吕一鸣/刘锦绣：LUE模型在干旱时期对GPP模拟能力评价分析【Ecological Indicators，2023】

2023-03-07     发布：信息工程学院    点击：197次

陆地总初级生产力（Gross Primary Productivity, GPP）定义为生态系统水平上单位时间内绿色植物通过光合作用固定的碳，是全球碳收支中最大的通量组成部分。近年来，随着全球气温的升高，气候系统变得更加不稳定，气候极端事件以更高的频率和更严重的程度袭击全球不同地区。干旱作为频发的极端气候事件，会通过抑制植被生长进程进而增加死亡率，降低生态系统的产量。准确估算GPP对于评估当前陆地碳循环的状况以及预估其在气候影响下的变化至关重要。遥感驱动的光能利用率（Light Use Efficiency, LUE）模型是估算植被GPP和评估气候变化对陆地碳循环影响的重要工具。但目前不同的LUE模型在干旱时期对GPP的模拟结果存在较多不足，不同的模型水分响应模拟方案差异较为明显，模型可能存在的改进空间还有待进一步分析。

针对上述问题，我校信息工程学院硕士研究生吕一鸣在导师刘锦绣及其合作者的指导下，以两个数据驱动的碳通量数据产品(GOSIF-GPP和FluxSat)为参考标准，并辅以北美地区的多源遥感数据以及站点通量数据(FluxNet)，对一套LUE模型：VPM、TL-LUE、CASA、EC-LUE以及MuSyQ进行了评价。分析了这些LUE模型模拟的GPP对北美地区2011年和2012年干旱的响应差异以及原因，为模型的改进提供了可能的方向。该研究主要内容如下：

1. 在站点尺度上利用通量塔数据对FluxSat和GOSIF数据进行了验证，评估了覆盖6种生态系统的12个站点多年来的FluxSat和GOSIF相对于站点观测GPP的变化特征。提取了干旱年份站点对应的FluxSat和GOSIF的模拟GPP值（图1），结果表明它们能够合理地指示站点尺度上干旱对GPP的影响（表1），可以作为站点尺度评估模型模拟GPP的参考。

2. 在区域尺度上分析了FluxSat和GOSIF GPP与GOME-2 SIF的一致性，分析涵盖了干旱和非干旱年份。可以看出，FluxSat和GOSIF GPP与GOME-2 SIF具有较高的一致性(图2)，且均在2011年和2012年出现了较低的季节性差异。SIF具有表征干旱对GPP影响的能力，因此两个数据驱动模型可以在区域尺度上作为GPP模拟的参考。

3. 计算了干旱年份数据驱动模型和LUE模型的异常值，得到了北美地区5种LUE模型异常值的空间分布。数据驱动模型与LUE模型之间皮尔逊相关系数（R）和均方根误差（RMSE）以及偏差（Bias）被用作评估度量（表2和表3）。结果表明，在北美地区主要受干旱影响的生态系统中， LUE模型普遍捕捉到了干旱的发生，但在振幅和相位的季节异常上表现出相当大的差异（图1和图2）。其中，在草原为主的生态系统类型上，VPM模型表现最好，其次是TL-LUE，而MuSyQ、CASA和EC-LUE与参考差异较大。

4. 这些LUE模型在整个干旱影响区域和单个生态系统上都比数据驱动模型更早的达到干旱影响的拐点（约1-2个月）（图1和图2），表明所评估的LUE模型对干旱影响的滞后效应捕捉效果明显不足，这与模型所采用的温度，水分等环境胁迫指标有着密切的关系，在之后LUE模型改进时，应着重考虑指标的选取可能带来的影响。

图1. 基于数据驱动和LUE模型模拟的干旱区域GPP异常空间分布

以及GOME-2 SIF异常空间分布

图2. 2011年和2012年受干旱影响地区像元尺度的每月FluxSat GPP、GOSIF GPP

与GOME-2 SIF散点图

图3. 2011年各模型估算的GPP月异常和受干旱影响的各生态系统春季和夏季的总GPP异常

图4. 2012年各模型估算的GPP月异常和受干旱影响的各生态系统春季和夏季的总GPP异常

表1. 站点GPP观测值与FluxSat、GOSIF GPP模拟值对比

表2. 2011年LUE模型和数据驱动模型之间的R、RMSE、Bias

表3. 2012年LUE模型和数据驱动模型之间的R、RMSE、Bias

上述研究成果发表在期刊《Ecological Indicators》

引用格式：Lv Y, Liu J, He W, et al. How well do light-use efficiency models capture large-scale drought impacts on vegetation productivity compared with data-driven estimates? [J]. Ecological Indicators, 2023, 146: 109739.

全文链接：https://doi.org/10.1016/j.ecolind.2022.109739