-
森林生态系统作为陆地生态系统主体,在维持全球碳平衡、对抗气候突变等方面发挥着重要作用[1]。森林的生物量占陆地生态系统的80%,其碳储量约占全球陆地碳储量的一半,是大气碳储量的3倍[2-4],在调节大气CO2浓度方面起到了重要的碳汇作用[5]。森林生态系统碳循环、碳固持、碳交换等研究已成为生态学研究的热点问题,因此,对森林生态系统进行的碳通量动态研究具有十分重要的科学意义。
大气CO2浓度的变化是导致全球变暖的重要因子,对大气CO2浓度长期监测可为人类制定碳排放及碳贸易政策提供理论基础[6];通过大气CO2浓度的监测数据反演区域及全球的碳源−汇分布[7-8];利用自由大气增浓实验(FACE)研究生态系统对CO2施肥效应的响应机制[9]。森林的生长代谢与大气CO2浓度变化密切相关。森林植被的光合作用与呼吸作用会影响CO2浓度[10],而林冠层的CO2浓度的时空变化又对森林生态系统的生产力产生重要影响[11]。目前,与森林内部碳循环过程密切相关且作为涡度通量观测重要补充的森林生态系统CO2浓度的研究尚不多见[12]。陈步峰等[13]在海南尖峰岭热带雨林观测到林内CO2浓度最高,谭正洪等[12]得到近地层CO2浓度日尺度变化曲线为“双峰”的观测结果;焦振等[14]在帽儿山温带阔叶林观测到CO2浓度在日尺度上呈现“单峰”,且垂直方向上CO2浓度随高度增加而降低;陈晓峰等[15]利用CO2廓线系统在安吉毛竹林生长季的监测结果显示,CO2浓度在7月达到最低值,林冠层与林冠上层垂直梯度变化趋势相似。NPP模型对生态系统净初级生产力(Net Primary Productivity,NPP)模拟可以反应生产力的变化趋势。GROSSO等[16]利用超过5 600个站点的全球生态观测网数据集合(包括年均NPP、土地覆盖等级、降水和温度等),部分修正了Miami模型湿润区NPP高估的问题,提出了NCEAS(National Center for Ecological Analysis and Synthesis)模型。近年来,NCEAS模型已在全球/区域生态定量评估中验证了该模型的可靠性和准确性[17-18]。董丹等[19]利用改进CASA模型估算中国西南喀斯特地区1999—2003年的NPP总体呈现增长的趋势。李传华等[20]基于Biome-BGC模型,利用参数本地化对五道梁地区草地生态系统1961—2015年净初级生产力的情景模拟表明研究区的NPP呈显著上升的趋势。年尺度上的NPP模拟研究已取得较明确的结果,但由于植物生长对降水存在的滞后效应[21-22]使得模型对月尺度上的净初级生产力模拟具有不确定性,模拟结果与当月的降水及温度相关性低[23]。
基于生态系统过程模型的模拟研究已成为描述森林生态系统碳动态的重要研究手段。王媛等[24]基于EPPML模型千烟洲马尾松人工林的碳循环过程进行的模拟分析得到的结果与实测值十分吻合;韩其飞等[25]基于Biome-BGG模型对天山北坡的针叶林长达50年的模拟结果显示气温的升高促进了生态系统的NPP; PAULICK等[26]利用FORMIND模型模拟了两种地形不同的热带森林净生态系统交换量(Net Ecosystem Exchange,NEE),发现在演替早期的NEE最大,在演替后期的NEE接近零。然而对于可以深入了解森林碳循环过程的CO2通量动态模拟研究目前鲜有报道。热带森林通常指的是南北纬回归线之间具有典型天然热带植被的森林[27],作为地球系统碳循环的组成部分,在缓解全球气候变化中扮演着重要角色,近年来,众多专家学者从热带森林土壤呼吸、天然林再生过程中的碳积累速率、森林恢复对地面碳密度复原等方面开展了研究[28-30],但对于热带森林的CO2通量在森林碳循环过程的动态变化关注较少。鉴于此,笔者基于泰国SKR环境研究中心站点2001—2003年热带森林数据集,结合以往的研究结果[16-18],选择NCEAS模型进行改进,对月尺度NPP进行预测,耦合Fick第一定律表征森林的CO2扩散过程,同时考虑温度变化对凋落物分解速率的影响,构建热带森林碳通量动态模型,旨在模拟热带雨林CO2通量月动态循环变化,并对模型中参数进行敏感性分析,确定各参数对森林碳通量影响程度,为进一步完善热带森林碳循环模拟研究提供技术及理论基础。
-
泰国位于亚洲中南半岛的中南部,地形以山地与高原为主,地势北高南低,根据地理特征分为4个自然区域。北部丛林密布,东北部属于湄公河流域,为高原地带,干季少雨,雨季泥泞。中部为湄南河冲积平原,南部是狭长的丘陵地带。全国森林总面积为1 440万hm2,森林覆盖率达25%。
研究区位于泰国呵叻高原西北部Sakaerat环境研究中心(地理坐标14°29′32.5″N,101°54′58.7″E),Sakaerat研究区(以下简称为SKR)占地面积约为78 km2,地形较平缓,坡度不超过4°,属于热带草原气候,年平均降水量在1 200~1 300 mm,年均温24 ℃左右,干湿季分明。干季为11月至翌年3月,炎热干燥,月降水少于40 mm;雨季为4−10月,降雨充沛[31]。研究区主要包含29.5 km2的干旱常绿林区域和12.2 km2的干旱龙脑香科森林区域。植被类型是热带季节性常绿林,森林冠层高度为35~40 m。海拔高度约543 m,主要土壤类型是由砂岩母质演化而来的浅石质盐土。
-
收集、整理SKR环境研究中心站点通量塔2001−03−01—2003−12−31综合气象要素和CO2浓度数据集(时间分辨率为30 min)。气象观测系统依4个不同垂向梯度(距离地面:5 、20 、35 、45 m)架设,同步测定温度和CO2浓度(图1)。翻斗式雨量计被固定安置于通量塔顶(47 m,远高于冠层高度),以消除冠层截留的影响。数据处理选取线性内插法对少量的缺测数据(缺测数据占比小于总体样本的5%)进行插补,以确保原始数据的完整性。最终,将逐半小时序列数据融合为逐月数据集,用于构建森林碳通量动态模型。
-
1992年,BEVEN等[32]提出普适似然函数不确定性评估方法,即GLUE(Generalized Likelihood Uncertainty Estimation)算法,对模型的参数进行识别和率定。在预先设置好的模型参数范围内运用蒙特卡洛方法随机获取参数组合,代入模型中进行模拟,计算出模拟值与实测值的似然函数值,再计算函数值权重,得到参数组的似然值;根据预先设置好的似然值阈值,筛选出参数组似然值并重新归一化,分析参数不确定性[33]。
-
本研究将森林生态系统作为一个整体进行模拟研究,关注影响林中CO2通量的各个组分,包括森林向大气边界层的扩散过程、植被的光合及呼吸作用、凋落物分解,并对各组分进行分析,将其在模型中重现,模拟月尺度下森林内部CO2通量的动态变化。
通过数据处理,将CO2浓度整理为通量数据,以林冠以下的3层CO2通量均值作为森林内部的CO2通量,以林冠上层梯度作为大气边界层CO2通量,运用Fick第一定律,模拟林内向大气的CO2扩散通量。净初级生产力是由植被以CO2为底物进行光合作用所产生的有机质总量中扣除植被自养呼吸后的剩余部分,因此可以表征光合与呼吸作用对CO2通量的影响。应用此种关系,改进后的NCEAS模型可利用SKR监测站的降水数据对月尺度森林NPP进行模拟。利用NCEAS模型模拟的月净初级生产力对凋落物质量进行约束,同时考虑温度变化对凋落物分解速率的影响,对森林凋落物的分解进行模拟。
根据图2对模型形式化,森林CO2通量变化量(dCO2)计算公式为:
$$d{{\rm{CO}}_{2\_sim}} = {F_d} - NP{P_{month}} - {F_c}$$ (1) 式中,Fd是凋落物分解CO2通量,NPPmonth为月净初级生产力,Fc森林内部与边界层之间的CO2扩散通量。
模型的循环迭代步骤为:1)设置迭代元素i,i值为6~36。2)判断i是否等于6,若i=6,则第一个月的CO2通量也就是6月的CO2通量数据等于5月的实测值加上6月CO2通量变化量dCO2。3)若i≠6,则当月CO2通量数据等于上一个月的通量模拟值加上当月的通量变化量dCO2。直到i=36,模型的迭代结束,否则,i=i+1,继续进行迭代计算。
运用GLUE算法,设置3个参数,在预先确定的参数范围内随机选取参数组的模拟(随机模拟次数为100 000次),似然函数选取均方根误差(Root Mean Squared Error,RMSE),进行参数敏感性分析,确定模型的最优参数组合,将最优参数组合的CO2通量模拟值与实测值比较,对模型优度评价。
-
(1)引入植被对降水滞后响应的月尺度NPP模型优化。
NCEAS模型的NPP的计算公式为:
$$ANPP = 4\;000 \times \left[ {1 - \exp \left( {{\rm{ - }}4.77 \times {{10}^{{\rm{ - }}5}} \times MAP} \right)} \right]$$ (2) 公式(2)为裸地计算公式,式中,ANPP单位为gC·(m2·a)−1。
$$ANPP = \min \left[ {F\left( {MAP} \right),F\left( {MAT} \right)} \right]$$ (3) 公式(3)为非裸地计算公式,式中,ANPP单位为gC·(m2·a)−1。
$$F\left( {MAP} \right) = \frac{{0.166\;5 \times MA{P^{1.185}}}}{{{\rm{exp}}\left( {0.000\;414 \times MAP} \right)}}$$ (4) 式中,F(MAP)单位为mm。
$$F\left( {MAT} \right) = \frac{{3\;139}}{{1 + {\rm{exp}}\left( {2.2 - 0.030\;7 \times MAP} \right)}}$$ (5) 式中,F(MAT)单位为℃。
ANPP为地上NPP,MAP是年降水量,MAT是年均温度,比较MAP及MAT模拟结果,取最低值为NPP。根据图3所示,F(MAP)显著低于F(MAT),因此,选取MAP对NPP进行模拟。模型可模拟年尺度的NPP,而本研究使用月尺度的NPP对森林的碳通量动态变化进行模拟,因此根据研究内容,结合研究区域气象状况,提出1种新方法,对NCEAS模型改进,从而模拟月尺度的NPP。
图 3 2002和2003年SKR站热带森林NPP的2种模拟结果
Figure 3. Simulation results of Tropical Forest NPP at SKR station in 2002 and 2003 NCEAS
由于植被生长对降水存在明显的滞后响应[34-35]。结合NCEAS模型的运算过程,将前期不同时间跨度月降水量(考虑前1−12 月)均值作为当月降水量,并假设全年的月降水量都相同,则每个月的净初级生产力也应当一致,将当月降水量乘以12,获得年降水量,代入到NCEAS模型中,获得在全年的月降水量都相同的假设情景下年NPP,再除以12,得到月NPP。以此类推,在假设全年每个月降水量都相同的情景下,利用NCEAS模型,模拟当月的NPP,计算公式为:
$$NP{P_{month}} = \frac{{F\left( {PPT \times 12} \right)}}{{12}}$$ (6) 式中,NPPmonth为月净初级生产力,单位为 gC·m−2·月,PPT为不同时间跨度月降水量均值,单位为mm,统计1−12月不同尺度的NPPmonth,得到各月尺度模拟下的全年净初级生产力NPPm,与NCEAS模型利用年降水量计算的NPP对比,确定最优月尺度。
(2)CO2扩散通量Fc。模型假定森林内部与边界层之间的物质交换为平衡状态,主要受浓度扩散控制[36],因此其CO2扩散通量Fc可以通过Fick第一定律进行估算,计算公式为:
$${F_c} = {\rm{ - }}k \times \frac{{dC}}{{dx}}$$ (7) 式中,Fc是森林内部与边界层之间的CO2扩散通量,单位为 gC·m−2·月;k为森林内部与边界层之间的扩散系数,单位为 gC·m−2·月,用于表征扩散速度;dC/dx是边界层(45 m)与森林内部(5、20、35 m均值)的CO2浓度梯度。
(3)凋落物分解CO2通量Fd。模型使用一种简单,容易参数化的方程表达凋落物每月分解产生的CO2通量,计算公式为:
$${F_d} = {M_0} \times {r_{inst}} \times {\rm{Days}}$$ (8) 式中,Fd是每月凋落物分解产生的CO2通量,单位为 gC·m−2·月;M0是每月的凋落物质量,单位为 gC·m−2·月;rinst是由TOMCZYK[37]提出的考虑到温度变化对估计温度敏感性潜在影响的每日分解速率 d−1;Days表示各月包含的天数。
$${r_{inst}} = {r_{ref}} \times {e^{\frac{{ - Ea}}{{{k_B}}} \times \left( {\frac{1}{T} - \frac{1}{{{T_{ref}}}}} \right)}}$$ (9) 式中,rref是在当温度参考值Tref在288 K的分解速率0.020 4 d−1[38]。kB是玻尔兹曼常数(8.617×10−5 eV·K−1)。Ea为活化能(eV)。
-
碳通量模型需要率定的参数共有3个,见表1。
表 1 各参数内涵及取值范围
Table 1. Connotation and value range of each parameter
参数
Parameter基本内涵
Basic connotation取值范围
Value rangek CO2扩散系数 0~1 Ea 活化能 0~1 M0 凋落物质量 0~52.94 根据参数的物理特性,确定了k、Ea、M0 3个参数的初始取值范围,M0的取值范围通过最大月NPP进行约束。
-
选用皮尔森相关系数(Pearson Correlation Coefficient,r)与均方根误差(RMSE)对模型结果与实际测量值进行检验,r表示两个变量之间线性相关关系,在模型模拟精度分析中,用r表示测量值与模拟值的相关关系。RMSE是用于衡量观测值同模拟值之间的偏差,其值越低表明模型的预估结果越接近于实际测量值,即模型的拟合能力越高。
$${\rm{RMSE}} = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{({{\rm{CO}}_{2\_{\rm{sim}}}} - {{\rm{CO}}_{{\rm{2\_ob}}}})}^2}} } $$ (10) $${\rm{r}} = \frac{{\displaystyle\sum\limits_{i = 1}^n {\left( {{{\rm{CO}}_{2\_{\rm{sim}}}} - {{\overline {{\rm{CO}}} }_{2\_{\rm{sim}}}}} \right)\left( {{{\rm{CO}}_{2\_{\rm{ob}}}} - {{\overline {{\rm{CO}}} }_{2\_{\rm{ob}}}}} \right)} }}{{\sqrt {\displaystyle\sum\limits_{i = 1}^n {{{\left( {{{\rm{{\rm{CO}}}}_{2\_{\rm{sim}}}} - {{\overline {{\rm{CO}}} }_{2\_{\rm{sim}}}}} \right)}^2}} } \sqrt {\displaystyle\sum\limits_{i = 1}^n {{{\left( {{{\rm{CO}}_{2\_{\rm{ob}}}} - {{\overline {{\rm{CO}}} }_{2\_{\rm{ob}}}}} \right)}^2}} } }}$$ (11) 式中,CO2_sim是模型模拟值,CO2_ob是实际观测值,
${\overline {{\rm{CO}}} _{2\_{\rm{sim}}}}$ 是模拟值的平均值,${\overline {{\rm{CO}}} _{2\_{\rm{ob}}}}$ 是观测值的平均值,模拟值与观测值之间的协方差与标准差的商为样本皮尔森相关系数r。
Dynamic Analysis of Carbon Flux of Tropical Forest in Thailand Based on Process Model
-
摘要: 本研究收集整理泰国SKR站2001—2003年热带季节性常绿林CO2垂直梯度浓度和气温、降水等气象数据集,耦合并改进NCEAS模型,在月尺度上模拟季节气候变率下热带森林碳源−汇的收支过程。结果表明:(1)泰国SKR监测站热带森林表现为较明显的雨热同期现象,雨季(4−10月)降水量占全年的90%以上,温度在4−5月达到峰值。干季与雨季的CO2浓度存在明显的差异,呈现雨季低、干季高;垂直方向上,CO2浓度随高度的增加而降低。(2)降水量影响是SKR监测站热带森林的生产力变化的主要因素,改进后的NCEAS模型能够较准确地模拟月尺度森林的NPP;6−7月是改进后的NCEAS模型模拟热带森林的月NPP的最佳时间尺度。(3)构建的模型具有较高的拟合精度:r=0.69,RMSE=14.93 gC·m−2·月。似然函数值RMSE对活化能Ea及凋落物质量M0不敏感,在参数分布区间内都有低似然值取值;扩散系数k敏感,在参数取值0.4时存在极值,表示k是影响热带森林CO2通量变化的主要影响因子。综上所述,在基于生态系统过程的碳通量模拟研究中,森林内部向大气边界层的CO2扩散过程是森林生态系统碳通量变化的主要影响因子。Abstract: CO2 vertical gradient concentrations, and meteorological data sets of temperature and precipitation in the tropical seasonal evergreen forest were collected from 2001—2003 at the SKR station in Thailand. and They were compiled, and the NCEAS model was coupled and improved to simulate tropical forest carbon source-sink income and expenditure processes under seasonal climate variability on a monthly scale. The results showed that the tropical forest in SKR monitoring station presented an obvious phenomenon of coincidence of rainfall with high temperature. The precipitation in the rainy season (April to October) accounted for more than 90% of the total annual precipitation, and the temperature came to the peak from April to May. CO2 concentration was obviously different in the two seasons, high in the rainy season and low in the dry season, and it decreased with the increase of vertical height. Precipitation was the major factor of tropical forest NPP in the SKR monitoring station. The improved NCEAS model can simulate the monthly NPP of the tropical forest more accurately. June−July was the best temporal scale for the improved NCEAS model to simulate the monthly NPP of tropical forests. The constructed model has a high fitting accuracy: r = 0.69, RMSE = 14.93 gC·m−2·month. The likelihood function value RMSE is not sensitive to activation energy Ea and litter mass M0, and has low likelihood values in the parameter distribution interval. The diffusion coefficient k is sensitive, and there is an extreme value when the parameter is 0.4, indicating that k is the main influencing factor that affects the change in the CO2 flux of the tropical forest. It is concluded that in the simulation of carbon flux based on ecosystem process the diffusion process of CO2 from the interior forest to the atmospheric boundary layer is the main influencing factor of carbon flux change of forest ecosystem.
-
Key words:
- NCEAS model /
- Fick’s first law /
- CO2 flux /
- tropical forest
-
图 5 2002年和2003年CO2浓度月变化趋势
a. 2002年不同高度CO2浓度变化特征;b. 2003年不同高度CO2浓度变化特征。
Fig. 5 The monthly variation trend of CO2 concentration in 2002 and 2003
Figure a shows the variation characteristics of CO2 concentration at different altitudes in 2002; Figure b shows the variation characteristics of CO2 concentration at different altitudes in 2003.
图 6 2002年和2003年基于不同月尺度的NPP模拟结果
a. 2002年NPPm与NCEAS模型对年降水量模拟的NPP;b. 2003年NPPm与NCEAS模型对年降水量模拟的NPP。
Fig. 6 NPP simulation results based on different monthly scales in 2002 and 2003
Figure a shows the NPPm and NPP simulation of annual precipitation by NCEAS model in 2002; Figure b shows the NPPm and NPP simulation of annual precipitation by NCEAS model in 2003.
图 8 模型的3个参数与似然函数关系散点图
a. Ea与似然函数关系;b. M0为似然函数关系;c. k与似然函数关系;d. 在似然函数值13~18范围内,k与似然函数关系。
Fig. 8 Scatter plot of the relationship between three parameters of the model and likelihood function
Figure a shows the relationship between Ea and likelihood function; Figure b shows the relationship between M0 and likelihood function; Figure c shows the relationship between k and likelihood function; figure d shows the relationship between k and likelihood function in the range of the likelihood function value between 13 and 18.
表 1 各参数内涵及取值范围
Table 1 Connotation and value range of each parameter
参数
Parameter基本内涵
Basic connotation取值范围
Value rangek CO2扩散系数 0~1 Ea 活化能 0~1 M0 凋落物质量 0~52.94 -
[1] DIXON R K, SOLOMON A M, BROWN S, et al. Carbon pools and flux of global forest ecosystems [J]. Science, 1994, 263(5144): 185 − 190. doi: 10.1126/science.263.5144.185 [2] 刘国华, 傅伯杰, 方精云. 中国森林碳动态及其对全球碳平衡的贡献[J]. 生态学报, 2000, 20(5): 733 − 740. doi: 10.3321/j.issn:1000-0933.2000.05.004 [3] 王春林, 于贵瑞, 周国逸, 等. 鼎湖山常绿针阔叶混交林CO2通量估算[J]. 中国科学(D辑: 地球科学), 2006, 36(S1): 119 − 129. [4] BONAN G B. Forests and climate c hange: Forcings, feedbacks, and the climate benefits of forests [J]. Science, 2008, 320(5882): 1444 − 1449. doi: 10.1126/science.1155121 [5] 方精云, 郭兆迪, 朴世龙, 等. 1981—2000年中国陆地植被碳汇的估算[J]. 中国科学(D辑: 地球科学), 2007, 37(6): 804 − 812. [6] Chevallier J. Carbon futures and macroeconomic risk factors: A view from the EU ETS [J]. Energy economics, 2009, 31(4): 614 − 25. doi: 10.1016/j.eneco.2009.02.008 [7] FAN S, GLOOR M, MAHLMAN J, et al. A large terrestrial carbon sink in North America implied by atmospheric and oceanic carbon dioxide data and models [J]. Science, 1998, 282(5388): 442 − 446. doi: 10.1126/science.282.5388.442 [8] SUNTHARALINGAM P, SPIVAKOVSKY C M, LOGAN J A, et al. Estimating the distribution of terrestrial CO2 sources and sinks from atmospheric measurements: Sensitivity to configuration of the observation network [J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D15): 1 − 42. [9] SHAW M R, ZAVALETA E S, CHIARIELLO N R, et al. Grassland responses to global environmental changes suppressed by elevated CO2 [J]. Science, 2002, 298(5600): 1987 − 1990. doi: 10.1126/science.1075312 [10] CANADELL J G, MOONEY H A, BALDOCCHI D D, et al. Carbon metabolism of the terrestrial biosphere: A multitechnique approach for improved understanding [J]. Ecosystems, 2000, 3(2): 115 − 130. doi: 10.1007/s100210000014 [11] OSBORNE C P, DRAKE B G, LAROCHE J, et al. Does long-term elevation of CO2 concentration increase photosynthesis in forest floor vegetation? (Indiana Strawberry in a Maryland Forest). [J]. Plant Physiology, 1997, 114(1): 337 − 344. doi: 10.1104/pp.114.1.337 [12] 谭正洪, 张一平, 于贵瑞, 等. 热带季节雨林林冠上方和林内近地层CO2浓度的时空动态及其成因分析[J]. 植物生态学报, 2008, 32(3): 555 − 567. doi: 10.3773/j.issn.1005-264x.2008.03.004 [13] 陈步峰, 林明献, 李意德, 等. 海南尖峰岭热带山地雨林近冠层CO2及通量特征研究[J]. 生态学报, 2001, 21(12): 2166 − 2172. doi: 10.3321/j.issn:1000-0933.2001.12.029 [14] 焦振, 王传宽, 王兴昌. 温带落叶阔叶林冠层CO2浓度的时空变异[J]. 植物生态学报, 2011, 35(5): 512 − 522. [15] 陈晓峰, 江洪, 孙文文, 等. 安吉毛竹林生长季CO2浓度的时空特征[J]. 生态学杂志, 2016, 35(5): 1162 − 1169. [16] GROSSO S D, PARTON W, STOHLGREN T, et al. Global potential net primary production predicted from vegetation class, precipitation, and temperature [J]. Ecology, 2008, 89(8): 2117 − 2126. doi: 10.1890/07-0850.1 [17] IRISARRI J G N, OESTERHELD M, PARUELO J M, et al. Patterns and controls of above‐ground net primary production in meadows of Patagonia. A remote sensing approach [J]. Journal of Vegetation Science, 2012, 23(1): 114 − 126. doi: 10.1111/j.1654-1103.2011.01326.x [18] CLEVELAND C C, TAYLOR P, CHADWICK K D, et al. A comparison of plot‐based satellite and Earth system model estimates of tropical forest net primary production [J]. Global Biogeochemical Cycles, 2015, 29(5): 1 − 19. [19] 董丹, 倪健. 利用CASA模型模拟西南喀斯特植被净第一性生产力[J]. 生态学报, 2011, 31(7): 1855 − 1866. [20] 李传华, 韩海燕, 范也平, 等. 基于Biome-BGC模型的青藏高原五道梁地区NPP变化及情景模拟[J]. 地理科学, 2019, 39(8): 1330 − 1339. [21] 张清雨, 吴绍洪, 赵东升, 等. 内蒙古草地生长季植被变化对气候因子的响应[J]. 自然资源学报, 2013, 28(5): 754 − 764. doi: 10.11849/zrzyxb.2013.05.005 [22] 季树新, 王理想, 白雪莲, 等. 不同林龄人工梭梭林对降雨的滞后响应[J]. 干旱区研究, 2020, 37(2): 349 − 356. [23] 刘春雨, 董晓峰, 刘英英. 不同尺度视角下大敦煌NPP分布格局研究[J]. 资源科学, 2014, 36(2): 406 − 412. [24] 王媛, 张娜, 于贵瑞. 千烟洲马尾松人工林生态系统的碳循环模拟及模型参数的敏感性分析[J]. 应用生态学报, 2010, 21(7): 1656 − 1666. [25] 韩其飞, 罗格平, 李超凡, 等. 基于Biome-BGC模型的天山北坡森林生态系统碳动态模拟[J]. 干旱区研究, 2014, 31(3): 375 − 382. [26] PAULICK S, DISLICH C, HOMEIER J, et al. The carbon fluxes in different successional stages: Modelling the dynamics of tropical montane forests in South Ecuador [J]. Forest Ecosystems, 2017, 4(2): 143 − 153. [27] 侯元兆. 中国热带森林的分布、类型和特点[J]. 世界林业研究, 2003, 16(03): 47 − 51. doi: 10.3969/j.issn.1001-4241.2003.03.010 [28] 崔乙斌, 廖立国, 赵俊福, 等. 吊罗山低地森林不同地形土壤的呼吸变化[J]. 热带生物学报, 2020, 11(2): 231 − 237. [29] COOK-PATTON S C, LEAVITT S M, GIBBS D, et al. Mapping carbon accumulation potential from global natural forest regrowth [J]. Nature, 2020, 585(7826): 545 − 550. doi: 10.1038/s41586-020-2686-x [30] PHILIPSON C D, CUTLER M E J, BRODRICK PG, et al. Active restoration accelerates the carbon recovery of human-modified tropical forests [J]. Science, 2020, 369(6505): 838 − 841. doi: 10.1126/science.aay4490 [31] MENGPING C, GUANZE W, SHUANGXI Z, et al. Studies on forest ecosystem physiology: Marginal water-use efficiency of a tropical, seasonal, evergreen forest in Thailand [J]. Journal of Forestry Research, 2019, 30(6): 187 − 197. [32] BEVEN K, BINLEY A. The future of distributed models: Model calibration and uncertainty prediction [J]. Hydrological Processes, 1992, 6(3): 279 − 298. doi: 10.1002/hyp.3360060305 [33] 冯娇娇, 何斌, 王国利, 等. 基于GLUE方法的新安江模型参数不确定性研究[J]. 水电能源科学, 2019, 37(1): 26 − 28. [34] SHINODA M. Seasonal phase lag between rainfall and vegetation activity in tropical Africa as revealed by NOAA satellite data [J]. International Journal of Climatology, 1995, 15(6): 639 − 656. doi: 10.1002/joc.3370150605 [35] 马雄伟, 赵庆志, 姚顽强. 黄土高原植被对气候变化的时滞响应及其时变特征[J]. 西安科技大学学报, 2020, 40(1): 157 − 166. [36] MUELLER B, WANG Y, DITTRICH M, et al. Influence of organic carbon decomposition on calcite dissolution in surficial sediments of a freshwater lake [J]. Water Research, 2003, 37(18): 4524 − 4532. doi: 10.1016/S0043-1354(03)00381-6 [37] TOMCZYK N J, ROSEMOND A D, BUMPERS P M, et al. Ignoring temperature variation leads to underestimation of the temperature sensitivity of plant litter decomposition [J]. Ecosphere, 2020, 11(2): 1 − 14. [38] MANNING D W P, ROSEMOND A D, KOMINOSKI J S, et al. Detrital stoichiometry as a critical nexus for the effects of streamwater nutrients on leaf litter breakdown rates [J]. Ecology, 2015, 96(8): 2214 − 2224. doi: 10.1890/14-1582.1 [39] 王林, 陈文. 标准化降水蒸散指数在中国干旱监测的适用性分析[J]. 高原气象, 2014, 33(2): 423 − 431. doi: 10.7522/j.issn.1000-0534.2013.00048 [40] 崔林丽, 史军, 杨引明, 等. 中国东部植被NDVI对气温和降水的旬响应特征[J]. 地理学报, 2009, 64 (7): 850 − 860. doi: 10.3321/j.issn:0375-5444.2009.07.009 [41] 张一平, 沙丽清, 于贵瑞, 等. 热带季节雨林碳通量年变化特征及影响因子初探[J]. 中国科学(D辑: 地球科学), 2006, 36(S1): 139 − 152. [42] 赵仲辉, 张利平, 康文星, 等. 湖南会同杉木人工林生态系统CO2通量特征[J]. 林业科学, 2011, 47(11): 6 − 12. doi: 10.11707/j.1001-7488.20111102 [43] 张元媛, 朱万泽, 孙向阳, 等. 川西贡嘎山峨眉冷杉成熟林生态系统CO2通量特征[J]. 生态学报, 2018, 38(17): 6125 − 6135. [44] 陈亮, 周国模, 杜华强, 等. 基于随机森林模型的毛竹林CO2通量模拟及其影响因子[J]. 林业科学, 2018, 54(8): 1 − 12. doi: 10.11707/j.1001-7488.20180801 [45] OLCHEV A, IBROM A, ROSS T, et al. A modelling approach for simulation of water and carbon dioxide exchange between multi-species tropical rain forest and the atmosphere [J]. Ecological Modelling, 2008, 212(1): 122 − 130.