汉江流域植被净初级生产力时空变化特征分析外文翻译资料

 2022-11-03 18:55:33

英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料

由先进型甚高分辨辐射仪获取的印度净初级生产力的趋势与变化

摘要：在这篇文章里，我们通过由先进型甚高分辨辐射仪获取陆表净初级生产力数据估测了印度1986-2006年净初级生产力的趋势与变化。我们发现在分析的时段中印度净初级生产力有每十年增长3.9%的趋势（r=0.78，R2=0.61）。净初级生产力与温度，降水，大气二氧化碳含量，土壤水含量、地表太阳辐射的多元线性回归分析指示出NPP增长趋势部分是由大气二氧化碳含量和生态系统二氧化碳肥效作用增加而导致的。不过人类的干预也在NPP增长趋势中起到了重要作用：非森林区域NPP的增长大部分是灌溉区和肥料使用的增加导致的，而森林区域的NPP的增长则被种植和森林保护程序影响的。相似的年际NPP异常和温度、降水、土壤水含量、太阳辐射、二氧化碳异常的多元回归分析表示NPP年际变化主要是降水和温度变化导致的。季节均NPP在雨季后最大，雨季前最小，从而指示出土壤水分对植被生产力的重要性。

关键词：先进高分辐射仪获取的植被净初级生产力；植被生产力；CO2肥效作用；植树造林；土壤水；大气CO2

  1. 绪论

地面净初级生产力（NPP）是在过去40年中已经广泛研究的最重要的生态系统变量之一[1]。 它是一个重要而基础的生态变量，不仅因为它测量了地表二氧化碳的同化量，也因为它表明了大范围土地类型（如作物，森林）的生态过程。 估测NPP是因为实际考虑到它在于衡量作物产量，森林生产力和其他经济和社会中重要的植物来源产品中的作用。确定地表NPP在气候变化影响下的趋势和变化状况对于了解潜在的碳循环针对气温、降水、CO2肥效作用等因素的响应状况是至关重要的。

现代的生态学研究严重依赖与实验室内或野外环境下的实验结果，但是真正的全球范围的测量研究只能通过遥感卫星提供的大范围的大量的样本数据来进行。全球生态系统模型为基于遥感数据估测NPP提供了基础。这些模型从简单的基于光利用效率（LUE）的估测模型到更机理化的基于“土壤 - 植被 - 大气转移”（SVAT）方案的估测模型，都被设计用来捕获生物圈过程的变化。

基于光能利用率的NPP估算模型较为简单，主要基于卫星遥感数据进行估算，绘制出地表生物圈大范围区域的初级生产力。像C-Fix[2]，CASA，GLO-PEM，SDBM，TURC，MODIS-NPP估算模型这些基于遥感卫星数据的早已被研发出来，用于估测大陆或全球范围的NPP时空格局。运用MODIS卫星传感器影像数据，空间分辨率为1km的全球范围地表日总初级生产力和年净初级生产力产品现在已经被生产出来。NPP估算产品也可以从基于过程的SVAT方案中获得。

使用气象数据和植被活动卫星观测数据，调查了1982-1999年植被对气候变化的响应，结果表明全球NPP增长了6%（18年增长了3.4pg碳）。增长幅度最大的区域主要在亚马逊雨林地区，增长量占全球的42%，这主要是该地区云层减少，太阳辐射增加导致的[8]。另一项研究中，使用卫星数据和GLO-PEM模型估测了1981-2000年全球NPP状况，结果与前面的结果定性一致，地表NPP在季节和年纪变化上有增长趋势[11]。然而，在最近2000-2009年期间的NPP估测结果显示全球NPP下降了0.55pgC，大范围干旱被认为是NPP下降最为可能的原因。南半球地区干旱的趋势被认为与该地区NPP下降有关，这部分NPP的下降也抵消了北半球的NPP增长量。

印度的地表NPP估测结果会由于观测数据和地表碳循环模型的不同而出现很大的差异。基于不同生态系统中的碳库存观测数据，1980年印度年NPP估测值为1.24pgC[13]；80年代中期，估测值大概在1.32-1.59pgC之间[14]；另一项研究中，运用每10天的NDVI数据结合C-Fix模型估算1998年6月-1999年5月NPP，估算值为2.18pgC。运用CASA模型估算的2003年印度NPP值为1.57pgC，这一估测值比C-Fix模型的同期估测值（1.45pgC）、MODIS-NPP估测算法同期估测值（1.30pgC）略高[16]。一项最近的研究[17]中，运用NOAA-AVHRR卫星数据和GLO-PEM模型估算了1981-2000年的印度NPP状况，得到了更高的估测值，在3.56（1983年）-4.57（1998年）pgC之间，这项研究表明了NPP每十年大概8.5%的增长趋势。一项基于CASA模型的研究表明1981-2006年间，印度NPP在25年间大概增长了8.5%，这主要是农业生产的加强导致的，而气候变化的影响则相对较小（15%）。

本文中，我们通过AVHRR数据估算的NPP研究了印度NPP的趋势变化。具体来说，我们重点研究了1982-2006年间印度NPP的线性趋势和季节、年际变化。运用多元回归，本文分析了NPP趋势和季节、年际变化的驱动因素。我们使用的NPP数据和过去相关研究中使用的数据是不同的。本文运用了不同的数据集和方法有助于明确早期研究中结果的鲁棒性和不确定性。例如，我们发现了于过去研究中相同的NPP变化趋势，但是在NPP和ENSO年际变化相关性方面，我们得出来与之前研究不一样的结论。

  1. 数据

研究区域是印度，一个占地3.29亿公顷的大型国家，他位于北纬7°-40°，东经68°-100°之间，印度每年有四个明显的季节：西南夏季风季（6-8月）、东北冬季风季（12-2月），春季和季风前季（3-5月）以及秋季季风季（9-11月）。西南季风季基本上温暖湿润，降雨量大，此期间降雨占全国年降雨总量的80％左右。东北季风季寒冷干燥，此期间印度东南部地区降雨量有明显的减少。两个季风间期大部分是干燥温和的。

本文NPP的估测使用了有AVHRR[19]获取的植被绿色观测数据和机遇MODIS传感器[9]的光能利用率模型。算法中使用了光能利用率和由AVHRR NDVI、辐射传输模型获[20]取叶面积指数.考虑到传感器之间的校准差异和漂移，以及臭氧和水汽的大气影响，本文持续处理了由多波段AVHRR传感器获取的卫星数据。气候数据来自国家环境预测再分析中心。光能利用率算法首先估测了潜在GPP，作为光能利用率，入射辐射和生物群体特异性辐射利用率作用的结果。最后，使用日气温和土壤水分作为限制下调潜在GPP的估测值。维持生长的自养呼吸部分消耗的有机物是通过使用空气温度、季节性调整的Q10、由遥感卫星LAI数据测算的碳库单独计算而来的。

近年来，用于检索NDVI产品的归一化植被指数（NDVI）一直被用于记录热带限水区农作物生产的停滞状况[21]。它也被用于中亚地区植被年际动态变化的研究中[22]，还有加拿大草原植被结构的趋势变化[23]，还测算了中国内蒙古农业系统的植被变化范围[24]。我们使用了MODIS算法来获取NPP数据集，本文已经使用了北美地区的Ameriflux数据，北美和巴西地区九个观测站点的Bigfoot数据以及全球生态系统模型NPP数据集证明MODIS算法获取的NPP数据集的有效性。MODIS算法计算的GPP也通过尼泊尔的混交林地区观测站点数据进行了验证。这些验证表明我们在研究印度地区气候变化影响下植被活动的年际变化时使用的NPP数据集是合理有效的。

气候数据（气温和降雨）是下载自东英吉利大学气候研究局(www.cru.uea.ac.uk/cru/data/hrg)的分辨率为0.5°的数据。全球大气CO2年均值数据下载自NOAA/ESRL和大气管理/地球系统研究实验室数据库（www.esrl.noaa.gov/gmd/ccgg/trends/)。顶部3.4米土壤水含量数据 下载自(http://hydro1.sci.gsfc.nasa.gov/dods/)，全球数据同化系统（GLADS）是作为美国航天局的部分任务而获得的，它由戈达德地球科学（GES）通过数据信息服务中心（DISC）存档和发布。我们使用GLADS多个土地模型数据集中拥有做多土壤层的分辨率为1°的离线社区土地模型（CLM2）数据集。表观太阳辐射数据是从GEOS-5 DAS的5.2.0版本MERRA数据中获得的，其分辨率为1/2*1/3°。 Nino3地区海洋表面温度异常数据是下载自中国气候预测中心、NOAA（http://www.cpc.noaa.gov/data/indices/sstoi.indices）。用于描述ENSO的MEI指数数据是从http://www.esr/noaa.gov/psd/enso/mei.ext下载的。净灌溉区和化肥消耗数据是来自印度政府的农业与合作部的（http://eands.dacnet.nic.in/latest_2006.htm）。植树造林统计数据来自印度政府环境与森林部（http://envfor.nic.in/nfap/table-geographic-area.html＃plantation）[28]。

  1. 结果

3.1均值和方差

本文中1982-2006年间印度平均NPP和NPP标准差估算为0.83PgC·y -1和0.03 PgC·y -1，小于CASA模型估算的平均NPP1.42 PgC·y -1和NPP标准差0.06 PgC·y -1 [18]。去除线性趋势时，平均值和标准差分别为0.79和0.02 PgC·y -1。由于所有可获取的全球范围NPP产品都是由模型估算而来的，所以由这些NPP产品估算的趋势和变化比均值更可靠。如图1(a)所示，印度全国NPP呈现出空间差异的现象，印度东北地区、部分西部山区和喜马拉雅山森林地区NPP值较高（~800 gC·m minus;2 ·y minus;1 ），印度西北地区、西部地区以及印度最北部地区这些干旱地区的NPP取值较低。NPP标准差的空间格局（图1(b)）与NPP均值相似：在NPP平均值高的地方NPP标准差的变化幅度也高，在0-40 gC·m minus;2 ·y minus;1 之间变化。但是，由NPP标准差通过NPP均值标准化得来的变异系数在低生产力地区呈现高值状况（图1(d)）。由AVHRR获取的印度NPP空间格局、标准差、变异系数与CASA模型的模拟结果相似[18]。

3.2NPP的趋势

在图1（c）中可以看到，印度NPP随时间有增长的趋势。我们将相关系数用“r”表示，

将决定系数用“R2”表示，决定系数体现着NPP的部分变异性，而变异性则是通过线性回归模型来分析的。整体上，印度NPP从1982年的0.78 PgC·y minus;1增长到了2006年的0.86 PgC·y minus;1。增长趋势空间格局与参文献[8]中结果一致，都在1982-1999年间呈现出增长的态势。NPP线性增长率估计结果呈现了一个研究时间内年增0.39%（是年增3.9%）研究的趋势，这一结果与基于另一数据集分析出的十年增3.5%的结果[18]相近。本文对每一个像元进行了线性回归，分析出了线性趋势的空间格局（图1（e-f））。北部山区、喜马拉雅森林区，部分印度东北地区印度中部和东部地区呈现出NPP增长的状况。而印度的西北地区和最北部地区NPP则观测到0增长或轻微负增长的状况。

为了测算出温度，降雨，大气CO2，地表下3.4米土壤含水量以及表观太阳辐射对NPP的影响程度，我们使用了多元线性回归分析法：

其中X 1，X 2，X 3，... X N表示温度，降水，土壤水分，表观太阳辐射和全球平均大气CO2含量等独立的自变量，C 0，C 1，C 2，... C N表示常数，R是表示非线性项的残差。N=1时，模型用于单变量分析。本文中，N=5。需要指明的是，太阳辐射，降水和土壤水分这些变量并不是真正独立的。我们使用多元回归模型（1）NPP与众多变量关系，即推算出多元回归方程（1），方程中能推断出单变量或多变量影响大小的，同时也表示观测NPP和回归模型估测NPP以及R2相关性的相关系数是我们最关心的。

图2(a–i)展现了印度地区空间平均NPP，降水，温度，CO2，表面太阳辐射和在地表3.4米以下的土壤水分的时间演变状况。区域NPP均值与降水，温度，二氧化碳，太阳辐射和土壤水分的相关系数为0.42,0.76,0.72和-0.61（图2，表1）。相应的R2分别为0.03，0.18,0.58,0.51和0.37（图3，表1）。由此可见，NPP增长主要与全球平均CO2的增加有关，与土壤水分、太阳辐射呈现出负相关的关系，太阳辐射、土壤水分在减少，而NPP反而在增加（图2）。

由于像多元回归分析这样的统计分析并不能建立稳固的因果关系，所以我们无法对印度NPP变化趋势做出强有力的成因说明。最近，有研究发现印度NPP增长的主要原因是耕地区域面积的再增加[18]。所以，土地利用现状也许对印度NPP的增加有很大的贡献。我们在3.5节详细讨论了土地利用管理现状在森林和非森林地区对于NPP的影响状况。当把降雨和气温作为独立变量用于等式（1）中时，观测NPP与多元回归所得NPP之间的相关系数是0.5，R2是0.25（图3，表1），这显示出温度和降雨的共同作用对NPP产生的影响比气温和降雨单独产生的影响强。如果将降雨、气温、CO2都加入多元回归分析，相关系数和R2会分别增加到0.80和0.63，这证明了观测NPP与CO2之间的强相关性。如果另将土壤水分和表观太阳辐射加入多元回归分析，观测NPP和多元回归所得NPP的相关系数和

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141014]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章