基于遥感过程模型的农田NPP估算及参数敏感性研究

摘要

植被净初级生产力(Net Primary Production，NPP)是表征陆地碳循环的重要变量，反映了陆地植被的生产能力和固碳能力，随着遥感技术的不断发展，基于遥感过程模型的NPP估算已成为全球植被碳循环研究中的热点，其中BEPS（Boreal Ecosystem Productivity Simulator）模型就是常用的模型之一。BEPS模型起源于加拿大北方森林生态系统，能够耦合遥感数据模拟区域碳水循环过程，现已成功用于全球及区域不同类型生态系统NPP估算，模型的本地化及在不同生态系统应用的参数敏感性是模型NPP模拟精度的关键。为了使BEPS模型更好的应用于农田生态系统，本研究以江苏省东台市稻田生态系统为研究对象，结合研究区水稻实测数据与遥感反演植被参数，协同自动气象站观测的气象数据驱动BEPS模型进行水稻NPP估算，并通过涡度相关系统的实际观测数据评估BEPS模型的模拟精度。同时利用EFAST全局敏感性分析法对模型进行参数敏感性分析。 研究结论主要有以下几个方面: (1)通过对研究区水稻植被参数实测及遥感反演结果研究，水稻冠层聚集度指数在不同生长期差异明显，总体上呈现先降低再升高的趋势。经聚集度指数校正后的LAI值相对误差较未校正前得到了有效提高，尤其水稻生长的中期校正精度的提高最为明显，相对误差由23％提高到了11％。在LAI遥感反演算法中，基于随机森林算法和GF-1 WFV影像构建的LAI反演模型拟合效果较好，预测值与实测值的决定系数达到0.88，RMSE为1.03，LAI反演值与测量真实值的均值误差为0.32，相对误差为15％，遥感反演LAI能较好的反映研究区水稻生长期LAI变化趋势。 (2)通过EFAST全局敏感性分析研究，在BEPS模型中11个输入参数对NPP估算的全局敏感度由大到小排列为:CO2、 LAI、Rad、Vcmax、soilwater、awc、TRAC、Tmin、Tmax、rh、pre。结合水稻生长过程中各参数实际变化情况，分析可知:水稻自身机理性参数(LAI、Vcmax、TRAC)以及太阳辐射(Rad)对其碳积累有重要影响。其中CO2、Rad、LAI、Vcmax对模拟结果呈现正相关影响，而TRAC则呈现出负相关影响。 (3)利用BEPS模型模拟研究样区NPP值可知，研究区水稻生长季NPP值总体呈现初期明显增长，中期轻微波动，后期缓慢下降的趋势，模型模拟NPP值与实测NPP值呈现较高的一致性，模型模拟的总NPP累积量为533gC/m2，通量站实测总NPP累积量为550gC/m2，相对误差为3.2％。但初期受低LAI值影响，NPP存在低估现象，后期重点转为生殖生长后，模拟NPP值又整体偏高。在整个生长季中，NPP与LAI呈现较高相关性，尤其在初期LAI较低时（前30天），而日总太阳辐射对模拟NPP的影响呈现初期较低，中后期明显的状态。

目录

声明

摘要

第一章 绪论

1．1 选题背景与意义

1．2 国内外研究进展

1．3 研究目的

1．4 主要研究内容和技术路线

2．1 研究区概况

2．2 研究数据

2．2．1 遥感数据

2．2．2 基于涡度相关系统的碳通量观测数据

2．2．3 野外实测数据

2．3 数据预处理

2．3．1 GF-1 WFV数据处理

2．3．2 通量站数据处理

2．3．3 野外实测数据处理

第三章 BEPS模型关键参数获取

3．1 聚集度指数变化及对L甜影响分析

3．1．1 聚集度指数变化

3．1．2 聚集度指数对水稻LAI测量精度的影响

3．2 随机森林算法反演LAI

3．2．1 随机森林模型的构建

3．2．2 RF模型评价

3．2．3 研究区LAI反演结果

3．3 本章小结

第四章 BEPS模型参数敏感性分析

4．1 BEPS模型介绍

4．1．1 BEPS模型概述

4．I．2 BEPS模型发展趋势

4．2 简单敏感性分析

4．3 EFAST敏感性分析

4．3．1 EFAST敏感性分析方法

4．3．2 BEPS模型敏感性分析方案

4．3．3 取值范围变化对参数敏感性的影响

4．3．4 输入参数敏感性分析

4．4 敏感性分析结果验证

4．5 本章小结

第五章 BEPS模型水稻NPP估算

5．1 NPP模拟与精度评价

5．1．1 基于BEPS模型估算生长期内累积NPP变化

5．1．2 各生长期NPP变化特征

5．2 NPP与主要参数之间的相关性分析

5．3 采样区NPP模拟

5．4 本章小结

第六章 结论与展望

6．1 主要结论

6．2 创新点

6．3 存在的问题与展望

参考文献

致谢

个人简介