al. MODISTools–downloading and processing MODIS remotely sensed data in R, Ecol. Evol. , 4, 4658–4668[Z]. 2014.
[36] Running S W, Zhao M. User’s guide daily GPP and annual NPP (MOD17A2H/A3H) and year-end gap-filled (MOD17A2HGF/A3HGF) products NASA Earth Observing System MODIS Land Algorithm (For Collection 6)[J]. Process DAAC, 2019, 490: 1−37.
[37] Cooley R L, Naff R L. Regression modeling of ground-water flow[M]. U. S.: Geological Survey Techniques in Water-Resources Investigations, 1990.
[38] Doherty J, Johnston J M. Methodologies for calibration and predictive analysis of a watershed model 1[J]. Journal of the American Water Resources Association, 2003, 39(2): 251−65. doi: 10.1111/j.1752-1688.2003.tb04381.x
[39] 李衡, 周义朋. 基于PEST的地下水模型参数优化及不确定性分析[J]. 科学技术与工程, 2019, 19(26): 88−93. doi: 10.3969/j.issn.1671-1815.2019.26.012 Li H, Zhou Y P. Parameter optimization and uncertainty analysis of groundwater model based on PEST[J]. Science Technology and Engineering, 2019, 19(26): 88−93. doi: 10.3969/j.issn.1671-1815.2019.26.012
[40] Del Pozo A, Pérez P, Gutiérrez D, et al. Gas exchange acclimation to elevated CO2 in upper-sunlit and lower-shaded canopy leaves in relation to nitrogen acquisition and partitioning in wheat grown in field chambers[J]. Environmental and Experimental Botany, 2007, 59(3): 371−80.
[41] Dong N, Prentice I C, Wright I J, et al. Leaf nitrogen from the perspective of optimal plant function[J]. Journal of Ecology, 2022, 110(11): 2585−602.
[42] Juárez-López F J, Escudero A, Mediavilla S. Ontogenetic changes in stomatal and biochemical limitations to photosynthesis of two co-occurring Mediterranean oaks differing in leaf life span[J]. Tree Physiology, 2008, 28(3): 367−374.
[43] Meziane D, Shipley B. Direct and indirect relationships between specific leaf area, leaf nitrogen and leaf gas exchange. Effects of irradiance and nutrient supply[J]. Annals of Botany, 2001, 88(5): 915−927. doi: 10.1006/anbo.2001.1536
[44] Pearcy R W, Seemann J R. Photosynthetic induction state of leaves in a soybean canopy in relation to light regulation of ribulose-1-5-bisphosphate carboxylase and stomatal conductance[J]. Plant Physiology, 1990, 94(2): 628−633. doi: 10.1104/pp.94.2.628
[45] Pozo A, Pérez P, Gutiérrez D, et al. Gas exchange acclimation to elevated CO2 in upper-sunlit and lower-shaded canopy leaves in relation to nitrogen acquisition and partitioning in wheat grown in field chambers[J]. Environmental and Experimental Botany, 2007, 59: 371−380. doi: 10.1016/j.envexpbot.2006.04.009
[46] Hu W G, Ran J Z, Dong L W, et al. Aridity-driven shift in biodiversity–soil multifunctionality relationships[J]. Nature Communications, 2021, 12(1): 5350. doi: 10.1038/s41467-021-25641-0
[47] Mazziotta M, Pareto A. Normalization methods for spatio-temporal analysis of environmental performance: Revisiting the Min–Max method[J]. Environmetrics, 2022, 33(5): e2730. doi: 10.1002/env.2730
[48] Grace J B, Anderson T M, Olff H, et al. On the specification of structural equation models for ecological systems[J]. Ecological monographs, 2010, 80(1): 67−87. doi: 10.1890/09-0464.1
[49] Rosseel Y. lavaan: An R package for structural equation modeling[J]. Journal of statistical software, 2012, 48: 1−36.
[50] Akaike H. A new look at the statistical model identification[J]. IEEE transactions on automatic control, 1974, 19(6): 716−723. doi: 10.1109/TAC.1974.1100705
[51] Burnham K P, Anderson D R. Multimodel inference: understanding AIC and BIC in model selection[J]. Sociological methods & research, 2004, 33(2): 261−304.
[52] 樊华烨, 李英, 张廷龙, 等. 陆地植被水碳通量模型模拟与数据同化研究进展[J]. 应用生态学报, 2020, 31(6): 2098−2108. Fan H Y, Li Y, Zhang T L, et al. Research advances in model simulation and data assimilation of water and carbon fluxes in land surface vegetation[J]. Chinese Journal of Applied Ecology, 2020, 31(6): 2098−2108.
[53] 康满春. 北方典型杨树人工林能量分配与碳水通量模拟[D]. 北京: 北京林业大学, 2016. Kang M C. Energy Partitioning and Modelling of Carbon and Water Fluxes of a Poplar Plantation Ecosystem in Northern China[D]. Beijing: Beijing Forestry University, 2016.
[54] Woodrow I E, Berry J A. Enzymatic Regulation of Photosynthetic CO2, Fixation in C3 Plants[J]. Annual Review of Plant Physiology and Plant Molecular Biology, 1988, 39(1): 533−594. doi: 10.1146/annurev.pp.39.060188.002533
[55] Yin X, Lantinga E A, Schapendonk A H, et al. Some quantitative relationships between leaf area index and canopy nitrogen content and distribution[J]. Annals of Botany, 2003, 91(7): 893−903. doi: 10.1093/aob/mcg096
[56] Wang D, Maughan M W, Sun J, et al. Impact of nitrogen allocation on growth and photosynthesis of Miscanthus (Miscanthus × giganteus)[J]. Global Change Biology Bioenergy, 2012, 4(6): 688−697. doi: 10.1111/j.1757-1707.2012.01167.x
[57] Gratani L, Covone F, Larcher W. Leaf plasticity in response to light of three evergreen species of the Mediterranean maquis[J]. Trees, 2006, 20: 549−558. doi: 10.1007/s00468-006-0070-6
-
期刊类型引用(3)
1. 蔡家珍. 闽南乡村低山河流型湿地公园植物群落构建. 漳州职业技术学院学报. 2024(04): 103-108 . 
百度学术
2. 郭雅婷，李运远. 基于生物多样性的城市绿地植物群落构建途径. 风景园林. 2022(01): 59-63 . 百度学术
3. 杨土士，王伟文，常鸣，王雪梅. 北京市潜在风道的数值模拟与综合识别. 地球信息科学学报. 2020(10): 1996-2009 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 4
- HTML全文浏览量: 4
- PDF下载量: 0
- 被引次数: 6
