论文部分内容阅读
本文借鉴了MODIS-PSN、CASA、GLO-PEM、VPM等光能利用率NPP模型的优点，同时充分考虑了研究区域其植被光能利用率和环境因素的典型特点，建立了针对研究区域的基于光能利用率原理的植被净初级生产力遥感估算模型。分别选取了不同分辨率的遥感数据作为所构建的NPP遥感估算模型的输入参数，对比分析了计算所获得的不同分辨率的NPP值，实现了NPP遥感估算模型尺度效应问题的研究。本文采用基于混合像元的结构分析方法和支持向量机(SVM)算法，建立了高分辨率遥感数据(TM)向低分辨率遥感数据(MODIS)的尺度转换模型，实现了NPP模型尺度上推的空间尺度转换方法，并对低分辨率遥感数据(MODIS)估算的NPP结果进行了尺度效应校正。在此基础上，本文模拟了青海省2006年每月的PAR、水分胁迫因子和温度胁迫因子，估算了植被的FPAR、光能利用率和NPP，较深入地分析了研究时段内上述NPP模型各主要参数因子和NPP的空间分布和季相变化特征，并将本文的NPP估算结果与2006年MODIS17A2的NPP产品、其他学者得到的相关NPP估算结果和野外实测数据进行了比较和验证。主要研究成果和结论如下：
1.本文所构建的NPP遥感估算模型体现了以下四方面的特色：(1)模型构建的目标是针对估算特定区域的NPP，因此在确定模型各项输入参数的算法时，充分考虑了研究区域植被光能利用率和环境因素的典型特点，也就保证了所构建NPP模型的估算结果较一般模型模拟结果的准确性；(2)根据研究区域相关文献资料和NPP实测数据，模拟出主要植被类型的最大光能利用率，使之更符合研究区的实际情况：(3)由于研究区的主要植被覆盖类型为草地，所以特别细化了草地最大光能利用率的估算步骤，以此尽可能地减少草地最大光能利用率的估算误差；(4)环境综合影响因子的计算更为简便，所反映的空间分布趋势也与实际情况比较符合。
2.在条件允许的前提下，尽可能选取了具有空间尺度代表性的4种遥感数据：20m分辨率的CBERS数据、30m分辨率的TM数据、1km分辨率的MODIS数据、8km分辨率的NOAA/AVHRR数据。在研究区选取适当大小的试验区域，分别采用上述4种分辨率的遥感影像作为NPP遥感估算模型的输入参数，估算了4种分辨率的NPP模拟值。对比分析了这4种分辨率的土地覆盖类型空间格局的变化和NPP分布情况。
3.通过理论分析和实际验证，基于混合像元的结构分析方法是进行NPP空间尺度转换研究的比较理想的方法。采用支持向量机(SVM)算法建立了标记为j地表覆盖类型像元的尺度效应校正因子Ri和该像元中非主要地表覆盖类型i所对应的Fij之间的回归模型。尺度效应校正后的NPPMODIS_corrected与NPPTM的相关性明显提高，R2达到0.84，RMSE为1.87。因此，降低了尺度效应对NPP模型估算结果的影响。
4.模拟并分析了青海省2006年每月NPP模型各主要参数因子和NPP的时空变化特征。2006年青海省植被平均光能利用率的模拟结果介于0.026～0.403gC/MJ之间，平均值为0.096gC/MJ。2006年青海省净初级生产力介于0～422.09gC/m2/a之间，平均值为151.33gC/m2/a。青海省NPP空间分布规律总体上呈由西北向东南地区递增的趋势，青海省东南部、南部和青海湖周围三个地区，是青海省NPP较高的区域。NPP在不同植被类型中的差异相当明显，单位面积平均NPP最高的为阔叶林(313.59gC/m2/a)，最低的为稀疏灌丛(101.01gC/m2/a)。整个草地生态系统(包括低覆盖度草地、中覆盖度草地和高覆盖度草地)的年NPP总量为36.1TgC/a，约占青海省NPP总量的59.9％。青海省NPP随季节的推移变化显著。NPP的积累期主要发生在水热搭配较好的4"-9月份，这6个月的NPP占了年度NPP总量的79.8％。7月植被生长达到生长终期，植被平均NPP达到最大值(42.95gC/m2)。
5.为了验证本文NPP估算结果的正确程度，从三个方面对估算结果进行了比较和验证：(1)与2006年MODIS17A2的NPP产品比较。(2)与其他学者得到的相关NPP估算结果进行比较。(3)与野外实测数据的对比。