高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

毛乌素沙地油蒿群落叶面积指数动态及模拟

张财 查天山 贾昕 刘鹏 李成

张财, 查天山, 贾昕, 刘鹏, 李成. 毛乌素沙地油蒿群落叶面积指数动态及模拟[J]. 北京林业大学学报, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
引用本文: 张财, 查天山, 贾昕, 刘鹏, 李成. 毛乌素沙地油蒿群落叶面积指数动态及模拟[J]. 北京林业大学学报, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
Zhang Cai, Zha Tianshan, Jia Xin, Liu Peng, Li Cheng. Dynamics and simulation of leaf area index for Artemisia ordosica community in the Mu Us Desert of northwestern China[J]. Journal of Beijing Forestry University, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
Citation: Zhang Cai, Zha Tianshan, Jia Xin, Liu Peng, Li Cheng. Dynamics and simulation of leaf area index for Artemisia ordosica community in the Mu Us Desert of northwestern China[J]. Journal of Beijing Forestry University, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298

毛乌素沙地油蒿群落叶面积指数动态及模拟

doi: 10.13332/j.1000-1522.20170298
基金项目: 

国家自然科学基金项目 31670708

国家自然科学基金项目 31670710

中央高校基本科研业务费专项 2015ZCQ-SB-02

详细信息
    作者简介:

    张财。主要研究方向:荒漠植被冠层结构动态。Email:czhangbjfu@163.com 地址:100083北京市海淀区清华东路35号北京林业大学水土保持学院

    通讯作者:

    贾昕,博士,副教授。主要研究方向:干旱半干旱区生态系统碳水循环。Email:xinjia@bjfu.edu.cn 地址:同上

  • 中图分类号: S717.19+3

Dynamics and simulation of leaf area index for Artemisia ordosica community in the Mu Us Desert of northwestern China

  • 摘要: 目的本研究以毛乌素沙地灌木油蒿群落为研究对象,研究如何快速、准确、连续地获取油蒿群落LAI,获取长期连续的LAI数据对研究生态系统过程与环境变化间的相互关系具有重要意义。方法本文采用原位连续监测和野外试验的方法,于2013和2014年每年4—10月使用LAI-2000冠层分析仪定期测定油蒿群落LAI,同时利用太阳辐射传感器和光量子传感器测得的辐射数据计算地面观测NDVI(NDVIground)并获取同期遥感MODIS NDVI(NDVIMODIS)。用LAI数据分析油蒿叶面积群落指数的季节动态,并与归一化积温、NDVIground和NDVIMODIS分别建立经验模型,得到最优油蒿群落LAI模拟模型。结果油蒿群落LAI在整个生长季内的变化与物候具有一致性,整体上随时间呈现单峰型变化趋势,4—8月末油蒿持续生长,LAI稳定增大,8月份达到峰值,2013年为1.09m2/m2,2014年为1.33m2/m2。9月初至9月中旬油蒿冠层结构趋于稳定,LAI变化较小;9月下旬油蒿叶片开始枯黄掉落,LAI迅速下降。经验证,利用NDVIground模拟荒漠地区油蒿群落LAI效果最优(R2=0.76, P < 0.01)。结论在荒漠地区简单测量NDVI并使用本文研究模型,可以快速、无破坏地获取长期连续可靠的LAI数据,研究结果对理解和预测荒漠生态系统对全球气候变化的响应具有重要意义。
  • 图  1  LAI测量样地及测量点布设

    Figure  1.  Deployment of LAI sampling quadrats and measurement points

    图  2  毛乌素沙地油蒿叶面积指数及归一化植被指数的季节动态

    NDVIground.地面观测NDVI Ground-based NDVI; NDVIMODIS.遥感MODIS NDVI Remote sensing MODIS NDVI;LE.展叶期Leaf expansion stage; FB.开花结果期Flowering and bearing stage; LC.变色期Leaf coloration stage; DP.凋落期Defoliation stage

    Figure  2.  Seasonal variations of LAI and NDVI in Artemisia ordosica in Mu Us Desert

    图  3  2013年使用不同方法建立的油蒿群落叶面积指数模拟模型

    Figure  3.  LAI simulation models of Artemisia ordosica community established by different methods in 2013

    图  4  2014年不同方法油蒿群落叶面积指数模拟值与实测值的比较和相对误差

    a、b为积温模拟法;c、d为地面观测NDVI模拟法;e、f为遥感反演法。

    Figure  4.  Comparison and relative error between simulated and measured LAI of Artemisia ordosica community in 2014

    a and b, normalized effective accumulated temperature; c and d, ground-based NDVI; e and f, remote sensing retrieval.

    表  1  2013和2014年油蒿群落物候期

    Table  1.   Phenophases of Artemisia ordosica community in 2013 and 2014

    年份
    Year
    展叶期
    Leaf expansion period
    开花结果期
    Flowering and bearing period
    变色期
    Leaf coloration period
    凋落期
    Defoliation period
    2013 94~145 170~248 235~287 242~287
    2014 102~147 171~247 232~291 238~291
    数据为一年中的第几天。Note: data is the ordinal date in a year.
    下载: 导出CSV

    表  2  不同方法模拟油蒿LAI的结果

    Table  2.   Simulated results of Artemisia ordosica LAI by different methods

    模拟方法Simulation method 拟合方程Model expression R2 RMSE AIC
    积温模拟法Simulation by NEAT LAI=0.63NEAT+0.47 0.83 0.09 -103.90
    LAI=0.54exp(0.72NEAT) 0.77 0.10 -97.56
    LAI=0.27ln(NEAT)+1.04 0.93 0.07 -123.77
    LAI=1.07NEAT0.36 0.91 0.07 -118.80
    LAI=1.01/(1+exp(0.97-6.03NEAT)) 0.95 0.05 -132.36
    LAI=1.00/(1+exp(0.82-4.76NEAT-2.82NEAT2)) 0.95 0.05 -132.65
    地面观测NDVI模拟法
    Simulation by NDVIground
    LAI=4.32NDVIground-0.92 0.74 0.11 -90.07
    LAI=0.10exp(5.10NDVIground) 0.69 0.12 -86.02
    LAI=1.69ln(NDVIground)+2.37 0.76 0.11 -91.37
    LAI=5.38NDVIground2.08 0.72 0.12 -88.03
    遥感反演法
    Simulation by remote sensing retrieval
    LAI=5.87NDVIMODIS-0.34 0.82 0.09 -103.05
    LAI=0.20exp(7.07NDVIMODIS) 0.77 0.11 -97.35
    LAI=1.10ln(NDVIMODIS)+2.62 0.84 0.09 -106.04
    LAI=7.78NDVIMODIS1.39 0.81 0.10 -101.45
    注:所有模型均通过0.01水平的显著性检验。Note: all models were examined by a significance test of 0.01 level.
    下载: 导出CSV

    表  3  不同植被基于NDVI的LAI估算模型

    Table  3.   LAI estimation models based on NDVI for different vegetation species

    植被
    Vegetation species
    模型方程
    Model expression
    R2
    小麦Triticum aestivum LAI=exp(2.77-0.52/NDVI) 0.96
    玉米Zea mays LAI=3.20NDVI+0.53 0.65
    水稻Oryza sativa LAI=1.06NDVI+1.05 0.99
    杨树Populus L. LAI=0.48exp(2.89NDVI) 0.51
    草地Grassland LAI=1.42NDVI-0.09 0.62
    LAI=0.13exp(NDVI/0.31) 0.59
    下载: 导出CSV
  • [1] Chen J M, Black T A. Defining leaf area index for non-flat leaves[J]. Plant, Cell & Environment, 1992, 15(4):421-429. doi:  10.1111-j.1365-3040.1992.tb00992.x/
    [2] 王龑, 田庆久, 王琦, 等.杨树林全生长期LAI遥感估算模型适用性[J].生态学报, 2016, 36(8):2210-2216. http://d.old.wanfangdata.com.cn/Periodical/stxb201608012

    Wang Y, Tian Q J, Wang Q, et al. Study on the applicability of leaf area index estimation model in an aspen forest over a growth period[J]. Acta Ecologica Sinica, 2016, 36(8):2210-2216. http://d.old.wanfangdata.com.cn/Periodical/stxb201608012
    [3] Bonan G B. Land-atmosphere interactions for climate system models:coupling biophysical, biogeochemical, and ecosystem dynamical processes[J]. Remote Sensing of Environment, 1995, 51(1):57-73. doi:  10.1016/0034-4257(94)00065-U
    [4] Veroustraete F, Patyn J, Myneni R B. Estimating net ecosystem exchange of carbon using the normalized difference vegetation index and an ecosystem model[J]. Remote Sensing of Environment, 1996, 58(1):115-130. doi:  10.1016/0034-4257(95)00258-8
    [5] 赵传燕, 沈卫华, 彭焕华.祁连山区青海云杉林冠层叶面积指数的反演方法[J].植物生态学报, 2009, 33(5):860-869. doi:  10.3773/j.issn.1005-264x.2009.05.004

    Zhao C Y, Shen W H, Peng H H. Methods for determining canopy leaf area index of Picea crassifolia forest in Qilian Mountains, China[J]. Chinese Journal of Plant Ecology, 2009, 33(5):860-869. doi:  10.3773/j.issn.1005-264x.2009.05.004
    [6] 曾小平, 赵平, 饶兴权, 等.鹤山丘陵3种人工林叶面积指数的测定及其季节变化[J].北京林业大学学报, 2008, 30(5):33-38. http://j.bjfu.edu.cn/article/id/8743

    Zeng X P, Zhao P, Rao X Q, et al. Measurement of leaf area index of three plantations and their seasonal changes in Heshan hilly land[J]. Journal of Beijing Forestry University, 2008, 30(5):33-38. http://j.bjfu.edu.cn/article/id/8743
    [7] Xiao Z Q, Liang S L, Jiang B. Evaluation of four long time-series global leaf area index products[J]. Agricultural and Forest Meteorology, 2017, 246:218-230. doi:  10.1016/j.agrformet.2017.06.016
    [8] Ryu Y, Sonnentag O, Nilson T, et al. How to quantify tree leaf area index in an open savanna ecosystem:a multi-instrument and multi-model approach[J]. Agricultural and Forest Meteorology, 2010, 150(1):63-76. doi:  10.1016/j.agrformet.2009.08.007
    [9] Bréda N J J. Ground-based measurements of leaf area index:a review of methods, instruments and current controversies[J]. Journal of Experimental Botany, 2003, 54(392):2403-2417. doi:  10.1093/jxb/erg263
    [10] 刘志理, 金光泽.光学仪器法测定叶面积指数季节变化的误差分析[J].林业科学, 2016, 52(9):11-21. http://d.old.wanfangdata.com.cn/Periodical/lykx201609002

    Liu Z L, Jin G Z. Bias analysis of seasonal changes of leaf area index derived from optical methods[J]. Scientia Silvae Sinicae, 2016, 52(9):11-21. http://d.old.wanfangdata.com.cn/Periodical/lykx201609002
    [11] 温一博, 常颖, 范文义.基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究[J].北京林业大学学报, 2016, 38(5):1-10. doi:  10.13332/j.1000-1522.20150204

    Wen Y B, Chang Y, Fan W Y. Algorithm for leaf area index inversion in the Great Xing' an Mountains using MISR data and spatial scaling for the validation[J]. Journal of Beijing Forestry University, 2016, 38(5):1-10. doi:  10.13332/j.1000-1522.20150204
    [12] She W W, Zhang Y Q, Qin S G, et al. Habitat effect on allometry of a xeric shrub (Artemisia ordosica Krasch) in the Mu Us Desert of northern China[J]. Forests, 2015, 6(12):4529-4539. doi:  10.3390/f6124385
    [13] 阎伟, 宗世祥, 骆有庆, 等.逐步回归模型在油蒿钻蛀性害虫预测中的应用[J].北京林业大学学报, 2009, 31 (3): 140-144. http://j.bjfu.edu.cn/article/id/8580

    Yan W, Zong S X, Luo Y Q, et al. Application of stepwise regression model in predicting the movement of Artemisia ordosica boring insects[J]. Journal of Beijing Forestry University, 2009, 31(3): 140-144. http://j.bjfu.edu.cn/article/id/8580
    [14] 张军, 黄永梅, 焦会景, 等.毛乌素沙地油蒿群落演替的生理生态学机制[J].中国沙漠, 2007, 27(6):977-983. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgsm200706012

    Zhang J, Huang Y M, Jiao H J, et al. Ecophysiological characteristics of Artemisia ordosica community succession in Mu Us Sandy grassland[J]. Journal of Desert Research, 2007, 27(6):977-983. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgsm200706012
    [15] 张德魁, 王继和, 马全林, 等.油蒿研究综述[J].草业科学, 2007, 24(8):30-35. doi:  10.3969/j.issn.1001-0629.2007.08.006

    Zhang D K, Wang J H, Ma Q L, et al. Summary of Artemisia ordosica studies[J]. Pratacultural Science, 2007, 24(8):30-35. doi:  10.3969/j.issn.1001-0629.2007.08.006
    [16] 张军红, 吴波, 雷雅凯, 等.毛乌素沙地油蒿植株形态与结构特征分析[J].西南林业大学学报, 2011, 31(5):6-9. doi:  10.3969/j.issn.2095-1914.2011.05.002

    Zhang J H, Wu B, Lei Y K, et al. Analysis of Artemisia ordosica plant morphology and structure characteristics in Mu Us Sandland[J]. Journal of Southwest Forestry University, 2011, 31(5):6-9. doi:  10.3969/j.issn.2095-1914.2011.05.002
    [17] Xie J, Zha T S, Jia X, et al. Irregular precipitation events in control of seasonal variations in CO2 exchange in a cold desert-shrub ecosystem in northwest China[J]. Journal of Arid Environments, 2015, 120:33-41. doi:  10.1016/j.jaridenv.2015.04.009
    [18] 唐思凌, 贾昕, 郭建斌, 等.沙蒿(Artemisia ordosica)叶面积指数的测定及模拟[J].生态学杂志, 2014, 33(2):547-554. http://d.old.wanfangdata.com.cn/Periodical/stxzz201402040

    Tang S L, Jia X, Guo J B, et al. Measuring and modeling leaf area index for Artemisia ordosica[J]. Chinese Journal of Ecology, 2014, 33(2):547-554. http://d.old.wanfangdata.com.cn/Periodical/stxzz201402040
    [19] 孔德胤, 杨松, 黄淑琴, 等.河套地区玉米叶面积指数的动态模拟[J].中国农业气象, 2014, 35(3): 281-286. doi:  10.3969/j.issn.1000-6362.2014.03.007

    Kong D Y, Yang S, Huang S Q, et al. Dynamic simulation of maize leaf area index in Hetao region[J]. Chinese Journal of Agrometeorology, 2014, 35(3):281-286. doi:  10.3969/j.issn.1000-6362.2014.03.007
    [20] Huemmrich K F, Black T A, Jarvis P G, et al. High temporal resolution NDVI phenology from micrometeorological radiation sensors[J/OL]. Journal of Geophysical Research:Atmospheres, 1999, 104(D22):27935-27944[2017-06-13]. http://onlinelibrary.wiley.com/doi/10.1029/1999JD900164/citedby.
    [21] Wilson T B, Meyers T P. Determining vegetation indices from solar and photosynthetically active radiation fluxes[J]. Agricultural and Forest Meteorology, 2007, 144(3):160-179. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ021944193/
    [22] 杜占池, 杨宗贵, 崔骁勇.内蒙古典型草原地区5类植物群落叶面积指数的比较研究[J].中国草地学报, 2001, 23(5):13-18. http://d.old.wanfangdata.com.cn/Periodical/zgcd200105003

    Du Z C, Yang Z G, Cui X Y. A comparative study on leaf area index of five plant communities in typical steppe region of Inner Mongolia[J]. Chinese Journal of Grassland, 2001, 23(5):13-18. http://d.old.wanfangdata.com.cn/Periodical/zgcd200105003
    [23] Huang L, Zhang Z S, Li X R. Sap flow of Artemisia ordosica and the influence of environmental factors in a revegetated desert area:Tengger Desert, China[J]. Hydrological Processes, 2010, 24(10):1248-1253. https://www.researchgate.net/publication/229927469_Sap_flow_of_Artemisia_ordosica_and_the_influence_of_environmental_factors_in_a_revegetated_desert_area_Tengger_Desert_China
    [24] Xiao B, Hu K L. Moss-dominated biocrusts decrease soil moisture and result in the degradation of artificially planted shrubs under semiarid climate[J]. Geoderma, 2017, 291:47-54. doi:  10.1016/j.geoderma.2017.01.009
    [25] Asner G P, Scurlock J M O, Hicke J A. Global synthesis of leaf area index observations:implications for ecological and remote sensing studies[J]. Global Ecology and Biogeography, 2003, 12(3):191-205. doi:  10.1046/j.1466-822X.2003.00026.x
    [26] 邵璞, 曾晓东. CLM3.0-DGVM中植物叶面积指数与气候因子的时空关系[J].生态学报, 2011, 31(16):4725-4731. http://d.old.wanfangdata.com.cn/Periodical/gyqx200803001

    Shao P, Zeng X D. Spationtemporal relationship of leaf area index simulated by CLM3.0-DGVM and climatic factors[J]. Acta Ecologica Sinica, 2011, 31(16):4725-4731. http://d.old.wanfangdata.com.cn/Periodical/gyqx200803001
    [27] 麻雪艳, 周广胜.春玉米最大叶面积指数的确定方法及其应用[J].生态学报, 2013, 33(8):2596-2603. http://d.old.wanfangdata.com.cn/Periodical/stxb201308031

    Ma X Y, Zhou G S. Method of determining the maximum leaf area index of spring maize and its application[J]. Acta Ecologica Sinica, 2013, 33(8):2596-2603. http://d.old.wanfangdata.com.cn/Periodical/stxb201308031
    [28] Wang Q, Adiku S, Tenhunen J, et al. On the relationship of NDVI with leaf area index in a deciduous forest site[J]. Remote Sensing of Environment, 2005, 94(2):244-255. doi:  10.1016/j.rse.2004.10.006
    [29] Bertram A, Clasen A, Kleinschmit B, et al. Estimation of the seasonal leaf area index in an alluvial forest using high-resolution satellite-based vegetation indices[J/OL]. Remote Sensing of Environment, 2014, 141:52-63[2017-06-21]. http://www.sciencedirect.com/science/article/pii/S0034425713003866.
    [30] Street L E, Shaver G R, Williams M, et al. What is the relationship between changes in canopy leaf area and changes in photosynthetic CO2 flux in arctic ecosystems?[J]. Journal of Ecology, 2007, 95(1):139-150. doi:  10.1111/jec.2007.95.issue-1
    [31] Maire G L, François C, Soudani K, et al. Forest leaf area index determination:a multiyear satellite-independent method based on within-stand normalized difference vegetation index spatial variability[J]. Journal of Geophysical Research:Biogeosciences, 2006, 111(G2): 1967-1970. http://cn.bing.com/academic/profile?id=f8035fbb83829f900cae2b5bb00b54d9&encoded=0&v=paper_preview&mkt=zh-cn
    [32] Schleppi P, Thimonier A, Walthert L. Estimating leaf area index of mature temperate forests using regressions on site and vegetation data[J]. Forest Ecology and Management, 2011, 261(3):601-610. doi:  10.1016/j.foreco.2010.11.013
    [33] 张学艺, 李剑萍, 官景得, 等.两种叶面积指数动态模拟方法的对比研究[J].国土资源遥感, 2011, 23(3):43-47. http://d.old.wanfangdata.com.cn/Periodical/gtzyyg201103008

    Zhang X Y, Li J P, Guan J D, et al. A comparative study of two dynamic simulated methods for spring wheat leaf area index in Ningxia irrigation area[J]. Remote Sensing for Land & Resources, 2011, 23(3):43-47. http://d.old.wanfangdata.com.cn/Periodical/gtzyyg201103008
    [34] 刘珺, 庞鑫, 杜灵通.夏玉米叶面积指数遥感反演研究[J].农业机械学报, 2016, 47(9):309-317. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201609042

    Liu J, Pang X, Du L T. Study on leaf area index inversion of summer maize using remote sensing[J]. Transaction of the Chinese Society for Agricultural Machinery, 2016, 47(9):309-317. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201609042
    [35] 彭虓, 张树文.基于NDVI与LAI的水稻生长状况研究[J].东北测绘, 2002, 25(4):16-19. doi:  10.3969/j.issn.1672-5867.2002.04.010

    Peng X, Zhang S W. Research on rice growth status based on NDVI and LAI[J]. Northeast Surveying and Mapping, 2002, 25(4):16-19. doi:  10.3969/j.issn.1672-5867.2002.04.010
    [36] Fan L, Gao Y, Brück H, et al. Investigating the relationship between NDVI and LAI in semi-arid grassland in Inner Mongolia using in-situ measurements[J]. Theoretical and Applied Climatology, 2009, 95(1-2):151-156. doi:  10.1007/s00704-007-0369-2
    [37] López-Serrano F R, García-Morote A, Andrés-Abellán M, et al. Site and weather effects in allometries:a simple approach to climate change effect on pines[J]. Forest Ecology and Management, 2005, 215(1-3):251-270. doi:  10.1016/j.foreco.2005.05.014
    [38] Wang X P, Fang J Y, Tang Z Y, et al. Climatic control of primary forest structure and DBH-height allometry in Northeast China[J]. Forest Ecology and Management, 2006, 234(1):264-274. doi:  10.1016-j.foreco.2006.07.007/
    [39] Maestre F T, Salguerogómez R, Quero J L. It is getting hotter in here:determining and projecting the impacts of global environmental change on drylands[J]. Philosophical Transactions of the Royal Society of London, 2012, 367:3062-3075. doi:  10.1098/rstb.2011.0323
  • [1] 王思思, 龙佳, 丁涵.  北京市21种植物的叶片吸水性能与冠层雨水截留能力研究 . 北京林业大学学报, 2020, 42(): 100-110. doi: 10.12171/j.1000-1522.20190379
    [2] 牟钰, 贾昕, 郑甲佳, 黄松宇, 原媛, 白宇轩, 秦树高.  毛乌素沙地油蒿枯落物分解对增温的响应 . 北京林业大学学报, 2020, 42(6): 134-141. doi: 10.12171/j.1000-1522.20190092
    [3] 梁勇奇, 李明泽, 杨瑞霞, 耿同, 李欢.  不同滤波算法对反演叶面积指数的影响 . 北京林业大学学报, 2020, 42(1): 54-64. doi: 10.12171/j.1000-1522.20180268
    [4] 刘正才, 屈瑶瑶.  基于SPOT-VGT数据的湖南省植被变化及其对气候变化的响应 . 北京林业大学学报, 2019, 41(2): 80-87. doi: 10.13332/j.1000-1522.20180278
    [5] 贾京伟, 牛健植, 蔺星娜, 朱志俊, 吴姗姗.  洋河流域NDVI时空变化及驱动力分析 . 北京林业大学学报, 2019, 41(2): 106-115. doi: 10.13332/j.1000-1522.20180046
    [6] 李想, 王亚明, 孟晨, 李娇, 牛健植.  基于幼树模拟降雨实验的树冠动态截留模型 . 北京林业大学学报, 2018, 40(4): 43-50. doi: 10.13332/j.1000-1522.20170348
    [7] 张旭, 宋文琦, 赵慧颖, 朱良军, 王晓春.  小兴安岭南部臭冷杉红松林树轮指数记录的7月NDVI变化 . 北京林业大学学报, 2018, 40(12): 9-17. doi: 10.13332/j.1000-1522.20180295
    [8] 梁椿烜, 马景永, 杨睿智, 吴雅娟, 田赟, 贾昕, 查天山, 杨林.  毛乌素沙地油蒿灌丛Priestley-Taylor模型系数研究 . 北京林业大学学报, 2018, 40(12): 1-8. doi: 10.13332/j.1000-1522.20180145
    [9] 朱娅坤, 秦树高, 张宇清, 张举涛, 邵艳莹, 高岩.  毛乌素沙地植被物候动态及其对气象因子变化的响应 . 北京林业大学学报, 2018, 40(9): 98-106. doi: 10.13332/j.1000-1522.20180020
    [10] 刘志理, 毕连柱, 宋国华, 王全波, 刘琪, 金光泽.  典型阔叶红松林叶面积指数的空间异质性 . 北京林业大学学报, 2018, 40(11): 1-11. doi: 10.13332/j.1000-1522.20170468
    [11] 杨路明, 秦树高, 刘振, 朱林峰, 刘峰.  毛乌素沙地不同下垫面地表凝结水形成过程 . 北京林业大学学报, 2016, 38(2): 90-95. doi: 10.13332/j.1000-1522.20150375
    [12] 温一博, 常颖, 范文义.  基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究 . 北京林业大学学报, 2016, 38(5): 1-10. doi: 10.13332/j.1000-1522.20150204
    [13] 段亮亮, 满秀玲, 刘玉杰, 刘海亮, 田野宏, 刘茜.  大兴安岭北部天然落叶松林土壤水分空间变异及影响因子分析 . 北京林业大学学报, 2014, 36(4): 36-41. doi: 10.13332/j.cnki.jbfu.2014.04.010
    [14] 鲁摇肃, 张宇清, 吴斌, 秦树高, 沈应柏.  水分胁迫下油蒿光合光响应过程及其模拟 . 北京林业大学学报, 2014, 36(1): 55-61.
    [15] 王武魁, 苏贤明, 施海, 张大红, 孙文祥, 赵天忠.  北京林业生物质资源空间密度分布计算及加工点选址优化 . 北京林业大学学报, 2010, 32(6): 71-79.
    [16] 宋富强, 康慕谊, 杨朋, 陈雅如, 刘阳, 邢开雄.  陕北地区GIMMS、SPOT--VGT和MODIS归一化植被指数的差异分析 . 北京林业大学学报, 2010, 32(4): 72-80.
    [17] 吴家胜, 吴家胜, 曾燕如, 曾燕如, 黎章矩, 黎章矩.  油茶丰产林土壤肥力与林分结构调查 . 北京林业大学学报, 2009, 31(6): 203-208.
    [18] 阎伟, 宗世祥, 骆有庆, 曹川健, 李占文, 郭琪林, .  逐步回归模型在油蒿钻蛀性害虫预测中的应用 . 北京林业大学学报, 2009, 31(3): 140-144.
    [19] 曾小平, 赵平, 饶兴权, 蔡锡安.  鹤山丘陵3种人工林叶面积指数的测定及其季节变化 . 北京林业大学学报, 2008, 30(5): 33-38.
    [20] 焦雯珺, 宋先亮, 金则新, 李俊, 周睿, 郑景明, 孙志蓉, 索安宁, 马玲, 高克昌, 吴家兵, 张志山, 奚如春, 武林, 周艳萍, 张春晓, 刘足根, 李黎, 于海霞, 张建军, 吕文华, 许景伟, 陆平, 雷妮娅, 郎璞玫, 邵杰, 于文吉, 赵文喆, 李传荣, 余养伦, 戴伟, 翟明普, 赵广杰, 朱教君, 关德新, 于志明, 盖颖, 张小由, 纳磊, 饶兴权, 马履一, 李钧敏, 郑红娟, 葛剑平, 习宝田, 陈勇, 陈少良, 蔡锡安, 朱清科, Kwei-NamLaw, 毕华兴, 韦方强, 赵秀海, 谭会娟, 王文全, 李增鸿, 张春雨, 袁小兰, 王天明, 杨永福, 赵平, 张弥, 马履一, 于波, ClaudeDaneault, 朱艳燕, 李俊清, 夏良放, 方家强, 张宇清, 李笑吟, 曾小平, 江泽慧, 贾桂霞, 崔鹏, 樊敏, 王瑞刚, 王卫东, 郭孟霞, 唐晓军, 李庆卫, 贺润平, 李丽萍, 邓宗付, 殷宁, 刘丽娟, 韩士杰, 王贺新, 张欣荣, 何明珠, 吴秀芹, 袁飞, 陈雪梅, 于贵瑞, 江杰, 吴记贵, 王月海, 毛志宏, 刘鑫, 熊颖, 王旭琴, 郑敬刚, 蒋湘宁, 孔俊杰, 王娜, 李新荣, 聂立水, 林靓靓, 王瑞辉, 葛剑平, 孙晓敏, 王贵霞, 郭超颖, 董治良, .  热平衡技术与气孔计法测定沙生植物蒸腾 . 北京林业大学学报, 2007, 29(1): 60-66.
  • 加载中
图(4) / 表 (3)
计量
  • 文章访问数:  759
  • HTML全文浏览量:  161
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-22
  • 修回日期:  2017-12-15
  • 刊出日期:  2018-03-01

毛乌素沙地油蒿群落叶面积指数动态及模拟

doi: 10.13332/j.1000-1522.20170298
    基金项目:

    国家自然科学基金项目 31670708

    国家自然科学基金项目 31670710

    中央高校基本科研业务费专项 2015ZCQ-SB-02

    作者简介:

    张财。主要研究方向:荒漠植被冠层结构动态。Email:czhangbjfu@163.com 地址:100083北京市海淀区清华东路35号北京林业大学水土保持学院

    通讯作者: 贾昕,博士,副教授。主要研究方向:干旱半干旱区生态系统碳水循环。Email:xinjia@bjfu.edu.cn 地址:同上
  • 中图分类号: S717.19+3

摘要: 目的本研究以毛乌素沙地灌木油蒿群落为研究对象,研究如何快速、准确、连续地获取油蒿群落LAI,获取长期连续的LAI数据对研究生态系统过程与环境变化间的相互关系具有重要意义。方法本文采用原位连续监测和野外试验的方法,于2013和2014年每年4—10月使用LAI-2000冠层分析仪定期测定油蒿群落LAI,同时利用太阳辐射传感器和光量子传感器测得的辐射数据计算地面观测NDVI(NDVIground)并获取同期遥感MODIS NDVI(NDVIMODIS)。用LAI数据分析油蒿叶面积群落指数的季节动态,并与归一化积温、NDVIground和NDVIMODIS分别建立经验模型,得到最优油蒿群落LAI模拟模型。结果油蒿群落LAI在整个生长季内的变化与物候具有一致性,整体上随时间呈现单峰型变化趋势,4—8月末油蒿持续生长,LAI稳定增大,8月份达到峰值,2013年为1.09m2/m2,2014年为1.33m2/m2。9月初至9月中旬油蒿冠层结构趋于稳定,LAI变化较小;9月下旬油蒿叶片开始枯黄掉落,LAI迅速下降。经验证,利用NDVIground模拟荒漠地区油蒿群落LAI效果最优(R2=0.76, P < 0.01)。结论在荒漠地区简单测量NDVI并使用本文研究模型,可以快速、无破坏地获取长期连续可靠的LAI数据,研究结果对理解和预测荒漠生态系统对全球气候变化的响应具有重要意义。

English Abstract

张财, 查天山, 贾昕, 刘鹏, 李成. 毛乌素沙地油蒿群落叶面积指数动态及模拟[J]. 北京林业大学学报, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
引用本文: 张财, 查天山, 贾昕, 刘鹏, 李成. 毛乌素沙地油蒿群落叶面积指数动态及模拟[J]. 北京林业大学学报, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
Zhang Cai, Zha Tianshan, Jia Xin, Liu Peng, Li Cheng. Dynamics and simulation of leaf area index for Artemisia ordosica community in the Mu Us Desert of northwestern China[J]. Journal of Beijing Forestry University, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
Citation: Zhang Cai, Zha Tianshan, Jia Xin, Liu Peng, Li Cheng. Dynamics and simulation of leaf area index for Artemisia ordosica community in the Mu Us Desert of northwestern China[J]. Journal of Beijing Forestry University, 2018, 40(3): 75-83. doi: 10.13332/j.1000-1522.20170298
  • 叶面积指数(Leaf area index,LAI)是指单位地表面积上植物的总叶面积的一半[1],是植被冠层结构的一个重要结构参数,它和植物的蒸腾作用、光合作用、阳光的截取、降雨的截留以及地表净初级生产力等密切相关[2-4]。LAI作为一个重要的植被生物物理变量,已经被广泛应用于作物生长监测、产量估计、陆面过程模拟和全球气候变化研究,连续长期LAI数据是水文、生态、生物地球化学和气候等模型所需的关键参数[5-7]。目前关于叶面积指数的研究主要在森林、草地和农田等生态系统,关于干旱半干旱区灌木生态系统叶面积指数的研究相对较少。干旱半干旱区在全球气候变化和碳水循环过程中扮演着重要角色,因此,研究干旱半干旱区中优势灌木的叶面积指数可为荒漠生态系统过程模拟和遥感反演提供重要参数,对于理解和预测这一特殊生态系统的碳水循环对气候变化的响应具有重要意义。

    目前,LAI的获取方法可以分为直接测量法、间接测量法、遥感LAI产品提取法和模型模拟法。直接测量法包括冠层收获法、凋落物收集法、异速生长方程法等[8]。直接测量法最为准确可靠,但大多需要破坏性采样,且费时费力,因此仅适用于小尺度上的叶面积指数研究[9]。间接法是使用基于辐射传递理论的光学仪器来获取叶面积指数,常用的仪器类型很多[8, 10],其中LAI-2000冠层分析仪由于实用性、高效性而得到了广泛的应用。使用光学仪器测量叶面积指数具有执行简便、对植被无破坏等优点,但人工操作光学仪器测定LAI时易受到天气、地形等外界因素影响,需要频繁去样地测量,且测量值为离散数据,不能获得连续长期LAI数据。使用遥感LAI可以节省野外试验的人力、物力,免费获得定期LAI产品,但免费遥感LAI产品易受气溶胶和云的影响且空间分辨率较低,应用于单个站点时精度不够,常用于区域尺度和全球尺度的研究[7, 11]。模型模拟法通过简单易测得的指标建立经验模型,可以方便快捷的获得连续LAI,但模型在其他站点应用时具有限制性[12]。在干旱半干旱区荒漠灌木生态系统中,如何准确、快速、连续地获取叶面积指数动态变化仍是亟待解决的问题。

    油蒿(Artemisia ordosica)为菊科(Compositae)蒿属的沙生灌木,是固定半固定沙地的建群种或优势种,具有耐旱、耐沙埋、耐土壤贫瘠、抗风蚀等特征[13-14]。油蒿广泛分布于毛乌素沙地南缘,在维护当地生态系统稳定中起着重要作用,还是沙区重要的饲料作物[15-16]。本文以宁夏盐池毛乌素沙地典型沙生灌木油蒿为研究对象,使用定期测定的油蒿叶面积指数和归一化积温(normalized effective accumulated temperature,NEAT)、地面观测NDVI(NDVIground)以及遥感观测NDVI(NDVIMODIS)建立经验模型,对比分析得出最优LAI模拟模型,从而获得整个生长季叶面积指数的连续动态。研究结果能够增进对油蒿群落叶面积指数动态的了解,为快速、准确、连续地获取叶面积指数提供方法参考,为准确模拟毛乌素沙地生态系统过程研究提供参数。

    • 研究区位于宁夏盐池荒漠生态系统定位研究站(37°04′~38°10′ N、106°30′~107°47′ E,海拔1550m),处于毛乌素沙地南缘,由南向北是半干旱区向干旱区、干草原区向荒漠草原区、农区向牧区过渡的重要生态交错带。该区是典型中温带大陆性气候,年均气温为8.1℃,年均降水量287mm,主要集中在7—9月,降水年际变化较大。潜在年蒸散量为2024mm,无霜期平均达165d[17]。试验区在禁牧封育区内,人为扰动较小,天然植被以沙生植物为主,优势种为油蒿。油蒿盖度为32%,高度多在20~100cm之间。

    • 试验地以试验区内涡度相关通量观测塔为中心,在通量贡献区范围内设置100m×100m的研究样地,样地内沿东西、南北方向每隔20m布设一条样线,共12条样线。把样线的交点作为LAI的测量点,共36个。LAI测量样地及测量点布设详见图 1

      图  1  LAI测量样地及测量点布设

      Figure 1.  Deployment of LAI sampling quadrats and measurement points

    • 2013年和2014年的4月中旬到10月上旬,每隔7d左右,使用LAI-2000冠层分析仪在样地测量点测定1次油蒿群落LAI。LAI-2000冠层分析仪使用时要求天空条件稳定,无直射光照,需在阴天或日出后及日落前1.5h内完成测定。测量时,LAI-2000冠层分析仪选用单系统模式,使用90°镜盖减少探头的视角范围,保证探头范围内天空条件一致。测量LAI时先测量1个植被冠层上方的测量数据,再在冠层下方测量4个测量数据,每个测量点需要重复2次,输出结果为2次测量的平均值LAIi(i为第i个测量点)。样地叶面积指数为36个测量点LAIi的平均值$\mathrm{LAI}=\sum \mathrm{LAI}_{i} / 36_{\circ}$

    • 空气温度使用通量塔上的空气温湿度传感器(HMP155a,Campbell, USA)测定,辐射数据用通量塔上的净辐射传感仪(CNR4,Kipp & Zonen, Netherlands)和光量子传感器(PAR-LITE,Kipp & Zonen, Netherlands)测定,安装高度均为4.2m。仪器工作频率为10Hz,空气温度和辐射数据的0.5h平均值由CR3000数据采集器(Campbell Scientific Inc., USA)计算和记录。在样地内随机选取7株样株进行物候观测,使用相机每3d拍摄一次样株和样枝,拍摄时间均在傍晚。生长季结束后,根据物候照片划分出展叶期、开花结果期、变色期和凋落期4个物候期。

    • 研究使用的遥感数据来源于LAADS DAAC(https://ladsweb.modaps.eosdis.nasa.gov/search/),下载2013和2014年每年4—10月的MODIS NDVI影像。本文使用的MODIS NDVI产品为MOD13Q1,空间分辨率为250m,时间分辨率为16d,每个像素的合成值为16d内NDVI的最大值。下载的MODIS NDVI影像为HDF格式,使用MRT软件进行投影变换和图像格式转换,用WGS84坐标系进行坐标转换,把NDVI影像转换为GEOTIFF格式。使用ENVI4.8(Exelis Visual Information Solutions Inc.,USA)遥感处理软件提取NDVI值,获得2013—2014年生长季连续NDVIMODIS值。

    • 有效积温(Effective accumulated temperature,EAT)计算的开始日期为春季第1次连续3d的日平均气温超过5℃的最后1天,有效积温从起始日期加总至叶面积指数测定结束[18]。利用式(1)计算有效积温。

      $$ \mathrm{EAT}=\sum\limits_{i=1}^{n} \Delta T_{i} $$ (1)
      $$ \Delta T_{i}=\left\{\begin{array}{ll}{\mathrm{Ta}_{i}-5, } & {\mathrm{Ta}_{i} \geqslant 5} \\ {0, } & {\mathrm{Ta}_{i}<5}\end{array}\right. $$ (2)

      式中:i是计算有效积温的第i天,n是计算有效积温的总天数,Tai是逐日日均温(℃),$\Delta T_{i}$为≥5℃有效温度(℃)。

      归一化有效积温(Normalized effective accumulated temperature,NEAT)的计算公式[19]如下:

      $$ {\rm{NEAT}} = \frac{{\sum\limits_1^i \Delta {T_i}}}{{{\rm{EAT}}}} $$ (3)

      根据Huemmrich等[20]和Wilson等[21]的研究,本文使用入射和反射的光合有效辐射(photo-synthetically active radiation,PAR)以及太阳辐射(solar radiation,SOLR)计算NDVIground。红外波段(400~700nm)反射率(RVIS)可用入射和反射PAR(380~710nm)计算,公式为:

      $$ R_{\mathrm{VIS}}=\frac{\mathrm{PAR}_{\mathrm{out}}}{\mathrm{PAR}_{\mathrm{in}}} $$ (4)

      式中:PARin、PARout分别表示入射和反射PAR。

      太阳辐射由红外波段和近红外波段两部分组成,根据Wilson等[21]的研究,红外波段和近红外波段入射部分计算为:

      $$ \mathrm{VIS}_{\mathrm{in}}=0.45 \mathrm{SOLR} $$ (5)
      $$ \mathrm{NIR}_{\mathrm{in}}=0.55 \mathrm{SOL} \mathrm{R} $$ (6)

      红外波段和近红外波段反射部分可计算为:

      $$ \mathrm{VIS}_{\mathrm{out}}=R_{\mathrm{vIs}} \mathrm{VIS}_{\mathrm{in}} $$ (7)
      $$ \mathrm{NIR}_{\mathrm{out}}=\mathrm{SOLR}_{\mathrm{out}}-\mathrm{VIS}_{\mathrm{out}} $$ (8)

      根据公式(6)和(8)可计算近红外波段反射率(RNIR):

      $$ R_{\mathrm{NIR}}=\frac{\mathrm{NIR}_{\mathrm{out}}}{\mathrm{NIR}_{\mathrm{in}}} $$ (9)

      根据公式(4)和(9),NDVIground计算表达式为:

      $$ \mathrm{NDVI}_{\text { ground }}=\frac{R_{\mathrm{NIR}}-R_{\mathrm{VIS}}}{R_{\mathrm{NIR}}+R_{\mathrm{VIS}}} $$ (10)

      计算NDVIground的辐射数据使用每天09:00—17:00的平均值。所有数据采集器收集的0.5h数据剔除仪器故障引起的奇异值并对缺失值进行差补。运用线性回归和非线性回归法建立LAI预测模型并验证。所有数据处理和统计分析使用Matlab R2014a(The Mathworks Inc.,Natick,MA,USA)和OriginPro2015(OriginLab,Northhampton,MA,USA)软件完成。

    • 两年的油蒿群落LAI数据用于叶面积指数动态分析,2013年的LAI数据通过积温模拟法、地面观测NDVI模拟法和遥感反演法建立不同的油蒿群落LAI模拟模型。2014年的LAI数据用于模型验证,获得最优油蒿群落叶面积指数模拟模型。

      采用确定系数(R2)、均方根误差(RMSE)、相对误差(relative error,RE)和Akaike信息准则(akaike information criterion,AIC)对生长季油蒿LAI的模拟值和实测值之间的符合度进行检验,一个最优的模型不仅应具有较高的R2,还应具有较小的RMSE、RE和AIC。这些参数定义为:

      $$ {\mathop{\rm RMSE}\nolimits} = \sqrt {\frac{{\sum\limits_{i = 1}^N {{{\left( {{y_i} - y_i^\prime } \right)}^2}} }}{N}} $$ (11)
      $$ \mathrm{RE}=\frac{y_{i}-y_{i}^{\prime}}{y_{i}} \times 100 $$ (12)
      $$ \mathrm{AIC}=-2 \ln L+2 p $$ (13)

      式中:yi、$y_{i}^{\prime}$分别为LAI实测值和模拟值,N为样本数,L为残差平方和,p为模型参数的个数。

    • 整个生长季内油蒿LAI和NDVI具有明显的季节变化且季节动态一致(图 2),其变化趋势与油蒿物候具有一致性(表 1)。2013年油蒿在4月初至5月末(展叶期)开始发芽展叶,随着油蒿快速生长,LAI和NDVI不断增大,在8月份达到峰值,LAI为1.09m2/m2,NDVIground为0.49,NDVIMODIS为0.24;9月初至9月中旬油蒿冠层结构趋于稳定,LAI和NDVI变化较小;9月下旬油蒿叶片开始枯黄掉落,LAI和NDVI迅速下降,LAI下降速度慢于NDVI。2014年除6月中旬至7月中旬,LAI出现减小趋势,其他时间变化趋势与2013年相同,生长季LAI最大值为1.33m2/m2,NDVIground最大值为0.55,NDVIMODIS最大值为0.24。2013—2014年油蒿群落LAI和NDVI在年际间均出现增大的趋势。

      图  2  毛乌素沙地油蒿叶面积指数及归一化植被指数的季节动态

      Figure 2.  Seasonal variations of LAI and NDVI in Artemisia ordosica in Mu Us Desert

      表 1  2013和2014年油蒿群落物候期

      Table 1.  Phenophases of Artemisia ordosica community in 2013 and 2014

      年份
      Year
      展叶期
      Leaf expansion period
      开花结果期
      Flowering and bearing period
      变色期
      Leaf coloration period
      凋落期
      Defoliation period
      2013 94~145 170~248 235~287 242~287
      2014 102~147 171~247 232~291 238~291
      数据为一年中的第几天。Note: data is the ordinal date in a year.
    • 分别使用积温模拟法、地面观测NDVI模拟法和遥感反演法建立LAI模拟模型(表 2),所有模型均显著(P < 0.01)。积温模拟法的LAI动态模拟以归一化积温为指标,用线性及非线性统计分析方法对LAI进行模拟,结果表明:Logistic模型R2最高,RMSE最小,为积温模拟法最优模型。地面观测NDVI模拟法使用整个生长季实测LAI与NDVIground建立线性、指数、对数和幂函数模型,结果显示:对数模型R2最高,RMSE最小,AIC最小,为地面观测NDVI模拟法最优模型。遥感反演法将NDVIMODIS与实测LAI进行相关统计分析,结果表明:对数模型R2最高,RMSE较小,AIC最小,为遥感反演法最优模型。

      表 2  不同方法模拟油蒿LAI的结果

      Table 2.  Simulated results of Artemisia ordosica LAI by different methods

      模拟方法Simulation method 拟合方程Model expression R2 RMSE AIC
      积温模拟法Simulation by NEAT LAI=0.63NEAT+0.47 0.83 0.09 -103.90
      LAI=0.54exp(0.72NEAT) 0.77 0.10 -97.56
      LAI=0.27ln(NEAT)+1.04 0.93 0.07 -123.77
      LAI=1.07NEAT0.36 0.91 0.07 -118.80
      LAI=1.01/(1+exp(0.97-6.03NEAT)) 0.95 0.05 -132.36
      LAI=1.00/(1+exp(0.82-4.76NEAT-2.82NEAT2)) 0.95 0.05 -132.65
      地面观测NDVI模拟法
      Simulation by NDVIground
      LAI=4.32NDVIground-0.92 0.74 0.11 -90.07
      LAI=0.10exp(5.10NDVIground) 0.69 0.12 -86.02
      LAI=1.69ln(NDVIground)+2.37 0.76 0.11 -91.37
      LAI=5.38NDVIground2.08 0.72 0.12 -88.03
      遥感反演法
      Simulation by remote sensing retrieval
      LAI=5.87NDVIMODIS-0.34 0.82 0.09 -103.05
      LAI=0.20exp(7.07NDVIMODIS) 0.77 0.11 -97.35
      LAI=1.10ln(NDVIMODIS)+2.62 0.84 0.09 -106.04
      LAI=7.78NDVIMODIS1.39 0.81 0.10 -101.45
      注:所有模型均通过0.01水平的显著性检验。Note: all models were examined by a significance test of 0.01 level.

      用2014年的观测数据对上述3种模拟方法得到的最适模型进行验证。通过分析LAI模拟值与实测值的线性回归关系发现,积温模拟法和遥感反演法的的预测值出现低估现象,地面观测NDVI模拟模型的模拟值与实测值一致性较好,最大与最小残差绝对值分别为0.10和0.01,R2=0.94,RMSE=0.04,可见该模型精度较高。相对误差结果也显示出模拟值与实测值相对误差最小的模型为地面观测NDVI模拟模型,可认为该模型的拟合效果较好。因此,地面观测NDVI模拟法最适合毛乌素沙地典型沙生灌木油蒿群落LAI动态模拟,而该模拟方法中,对数模型R2最高,RMSE最小,AIC最小,是最优模型,因此(14)式能够可靠的反映统计关系。

      $$ {\rm{LAI = 1}}{\rm{.69ln(NDV}}{{\rm{I}}_{{\rm{ground}}}}) + 2.37({\mathit{R}^2} = 0.76, P < 0.01) $$ (14)

      定义此模型为生长季油蒿群落LAI模拟模型。

      图  3  2013年使用不同方法建立的油蒿群落叶面积指数模拟模型

      Figure 3.  LAI simulation models of Artemisia ordosica community established by different methods in 2013

    • 油蒿群落LAI和NDVI的季节动态明显且具有一致性,整体上表现为单峰型变化,变化规律和物候基本一致。油蒿生长起始于4月,8月达到冠层结构稳定,11月初完全凋落。在内蒙古地区沙蒿叶面积指数7月份进入稳定期,8月份出现最大值[22]。由于研究区的植被类型和干旱环境导致叶面积指数变化幅度较小,本研究油蒿群落LAI值在0.38~1.09m2/m2之间,这与其他半干旱区的研究结果相似[23-24]。沙坡头地区油蒿LAI在0.5~0.85m2/m2之间[23],黄土高原六道沟流域8月份油蒿LAI为(0.95±0.15)m2/m2[24],与全球荒漠植被LAI值一致,全球荒漠生态系统LAI均小于2m2/m2[25]。2014年春季总降雨量为29.2mm,多为小降雨事件,10cm深度土壤含水量下降明显,发生春旱。由于叶面积指数对水分变化的响应存在滞后性[26],2014年6月中旬至7月中旬LAI出现减小的趋势,可能是由于当年的春旱造成的。

      对于叶面积指数的测量,无论是冠层收获法、凋落物收集法,还是用基于光辐射传输理论的仪器都难以获取整个生长季油蒿群落叶面积指数的连续动态。使用积温和NDVI等易获得指标模拟叶面积指数是获取连续叶面积指数动态的重要方法之一[27-28]。线性模型[29]、指数模型[30]、对数模型[31]和Logistic模型[19]等都曾用于对叶面积指数的模拟。本文研究表明,地面观测NDVI模拟法最适合荒漠地区油蒿群落LAI动态模拟,而积温模拟法和遥感反演法的模型预测值出现低估现象。荒漠地区温差较大,白天过高的温度不利于油蒿的生长,在荒漠地区使用积温模拟油蒿群落LAI的方法有待改进。例如,唐思凌等[18]研究荒漠地区油蒿群落LAI与积温和辐射指标的关系,得出的积温模型和辐射模型精度有待提高。目前遥感数据也面临着一些问题,难以区分树木冠层、地面草本和结皮,并受到冠层聚集效应和坡度产生的地形效应等诸多因素的影响[32]。虽然对遥感影像进行了校准,但其精度在小范围内依然很低,模拟LAI时会产生较大的误差,遥感反演法更适用于区域尺度的模型模拟。地面观测NDVI模拟法可以避免云层对NDVI获取时的影响,可使用仪器自动连续观测,精度相较于遥感NDVI有显著提高[21]。因此,基于地面观测NDVI的模型对于生长季油蒿群落LAI估算具有一定的适用性和有效性,可以为LAI动态监测提供一种无破坏,相对精确,便捷有效的方法途径,能较好的预测植被生长状况。

      大量LAI-NDVI模型研究表明,由于植被类型的不同,导致叶面积指数的差异很大,使得这些研究结果很难有较高的普适性。对于小麦、玉米等叶面积指数较小的植被[33-36],LAI-NDVI模型形式不统一,一般线性模型居多;对于叶面积指数较大的郁闭冠层,随着LAI的增大NDVI会达到饱和,此时指数回归模型可以较好地反映LAI-NDVI的关系[2, 36]。这些研究结果表明不同植被会有特定的LAI-NDVI模拟模型,以单个物种建立的模型应用于其他物种时模拟效果通常较差。油蒿是一种可塑性和适应性很高的固沙先锋植物,研究其LAI-NDVI模拟模型对荒漠生态系统过程模拟提供参考,对认识气候变化背景下碳水耦合以及能量交换有重要意义。

      图  4  2014年不同方法油蒿群落叶面积指数模拟值与实测值的比较和相对误差

      Figure 4.  Comparison and relative error between simulated and measured LAI of Artemisia ordosica community in 2014

      表 3  不同植被基于NDVI的LAI估算模型

      Table 3.  LAI estimation models based on NDVI for different vegetation species

      植被
      Vegetation species
      模型方程
      Model expression
      R2
      小麦Triticum aestivum LAI=exp(2.77-0.52/NDVI) 0.96
      玉米Zea mays LAI=3.20NDVI+0.53 0.65
      水稻Oryza sativa LAI=1.06NDVI+1.05 0.99
      杨树Populus L. LAI=0.48exp(2.89NDVI) 0.51
      草地Grassland LAI=1.42NDVI-0.09 0.62
      LAI=0.13exp(NDVI/0.31) 0.59

      LAI模拟模型的精确度可能会随着植被的生长环境和气候变化发生改变[37-38],但全球气候变化是一个相对缓慢的过程,接下来的几年内对于干旱地区的影响也有限[39],因此在未来几年内使用该模型可以获得可靠的全生长季油蒿群落叶面积指数的连续动态。本研究中,2013年降雨量为278.4mm,与多年平均降雨量接近,是典型的正常年;2014年降雨量为341.9mm,是典型的湿润年。本文将正常年建立的模型用湿润年数据验证,结果较好,为了进一步提高模型的可靠性,需在未来继续研究,用典型的干旱年数据加以验证。林业管理策略建议预测模型定期更新[12],本文使用单个站点数据建立模型,该模型应用于其他站点时的模拟效果有待验证,在未来的研究中可以加入其他站点数据与气候变化相关的因子,建立更具普适性的模型。

参考文献 (39)

目录

    /

    返回文章
    返回