论文技巧案例-基于生态水文最优性的植被平衡态研究-CNKI知网查重网站

论文技巧案例-基于生态水文最优性的植被平衡态研究

2021-05-26 16:44:59
作者:杭州千明

  近年来,中国大规模开展植树造林活动,适度的植树造林能够调节气候、改善环境,但植被种植过量则会导致土壤干化、径流减少,进而导致生态环境恶化。本研究基于生态水文最优性理论,建立全国范围内的生态水文最优性模型,模拟全国范围内最优植被覆盖度的空间分布,并通过与遥感观测比较,判断相应地区植被恢复状况。

  本研究基于Eagleson生态水文最优性理论建立模型,以气象、土壤和植被参数作为模型输入,分别计算了1982-1999和2000-2016年全国范围内的最优植被覆盖度。将人工植被恢复力度较低的1982-1999年最优植被覆盖度的计算值与基于卫星遥感的观测值进行对比,对模型的准确性进行验证。在受人类活动干扰较少的区域模型计算值和遥感观测值吻合较好(R2=0.931)。然而,在干旱地区和湿润地区模型的表现略有差异。总体趋势为干旱区模型表现高于湿润地区。进一步地,将2000-2016年的模型计算值与遥感观测值进行比较,尤其针对全国植树造林较多的地区,其中在黄土高原、内蒙古高原东部和华北平原等地区存在植被种植过量的问题,而在东北平原和四川盆地等地区植被覆盖度要低于天然情况下植被覆盖度的最优值,表明在这些地区还有着进一步人工植被修复的潜力。

  植被种植能够取得增加固碳、保持水土、调节气候、防风固沙等生态效益。中国作为世界上土地荒漠化比较严重的国家,十分重视植树造林工作的开展。在过去几十年中,中国在植树造林方面取得了突出的成就,截止到2013年,中国森林覆盖率达到21.6%,相较于新中国成立时的8.6%有了显著的提高,人工林保存面积近7000万公顷[1],其中2001-2018年每年平均造林625.7万公顷[2]。在2000-2017年期间,全球植被增加5%左右,而中国的植被面积增加占全球增量的四分之一[3]。这些都得益于我国近几十年来开展的植被恢复工程,如“三北”防护林、长江中上游防护林、沿海防护林和农田防护林等工程体系。

  植被恢复工程固然能够带来巨大的生态效益,但是也会加剧当地的水资源的压力。植被种植数量增多,会导致蒸散发增加、径流减少,导致当地可用水资源量减少,水资源的减少又会限制植被的生长,从而使生态环境恶化[4],这一影响在本就缺水的干旱和半干旱地区尤为严重。比如在黄土高原地区,过量的植被种植使得土壤水分减少,从而造成了许多人工植被生长缓慢甚至死亡[5]。

  在这个背景下,需要通过一定的方法来判断相应地区的植被种植数量是否超过其承载能力,以及对未来植被恢复的潜力进行评估。根据生态水文最优性理论,在当地气候和土壤条件地共同影响下,植被会通过进化来达到一个最优状态,此时植被与环境的物质、能量交换达到动态平衡,这种植被的平衡状态是最符合当地条件的。

  本研究基于生态水文最优性理论计算中国范围内最优植被覆盖度情况,并判断是否存在植被种植过量的问题,以及评估植树造林的潜力,为我国的植被恢复工作的开展提供科学依据。

  1.2生态水文最优性理论和研究现状

  最优性原则是指在外力的约束下,系统通过调整相应的属性来更好地适应环境,该思想最早由达尔文在研究生物进化学说中提出,后被引入生态水文的研究之中,发展出生态水文最优性理论。根据生态水文最优性理论,植被在气候、土壤和水文等因素的作用下,通过不断适应使自身与环境达到平衡状态,以此维持生态系统的可持续发展。其中植被在适应过程中采取的策略主要与水分和碳循环这两方面有关[6]。

  一种观点认为植被通过调整自身状态来减小水分胁迫。Horton(1933)提出,植被通过不断调整与适应来最大程度地利用土壤水资源[7]。Rosenzweig(1968)认为在水分利用受限的区域,植被会在发展过程中使水分利用效率达到最大[8]。Budyko(1974)发现,气候和水文要素共同决定了植被类型的空间分布[9]。Eagleson总结前人研究,以水分胁迫最小和最大蒸腾作用优化准则,提出了三个不同时间尺度上的最优性假设,并通过严密的数学推导,形成了完善的理论体系和模型框架[10]。Rodrigues-Iturbe等在Eagleson生态水文模型的基础上,建立了随机土壤水运动模型[11],认为水分胁迫最小是指导植被优化的准则[12]。

  Caylor(2009)基于Rodrigues-Iturbe提出的生态水文最优性准则建立了植被盖度动态模型,对非洲干旱地区植被的动态变化进行了预测研究[13]。邵微微(2009)对Eagleson的生态水文最优性模型进行了简化,对我国的97个非湿润区小流域进行研究,分析了土壤含水量和植被覆盖度的关系[14]。Mo等(2015)和Zhang等(2018)分别应用Eagleson的生态水文最优性模型,以土壤含水率最大作为优化目标,模拟了科尔沁沙地与黄土高原地区最优植被覆盖度[15][16]。

  另一种观点则认为在生态系统发展过程中,植被以更好地生产生物质地作为指导进化的原则,这一观点最早由Odum(1959)提出[10]。Larcher(1975)提出植被在水分供应充足时会达到最优的叶面积指数来使光合作用最大化[17]。Cowan和Farquhar(1977)发现植被二氧化碳同化量会在蒸腾作用达到一定程度时饱和,认为植被通过对自身气孔的调节让二氧化碳同化量达到最大[18]。Schymanski等(2007)在此基础上认为还需要考虑植物各部位的制造成本与呼吸消耗,并以最大净初级生产力为优化目标建立生态水文最优性模型,模拟了澳大利亚热带草原区域的水分利用和二氧化碳吸收动态[19]。

  Guswa(2008)以净碳收益最大为目标,提出了有效根深的最优性模型[20]。Yang等(2016)对Guswa最优根深模型进行了改进,区分了模型中蒸发蒸腾的不同过程,并将模型应用于全球陆地生态系统有效根深的模拟,显著地提高了模型的模拟精度[21]。Yang等(2018)以净碳收益最大化作为优化原则,模拟澳大利亚地区的平衡状态下的LAI空间分布[22]。

  1.3研究内容

  生态水文最优性理论可以用于计算植被的最优状态,本研究使用Zhang等(2018)基于Eagleson水量平衡方程建立的模型[16],计算全国最优植被覆盖度的空间分布,并与实际观测值进行比较来判断植被种植是否过量以及评估植树造林的潜力。研究的主要思路如下:

  (1)收集模型输入所需的气象、植被参数和土壤特性等数据,将数据处理成相应的格式并根据实际情况设置参数大小,计算1982-1999和2000-2016年两个时间段的平均值被覆盖度,空间分辨率设置为0.5°。

  (2)由于我国大规模植树造林开始于2000年左右,在2000年之前植被生长受到的人类活动干扰较少,所以在本研究中认为大部分区域的植被在2000年之前处于最优状态。在此前提下,将1982-1999年植被最优覆盖度的模型计算值与实际观测值进行比较,选取其中人类活动较少的区域进行对比,验证该模型在不同的气候和下垫面条件下的准确性。

  (3)将2000-2016年最优植被覆盖度的模型计算值与实际观测值进行比较,在模型验证较好的前提下,重点选取近年来植树造林较多的区域(如黄土高原地区)进行研究,分析植被种植是否过量以及植树造林的潜力还有多少。

  本论文在第2章介绍模型的原理和研究方法,第3章介绍模型所需要的数据和处理方法,在第4章将对模型结果的准确性进行研究,并分析植被种植是否过量,第5章对本研究进行总结,分析不足与展望。

  第2章研究方法

  本研究使用Eagleson生态水文最优性模型模拟中国的最优植被覆盖度[10]。该模型通过描述生长季水量平衡,以气象条件为主要驱动来模拟土壤水分变化,进而研究植被、土壤和气候之间的相互作用,模型原理如公式2-1所示,方程左面为水分输入项,以mh(cm)也就是生长季平均降雨深度来表示,右面为对生长季降雨的水量分配。

  (2-1)

  (2)为地表截留项,包括植被覆盖区域的冠层截留和裸露土壤区域的填洼,其中(1-M)h0表示地面填洼量,当冠层截留能力不小于降雨深度时,冠层截留计算公式为,当冠层截留能力小于降雨深度时,冠层截留计算公式为Mmh。M为生长季平均植被覆盖度,无量纲;h0为地表持水深度,取0.1cm;为气孔叶面积/投影叶面积,无量纲;为植被叶片倾角的余弦值,无量纲;Lt为植物单株叶面积指数,无量纲。地表截留计算方法如下:

  (2-2)

  (3)为冠层蒸腾项,通过计算得到。其中为潜在冠层导度,是植被冠层蒸腾速率与潜在蒸发速率的比值,无量纲;为冠层蒸腾效率,是冠层蒸腾速率与冠层蒸腾的潜在速率的比值,无量纲;为生长季平均降雨间隔时间,day;为生长季平均湿润单一表面的潜在蒸发速率,cm/day。

  (4)为裸土蒸发项,表达式为,其中为裸土蒸发效率,是裸土蒸发速率与潜在蒸发速率的比值,可通过以下公式(2-3,2-4,2-5,2-6)计算:

  (2-3)

  (2-4)

  (2-5)

  (2-6)

  其中是降雨深度概率密度函数的尺度参数,cm-1;是降雨深度概率密度函数的形状参数,无量纲;为1/,days-1;是有效土壤孔隙度,无量纲;c是土壤的渗透系数,无量纲;为土壤有效饱和导水率,cm/day;为土壤饱和基质势,cm;为渗透扩散系数,无量纲;为土壤含水率,无量纲;为完全γ函数,为非完全γ函数。

  (5)为地表径流项,可以通过公式2-7、2-8、2-9计算得到:

  其中为重力渗透系数,无量纲;为毛细渗透系数,无量纲;为生长季平均降雨强度,cm/day;为吸附渗透系数,无量纲。

  (2-7)

  (2-8)

  (2-9)

  (6)为深层渗漏,可通过计算得到,其中为生长季长度,day;为生长季总降雨量,cm。

  (7)为毛细上升,可通过计算得到,其中m为土壤孔径分布指数,无量纲,zw为地下水位深度,cm。

  (8)为土壤含水量的变化,因该研究在多年尺度上进行,所以可以忽略这一季节性变化。

  根据Eagleson提出的生态水文最优性理论[5],在十几年的时间尺度上,植被会在土壤和气候条件的共同影响下,将所受到的水分胁迫最小作为其发展策略。植被通过短期的自身状态调节和长期的生存进化来达到这一目标,此时植被达到该条件下的最优状态,对应的根区土壤含水率达到最大。对于特定的植被类型,在一定的土壤和气候条件下,土壤含水量会达到一个最大值,对应的植被覆盖度认为是在该情况下所能达到的最优值。当植被种植过多时,植被蒸腾会消耗过多的土壤水分,使土壤变得干燥,使得植被长时间受到水分胁迫,生长受阻甚至死亡。

  本研究便是基于Eagleson提出的这一假设所开展,通过上述的水量平衡方程,输入相应的气象条件、土壤特性和植被参数,来计算使土壤含水率达到最大的植被覆盖度[12],计算流程如图2.2所示。

  图2.2计算最优植被覆盖度流程

  第3章数据收集及处理

  3.1气象数据

  模型中所输入的降雨数据大多基于Multi-Source Weighted-Ensemble Precipitation(MSWEP)数据处理得到,该数据时间分辨率为3h,空间分辨率为0.1°。使用Matlab程序将MSWEP数据时间分辨率调整为6h,若在一个时间序列上存在若干个连续非零项则认为在这段时间内发生了一场降雨,由此来计算降雨次数、总降雨量、总降雨时间等基本量,进而计算得到平均降雨深度mh,平均降雨强度mi,降雨持续时间mtr,降雨间隔时间mtb等数据。降雨深度h采用矩形脉冲的泊松分布来表示,其均值和方差分别表示为:

  (3-1)

  (3-2)

  其中为降雨深度概率密度函数的形状参数,为概率密度函数的尺度参数。和作为模型的输入可通过降雨深度的均值和方差进行计算。

  按照上述计算方法分别计算1982-2016每一年生长季的降雨数据,然后根据研究的时间范围得到1982-1999和2000-2016两个时间段的平均值,最后使用Matlab将空间分辨率由0.1°调整为0.5°,图3.1为1982-1999年平均生长季降雨量的分布。

  3.2植被数据

  植被覆盖度的观测值通过归一化植被指数(NDVI)计算得到,1982-2016年NDVI值采用AVHRR观测数据,计算方法如公式3-3所示:

  (3-3)

  其中M为生长季平均植被覆盖度,NDVI为生长季平均NDVI,NDVImax为全部由植被覆盖时的植被指数,取累积概率为95%的值,1982-1999年取0.0597,2000-2016年取0.0521;NDVImin为裸土覆盖时的植被指数,取累积概率为5%的值[23],1982-1999年取0.700,2000-2016年取0.711得到每一年生长季平均植被覆盖度,再计算相应平均值得到1982-1999和2000-2016年两个研究时间范围的平均生长季植被覆盖度,结果分别如图3.2.1和图3.2.2所示。

  模型输入所需的单株植物叶面积指数、叶片倾角余弦值、潜在冠层导度、冠层蒸腾效率等植被参数通过查阅有关文献获取[10][16]。

  图3.1 1982-1999年平均生长季降雨量,cm

  图3.2.1 1982-1999年生长季平均植被覆盖度Mobs

  图3.2.2 2000-2016年生长季平均植被覆盖度Mobs

  3.3土壤特性

  该模型输入的土壤特性数据包括土壤饱和基质势、饱和导水率、孔隙大小分布指数和有效孔隙度。其中土壤饱和导水率(图3.3.1)、孔隙大小分布指数(图3.3.2)、饱和基质势(图3.3.3)来自Dai等(2013)建立的中国土壤水力参数数据集,该数据集土壤参数所在的深度为0-1.38m,共划分为七层空间分辨率为30″[24]。在垂直方向上取七层数据的算数平均值,空间分辨率取为0.5°。土壤有效孔隙度来自Eagleson(2002)总结的不同土壤类型的土壤水力特性[10]。

  图3.3.1土壤有效饱和导水率,cm/day

  图3.3.2土壤有效孔隙度

  图3.3.3土壤饱和基质势,cm

  3.4数据汇总

  表3.4模型输入数据汇总

  符号物理意义及单位大小来源

  气象数据

  mh平均降雨深度,cm-MSWEP,0.1°,3h

  P生长季降雨量,cm-MSWEP,0.1°,3h

  mi平均降雨强度,cm/day-MSWEP,0.1°,3h

  mtb降雨间隔时间,day-MSWEP,0.1°,3h

  mtr降雨持续时间,day-MSWEP,0.1°,3h

  降雨深度概率密度函数形状参数,无量纲-MSWEP,0.1°,3h

  降雨深度概率密度函数尺度参数,cm-1-MSWEP,0.1°,3h

  h0地表持水深度,cm 0.1 Eagleson,2002

  Eps湿润单一表面的潜在蒸发速率,cm/day-

  植被参数

  mt生长季长度,day 212

  kv潜在冠层导度,无量纲0-1

  冠层蒸腾效率,无量纲0-1

  叶片倾角余弦值,无量纲0.31-0.73 Eagleson,2002;Zhang等,2017

  Lt叶面积指数,无量纲3.60-4.68 Eagleson,2002

  气孔叶面积/投影叶面积,无量纲2.5 Eagleson,2002;Zhang等,2017

  土壤特性

  m土壤孔隙大小分布指数,无量纲-Dai等,2013

  K(1)土壤有效饱和导水率,cm/day-Dai等,2013

  土壤饱和基质势-Dai等,2013

  ne土壤有效孔隙度0.2-0.45 Eagleson,2002

  第4章模型验证和植被恢复效果评价

  4.1模型准确性的验证

  4.1.1验证方法

  由于我国大规模植树造林开始于2000年左右,在2000年之前植被生长受到的人类活动干扰较少,所以在本研究中认为大部分区域的植被在2000年之前处于最优状态。所以将1982-1999年最优植被覆盖度的模型计算值与实际观测值进行对比,验证模型在全国范围内不同气候类型和下垫面条件下的准确性。

  4.1.2验证结果

  图4.1.1为模型计算得到的最优植被覆盖度的空间分布,图4.1.2为模型计算值与基于NDVI计算得到的观测值的比较。从4.1.2中可以看出在全国大部分地区模型计算值与实际观测值吻合良好,在较为湿润的地区略为高估,在干旱的地区略为低估。在东北平原、黄土高原、新疆准噶尔盆地、天山山脉与阿尔泰山脉地区和位于西藏的横断山脉地区模型计算值与观测值差异较大,后面将会在误差分析一节进行讨论。

  图4.1.1 1982-1999年最优植被覆盖度Mequ

  图4.1.2 1982-1999年模型计算值与观测值之差Mequ-Mobs

  图4.1.3 1982-1999年植被覆盖度变化

  图4.1.4排除人类活动干扰区域的模型验证情况

  图4.1.3为1982-1999年植被覆盖度变化,通过计算1999年与1982年植被覆盖度观测值的差值得到,从中选取植被覆盖度变化较小的一些区域,在这里认为这些区域内的植被没有或很少受到人类活动的影响,如植树种草和森林砍伐等。在这些挑选出来的点进行模型的验证,得到结果如4.1.4所示,将最优植被覆盖度的模型计算值(Mequ)与实际观测值(Mobs)进行比较,其R2=0.931,吻合良好,其中干旱和半干旱地区的验证结果好于湿润地区。

  4.1.3误差分析

  (1)在将模型计算值与实际观测值对比的结果中,可以发现在干旱和半干旱地区模型结果略为高估,在湿润区模型结果略为低估,并且干旱地区的模型验证结果要优于湿润地区。一方面,由于时间原因,本研究尚未考虑植被类型的影响,模型中输入的潜在冠层导度和植被蒸腾效率等植被参数均设置为定值,这导致了不同地区的模型验证结果不一致,在后续的研究中将通过以据土地覆盖类型设置相应参数进行优化;另一方面,在本研究中为简化模型的计算,省略了水量平衡方程中的毛细上升项(2-11),在干旱和半干旱地区由于地下水位通常较低所以该项可以忽略,在湿润地区则一般不能忽略[14],这也是造成干旱地区和湿润地区模型结果不一致的原因之一。

  (2)图4.1.2中黄土高原地区、东北平原地区和准噶尔盆地周围区域,模型计算值与实际观测值的差别较大,这主要与这些地区人类活动剧烈有关。在图4.1.3中我们可以看到这些区域在1982-1999年间植被覆盖度都有非常明显的变化,主要表现为植被覆盖度的增加,所以在这些区域的植被不能够视作已经达到平衡状态,也就无法用来进行验证。

  (3)图4.1.2中天山山脉和横断山脉区域模型验证结果比较差,造成这一结果的主要原因可能是受积雪的影响,在模型应用的水量平衡方程中并没有考虑积雪等因素,而天山山脉和横断山脉常年积雪,因此造成较大误差。另外,地形因素也可能是造成这一误差的原因。

  4.2植被恢复工作效果评价

  使用生态水文模型计算得到2000-2016年生长季平均植被覆盖度(图4.2.1),与通过NDVI计算得到的植被覆盖度观测值进行比较(图4.2.2)。图4.2.3为2000-2016年我国植被覆盖度变化情况,通过计算2016年与2000年植被覆盖度观测值的差得到,重点对近年来我国植树造林活动较多的地区进行研究,通过分析最优植被覆盖度与实际覆盖度之差,来判断是否植被种植过量或是否应继续进行植树恢复工作。

  图4.2.1 2000-2016年最优植被覆盖度Mequ

  图4.2.2 2000-2016年模型预测值与观测值之差Mequ-Mobs

  图4.2.3 2000-2016年植被覆盖度变化

  图4.2.3显示近十几年来我国植被增加较多的区域主要有内蒙古高原东部、黄土高原、华北平原、四川盆地和长江中下游平原等地区,另外在东北平原和准噶尔盆地边缘区域植被覆盖度也略有增加,这些植被覆盖度增加的区域对应着我国“三北”防护林、长江中上游防护林和沿海防护林三大植被恢复工程(图4.2.4)。在大兴安岭北部和青藏高原地区植被覆盖度有所减少,由于本模型未考虑积雪在植被生态过程中的作用,无法对积雪地区做出准确的模拟,所以不对这两个区域的植被覆盖情况进行评价。

  对上述提到的十几年来植被覆盖度有所增加的区域进行研究,将模型计算值与实际观测值进行比较(图4.2.2)。在“三北”防护林体系中,在东北平原地区植被覆盖度要小于最优植被覆盖度的模拟值,说明在该地区仍有着继续植树造林的潜力;而在准噶尔盆地边缘、内蒙古高原东部、黄土高原南部和华北平原北部等地区存在植被种植过量的问题,尤其以黄土高原南部地区最为严重。在长江中上游防护林体系中,四川盆地及周边地区实际植被覆盖度要略小于模型计算的最优值。在沿海防护林体系中,植被覆盖度与模拟得到的最优植被覆盖度基本一致。

  本研究对2000年以来植树造林工作开展较多的地区进行研究,发现在一些干旱和半干旱地区(如黄土高原等)进行植树造林更容易造成植被种植过量的问题,在这些地区开展植被恢复工作时需要着重考虑环境的承载能力,通过采取适当的策略,循序渐进,而不是一味追求数量,这样才能使当地生态得到良好的可持续发展。