文章信息
- 康婷婷, 高苹, 居为民, 黄金龙
- KANG Tingting, GAO Ping, JU Weimin, HUANG Jinlong
- 江苏省农作物最大光能利用率时空特征及影响因子
- The spatial and temporal variations of maximum light use efficiency and possible driving factors of Croplands in Jiangsu Province
- 生态学报, 2014, 34(2): 410-420
- Acta Ecologica Sinica, 2014, 34(2): 410-420
- http://dx.doi.org/10.5846/stxb201301120086
-
文章历史
- 收稿日期:2013-1-12
- 修订日期:2013-9-3
2. 江苏省气象服务中心, 南京 210008
2. Meteorological Service Center for Jiangsu Province, Nanjing 210008, China
光能利用效率简称为光能利用率,指植被把所吸收的光合有效辐射转化为有机碳的效率,其单位一般为g C/MJ[1]。该参数与植被类型、生育期和环境条件等有关[2, 3, 4],是基于遥感的光能利用率模型的关键参数[5],这类模型通常将植被净初级生产力(NPP)或总初级生产力(GPP)计算为最大光能利用率(εmax)、植被吸收的光合有效辐射(APAR)和温度、大气湿度以及土壤湿度等环境胁迫因子的乘积。
εmax是指植被在没有任何限制的理想条件下对光合有效辐射的利用率[6],其大小还受到氮素[7, 8]、CO2浓度[9]和植被类型与品种[8, 10]等的影响。由于在环境胁迫因子和植被吸收的光合有效辐射比例(FPAR)计算等方面的差异,现有基于遥感的光能利用率模型设置的该参数值存在较大的差异。Potter等[3]和Field等[4, 11]在利用CASA模型计算植被净初级生产力时,假设全球所有植被类型的εmax为0.389 g C/MJ;彭少麟等[12]在利用CASA模型计算广东省植被生产力时,将εmax设为1.25 g C/MJ;朱文泉等[6]认为在利用CASA模型计算中国农作物的生产力时,εmax应设为0.542 g C/MJ;Chen等[13]根据12个通量塔的观测数据推算的CASA模型的εmax为1.31—2.91 g C/MJ PAR;Lobell等[14]根据美国各县的产量统计数据估算NPP,进而推算CASA模型中农田的εmax为0.2—1.0 g C/MJ PAR。Raymond等[15]认为在没有气候和其他因素的限制时,光利用率的上限为3.5g C/MJ;Ruimy等[16]发现C3作物的光能利用率范围为0.85—3.0 g C/MJ,C4作物的光利用率则可高达4.8g C/MJ。由此可见,εmax的取值还存在很大的分歧,与使用的模型和研究的尺度有关。因此,确定区域尺度的εmax是利用遥感数据和光能利用率模型计算生态系统生产力必须解决的问题。
本论文以江苏省为研究区,利用2001—2010年各县区的产量统计数据推算农田NPP,结合同期的MODIS遥感数据和气象观测数据,确定VPM光能利用率模型计算县级尺度总初级生产力的εmax参数,并分析其时空变化特征及其原因,以期为更好地利用遥感技术计算农田的碳通量、监测农作物长势提供参考。
1 研究区概况江苏省位于长江下游,介于东经116°18′—121°57′、北纬30°45′—35°20′之间,总面积1.026×105 km2,地形以平原为主,是长江三角洲地区的重要组成部分(图 1)。气候属于暖温带-亚热带气候的过渡区,冬温夏热,四季分明,年均气温13—16℃,年均降水量700—1200 mm,自北向南增加,无霜期平均200—240 d,由于受季风的影响,气候存在明显的年际波动[17]。海岸线长达954 km,滩涂资源丰富,全省共有滩涂面积约6.53×105 hm2,占全国滩涂面积的四分之一[18]。江苏省的主要农作物有水稻、小麦、玉米、棉花、大豆、油菜和马铃薯等,大多数地区为一年两熟制,夏熟作物以冬小麦、大麦和油菜为主,生长期为10月底到翌年5月;秋熟作物主要有水稻、玉米和棉花,生长期为5月到10月[19]。
2 数据与方法 2.1 数据源本研究所用数据包括地表覆盖数据(欧空局生成的2009年300 m分辨率的全球地表覆盖数据GLOBCOVER)、2001—2010年的8d合成的MODIS反射率MOD09A1数据(由MODIS数据中心免费下载https://lpdacc.usgs.gov/)、气象台站的气象数据(包括日最高气温、日最低气温、日平均气温、日照时数等)、2001—2010年江苏省各县/区的农作物产量统计数据、DEM数据、行政边界数据和经纬网数据等。所有数据都采用Albers等面积投影(中央经线为105°E、标准纬线分别为25°N和47°N)、WGS84坐标系进行投影转换到500m分辨率。整个研究区共有1190×1013像元。
2.2 数据预处理 2.2.1 气象数据处理对获取的2001—2010年江苏省的逐日最高气温、最低气温、平均气温和日照时数数据采用反距离权重插值方法(Inverse Distance Weighting,IDW)[20]进行插值,生成气象格点数据。对模型所需的日辐射数据采用以下公式进行求算:
式中,S为日太阳总辐射(MJ m-2 d-1),S0为太阳常数,θ为日平均太阳天顶角,n为观测的日日照时数,N为最大日可照时数,与纬度和季节有关。
2.2.2 农业统计数据处理使用的农业统计数据包括2001—2010年江苏省每一个县级行政单元的农作物播种面积、单产、总产量数据和化肥施用量等。其中水稻、小麦、大麦、玉米、油菜、棉花、豆类、高粱、谷子、芝麻、薯类、甜菜、花生、甘蔗和向日葵等作物的播种面积占江苏省农作物总收获面积的79.67%,对这些农作物根据其产量进行了NPP估算。其他农作物(主要是烟草、蔬菜和瓜果类)的总面积占全省农作物总收获面积的20.33%,由于缺少数据和换算方法,在计算每个行政单元农田NPP时没有进行考虑。考虑到城市郊区地表覆盖复杂且变化大,蔬菜和瓜果种植比例高的实际情况,本文只对耕地面积/总面积大于25%的县区的农田εmax变化特征进行分析,共选择了61个县区。
式中,NPP为估算的一个行政单元内的农作物NPP总和;N是作物种类,等于15;Yi是第i种作物的产量;Mi是第i种作物收获部分的含水量;Ci是第i种作物收获部分的含碳量;HIi是第i种作物的收获指数(对薯类、甜菜和花生指产量占地下生物量的比例;而对其他作物指产量占地上生物量的比例);Ri是NPP分配到地上(除薯类、甜菜和花生以外的作物)或地下部分(薯类、甜菜和花生)的比例。参考国内外研究成果[14, 21, 22, 23, 24, 25],确定的这些参数值列于表 1。
作物类型 Agrotype | 含水量 Moisture content | 含碳比例 Carbon fraction | 收获指数 Harvest index | 地上/下部分NPP比例 aboveground/belowground NPP |
水稻 | 0.15 | 0.38 | 0.43 | 0.91 |
小麦 | 0.15 | 0.39 | 0.37 | 0.90 |
大麦 | 0.12 | 0.45 | 0.40 | 0.90 |
玉米 | 0.22 | 0.39 | 0.44 | 0.92 |
油菜 | 0.10 | 0.42 | 0.25 | 0.94 |
棉花 | 0.10 | 0.40 | 0.38 | 0.94 |
豆类 | 0.15 | 0.40 | 0.44 | 0.93 |
高粱 | 0.09 | 0.45 | 0.39 | 0.92 |
谷子 | 0.15 | 0.39 | 0.38 | 0.90 |
芝麻 | 0.15 | 0.40 | 0.15 | 0.87 |
薯类 | 0.80 | 0.39 | 0.71 | 0.90 |
甜菜 | 0.80 | 0.39 | 0.69 | 0.90 |
花生 | 0.14 | 0.38 | 0.43 | 0.90 |
甘蔗 | 0.68 | 0.42 | 0.56 | 0.95 |
向日葵 | 0.10 | 0.45 | 0.35 | 0.90 |
首先将GLOBCOVER地表覆盖数据重采样到500m分辨率,该数据中有4种农作物或农作物/其他植被混合类型,本研究仅对雨养农田和灌溉农田两种类型进行统计计算[26]。
对下载的MOD09A1反射率数据进行拼接和投影转换,并利用江苏省行政区划图进行裁剪,得到覆盖江苏省的反射率数据。利用其中的蓝光(459—479nm)、红光(620—670nm)、近红外(841—875nm)和短波红外(1628—1652nm)4个波段的数据,按照以下公式计算增强型植被指数(EVI)和地表水分指数(LSWI)[27, 28]:
式中,ρ表示地表反射率,下标nir、red、blue和swir分别代表近红外、红光、蓝光和短波红外波段。
2.3 最大光能利用率的估算Xiao等于2004年提出的VPM模型已成功应用于模拟森林[28, 29, 30, 31]、高寒草地[32]、温带草原[33]和农作物生态系统[34, 35, 36]的GPP。VPM模型的主要算法如下:
式中,ε是光能利用率(g C/MJ);FPAR表示植被吸收的光合有效辐射比例,假设等于EVI[28, 29, 30, 31, 32, 33, 34, 35, 36];PAR是入射的光合有效辐射(MJ · m-2 · s-1);Tscalar、Wscalar和Pscalar分别是温度、水分和物候对最大光能利用率εmax的修正因子。
该模型也可用于计算NPP,即:
式中,r为农作物NPP占GPP的比例,本文取值为0.533[37]。
利用方程(5)—(7)可以估算一个县区的εmax,即:
2.4 最大光能利用率变化趋势分析采用线性拟合的方法(y=ax+b)分析εmax的变化趋势,即:
式中,n代表年数,等于10,xi代表年份(1,2,3,…,10),yi为第i年的εmax。当a大于0时,表示εmax呈上升趋势,当a小于0时,表示εmax呈下降趋势[38]。
采用变异系数(coefficient of variation,CV)评价εmax的年际波动状况,即:
式中,εmaxi为第i年的年均εmax, max为2001—2010年的年均εmax的平均值。
3 结果与讨论 3.1 2001—2010年江苏省农作物εmax的时空分布特征2001—2010年间,江苏省各县平均εmax的变化范围为0.757—3.435 g C/MJ;εmax的全省平均值为1.430—2.435 g C/MJ。本文推算的江苏省县域尺度农田εmax表现出明显的时空变化特征(图 2),但介于前人报道的0.542 g C/MJ[6]和3.5 g C/MJ[15]之间,表明本文推算的εmax具有可信性。
各县的农田εmax均呈现出明显的时间变化特征,在2001—2006年间,各县的εmax总体上呈现上升趋势,但波动较大,2002年的值较2001年普遍有所下降,为10a最低值;2003年的εmax值较前一年普遍明显上升,其后相对稳定,但2006年的εmax值又一次下降;而在2007—2010年间,各县的εmax均呈现明显的增大趋势。
图 3是估算的各县农田εmax在2000—2010年期间的平均值,表现出北高南低、中间高四周较低、南部最低的分布特征,徐州市、连云港市、宿迁市、淮安市、盐城市、扬州市、泰州市和南通北部等地的εmax的10a平均值为1.8—2.8 g C/MJ,其中南通市的海安县、泰州市的兴化市、扬州市的高邮市和盐城市的建湖县等地的εmax的10a平均值高于2.4 g C/MJ;而南京、镇江、无锡、常州和苏州等地的εmax的10a平均值为1.2—1.8 g C/MJ,南京市的浦口区和常州的武进区εmax的10a平均值小于1.2 g C/MJ。
3.2 2001—2010年江苏省农田εmax的变化趋势图 4是2001—2010年江苏省农田年均εmax的变化趋势分布图,可见在此期间江苏省各县农田的εmax均呈现出上升趋势,但上升的幅度存在着明显的空间差异。在徐州市、宿迁市、淮安市、扬州市、泰州市、无锡市和连云港市及盐城市的大部分地区,εmax的每年增加幅度大于0.05 g C MJ-1 a-1,其中新沂市、宝应县、张家港市、太仓市、金坛市、邗江区、铜山县、溧阳市和海安县等地,εmax的每年增加幅度达到0.12—0.15 g C MJ-1 a-1,而赣榆县和盐都区和高邮市的εmax的每年增加幅度超过了0.15 g C MJ-1 a-1;南京市、常州市的武进区、镇江市的丹徒区、南通市的启东市和海门市的εmax的上升趋势不明显,每年的增加幅度小于0.03 g C MJ-1 a-1。
2 001—2010年期间,全省农田的εmax的平均值呈现明显上升趋势(图 5),但在2001—2006年期间εmax的全省平均值存在较大的年际波动,2002年、2004年和2006年全省εmax的平均值均较低,2002年全省εmax的平均值为1.44 g C/MJ,为10a最低;在2007—2010年期间,εmax的全省平均值呈现稳定增长趋势,到2010年全省εmax的平均值达到2.41 g C/MJ。
2 001—2010年期间,江苏省农田εmax的年际波动(以CV表示)总体呈现北部高、南部低的空间分布特征(图 6)。淮北地区大部分县区εmax的CV高于0.18,其中徐州市的铜山县和新沂市、连云港市的赣榆县εmax的CV高于0.24;而在泰州市、南通市、南京市、镇江市、无锡市的宜兴市和江阴市、苏州市的常熟市和吴江市等地,εmax的CV一般小于0.16,其中在南京市的江宁区、溧水县、高淳县和南通市的海门市,εmax的CV值在0.10以下,表明这些地区的εmax比较稳定。
3.3 导致江苏省农田εmax时空差异的可能原因农田εmax受到作物种类、作物品种、管理措施(化肥和农药施用量等)等多个因子的影响,江淮之间大部分地区的农田不仅具有较高的εmax平均值,而且增加趋势比其他地区明显(图 3,图 4),主要是由于该地区对农业生产高度重视、适宜的气候条件、高产水稻和小麦品种的大面积种植和得力的管理措施等原因所致;而在经济发达的苏南地区,近年来农民种田积极性不高、管理措施不力、夏熟作物中产量相对较低的油菜面积比例较大、农作物成熟期间阴雨寡照和大风等气象灾害较多等原因,导致该地区的εmax平均值较低,而且增加趋势不明显;淮北地区时有季节性干旱发生,导致该地区的εmax存在明显的年际波动(图 6)。
为了定量评价管理措施对εmax的影响,计算了2001—2010年各县农田εmax与单位耕地面积农用化肥施用量之间的相关系数(图 7)。在江苏北部的徐州市、连云港市(除东海县)、宿迁市(除泗阳县)、淮安市(除盱眙县)、盐城市(除建湖县和东台市)、扬州市(除仪征市)、南通市的海安县、海门市、启东市、苏州市的常熟市、常州市的金坛市、镇江市的句容市、南京市的溧水县,εmax与单位耕地面积农用化肥施用量之间呈现正相关性,且相关系数普遍大于0.4,其中睢宁县、邳州市、常熟市、赣榆县、灌云县、大丰市和沭阳县的相关系数都大于0.632,达到0.05的显著水平;铜山县、新沂市、金坛市、海安县、楚州区、金湖县、滨海县、盐都区、刊江区、宝应县、高邮市和江都市εmax与单位耕地面积农用化肥施用量之间的相关系数大于0.765,达到0.01的显著水平。可以认为江苏北部的大部分县区年均εmax的增大主要与单位耕地面积农用化肥施用量的增加有关。在南部的南京市、镇江市、常州市、无锡市、苏州市、南通市和泰州市的大部分县区,农作物的年均εmax与单位耕地面积农用化肥施用量之间呈负相关,其中浦口区、宜兴市、通州市、东台市、丹阳市、兴化市的相关系数的绝对值均大于0.632,达到0.05显著水平,说明在这些地区,其他因子对εmax的年际波动影响作用更大。
为了分析化肥施用强度对εmax空间差异的作用,计算了2001—2010年61个县区εmax的10a平均值与单位耕地面积农用化肥施用量10a平均值之间的相关系数,为0.112 (N=61),表明化肥施用强度与εmax的空间变化之间有一定的关联性,在化肥施用强度高的地区,εmax也高,但肥施用强度不是导致εmax空间差异的主要原因。进一步分析发现,61个县区εmax的10a变化速率与单位耕地面积农用化肥施用量的10a变化速率之间的相关系数为0.356 (N=61),已达到0.01显著水平,表明化肥施用强度增加速度的差异是导致εmax10a变化速率空间差异的重要原因之一。
作物光合途径不同,其光能利用率也有很大差异,研究发现C4作物比C3作物的光能利用率大[8, 16]。在2003—2010年期间全省农田平均εmax与C4作物(玉米等)产量占农作物总产量比例的变化趋势基本相同(图 5),说明C4作物比例的增加也是导致全省农田平均εmax增加的原因之一。为了分析C4作物比例对εmax空间差异的作用,计算了2001—2010年61个县区εmax的10a平均值与C4作物产量占总产量比例的10a变化速率之间的相关系数,为0.106 (N=61),达不到显著水平;进一步分析发现,61个县区εmax的10a变化速率与C4作物产量比例的10a变化速率之间的相关系数为0.340(N=61),已达到0.01显著水平,表明C4作物比例的差异也是导致εmax增加空间差异的可能原因之一。这与Lobell等[14]在美国的研究成果基本一致。
本文首先根据农业统计数据推算了各县区农田的NPP,进而估算了VPM模型中的εmax,分析其时空变化特征及其可能原因,可为利用该模型提供有益参考。但是研究存在以下不足,需要予以重视。在利用产量统计数据推算NPP时,收获系数HI和NPP分配到地上/下部分比例的设置对NPP推算结果有很大影响。研究表明,这两个参数存在很大的时空变异性,本文根据已有研究成果,根据作物类型设定这两个参数值,未考虑他们的时空变化,会导致推算的NPP存在一定的不确定性,当然产量统计数据的误差也是农田NPP估算结果不确定性的主要原因之一。江苏省的土地利用方式复杂,在一个500 m的像元内存在有多种土地利用方式,本文未考虑混合像元的影响问题,也会导致得到的εmax存在一定的误差,由于本文的分析是在县级尺度上进行的,混合像元导致的误差在一定程度上可以得到控制。VPM模型认为FPAR为EVI的线性函数,由于缺乏FPAR的实际观测数据,无法确定FPAR与EVI之间的比例系统,参照他人研究成果[28, 29, 30, 31, 32, 33, 34, 35, 36],假设FPAR等于EVI,有时会低估FPAR,进而使计算的εmax偏大。本文推算的εmax还会受到温度、水分和物候胁迫因子的影响,本文并未对这些因子进行本地化验证,可能导致εmax估算结果的偏差。
εmax不仅与作物类型有关,还与作物品种有关,本文得到的是农田εmax的平均值,而不是某一作物类型和品种的εmax,可为区域农田生产力的计算提供参考,但可能不适用于某一田块或小区域。此外,本研究仅统计分析了εmax时空变化与化肥施用量和C4作物比例之间关系,发现随着化肥适用量和C4作物比例的增大都会导致εmax的上升,主要原因是化肥适用量的增加必然会导致作物叶片氮含量的上升,引起光合速率的增大;由于C4作物的光能利用率明显高于C3作物,其比例的上升必然会导致区域农田εmax的上升。其它因子如CO2浓度上升和新品种的推广也会导致εmax的上升,本文尚未涉及。以上这些不足,需要在今后的研究中予以解决。
4 结论本文利用MODIS数据、分县产量统计数据和其他地面辅助数据,结合VPM模型推算了2001—2010年江苏省县级尺度农田计算GPP的εmax,并分析了其时空分布特征及其可能原因,得出主要结论如下:
(1)在2001—2010年间,江苏省农田的εmax存在明显的时空变化,61个县区εmax的变化范围为0.757—3.435 g C/MJ,呈现北高南低、中间高四周较低分布特征。全省εmax的平均值约为1.430—2.435 g C/MJ。
(2)在2001—2010年间,江苏省61个县区农田的εmax均呈现出上升趋势,但在2001—2006年期间εmax的年际波动较大,2002年、2004年和2006年的值较低,2007—2010年期间εmax稳定增大。
(3)在大部分县区,2001—2010年期间εmax的年际变化与单位耕地面积农用化肥施用量呈正相关性,在苏北北部尤为明显,单位耕地面积农用化肥施用量的增加是导致εmax增大的主要原因之一;2004—2010年全省农田εmax的平均值与C4作物产量比例的变化趋势有很好的相似性,C4作物比例增大也是导致εmax增大的原因之一。
本研究发现,江苏省农田的εmax存在明显的空间差异,2001—2010年期间江苏省农田εmax明显上升,就说明在利用光能利用率模型计算农田的GPP和NPP时,需要考虑εmax的时空变化,而现有光能利用率模型多假设农田的εmax为一个恒定值,这就有可能导致GPP和NPP计算结果的误差,低估他们的时空变化趋势。因此,发展更为合理的εmax参数化方案是今后光能利用率模型应用需要解决的一个问题。
[1] | Li G, Wang D L, Zhang H, Zhang H B, Xin X P, Yang G X. Spatiotemporal variations analysis of grassland's light use efficiency in Inner Mongolia based on MODIS data. Journal of Natural Resources, 2010, 25(6): 1001-1012. |
[2] | Monteith J L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, 1972, 9(3): 747-766. |
[3] | Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: A process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841. |
[4] | Field C B, Randerson J T, Malmstrom C M. Global net primary production: Combining ecology and remote sensing. Remote Sensing of Environment, 1995, 51(1): 74-88. |
[5] | Zhao Y M, Niu S K, Wang J B, Li H T, Li G C. Light use efficiency of vegetation: A review. Chinese Journal of Ecology, 2007, 26(9): 1471-1477. |
[6] | Zhu W Q, Pan Y Z, He H, Yu D Y, Hu H B. Simulation of light utilization efficiency of typical vegetation in China. Chinese Science Bulletin, 2006, 51(6): 700-706. |
[7] | Xingguo Mo, Suxia Liu. Simulating evapotranspiration and photosynthesis of winter wheat over the growing season. Agricultural and Forest Meteorology, 2001, 109(3): 203-222. |
[8] | Tong X J, Li J, Wang L. A review on radiation use efficiency of the cropland. Chinese Journal of Ecology, 2008, 27(6): 1021-1028. |
[9] | Sabine Tausz-Posch, Robert M. Norton, Saman Seneweera, Glenn J. Fitzgerald, Michael Tausz. Will intra‐specific differences in transpiration efficiency in wheat be maintained in a high CO2 world? A FACE study. Physiologia Plantarum, 2012. |
[10] | Ainong Li, Jinhu Bian, Guangbin Lei, Chengquan Huang. Estimating the Maximal Light Use Efficiency for Different Vegetation through the CASA Model Combined with Time-Series Remote Sensing Data and Ground Measurements. Remote Sensing, 2012, 4(12): 3857-3876. |
[11] | Field C B, Behrenfeld M J, Randerson J T, Falkowski P. Primary production of the biosphere: integrating terrestrial land oceanic components. Science, 1998, 281(5374): 237-240. |
[12] | Peng S L, Guo Z H, Wang B S. Use of GIS and RS to estimate the light utilization efficiency of the vegetation in Guangdong, China. Acta Ecologica Sinica, 2000, 20(6): 903-909. |
[13] | Chen T X, Werf G R, Dolman A J, Groenendijk M. Evaluation of cropland maximum light use efficiency using eddy flux measurements in North America and Europe. Geophysical Research Letters, 2011, 38(14), L14707. |
[14] | Lobell D B, Hicke J A, Asner G P, Field C B, Tucker C J, Los S O. Satellite estimates of productivity and light use efficiency in the United States agriculture, 1982-1998. Global Change Biology, 2002, 8(8): 722-735. |
[15] | Raymond E, Hunt J R. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from NDVI. International Journal of Remote Sensing, 1994, 15(8): 1725-1730. |
[16] | Ruimy A, Saugier B, Dedieu G. Methodology for the estimation of terrestrial net primary production from remotely sensed data. Journal of Geophysical Research, 1994, 99(D3): 18515-18521. |
[17] | Compiling committee of Jiangsu local chorography. Jiangsu chorography·Geographical chorography. Nanjing: Jiangsu Ancient Books Press, 1999. |
[18] | Han J P, Xu M. Assessment on exploitation and use of tidal flat in Jiangsu coast. Ocean Development and Management, 2006, 23(2): 99-102. |
[19] | Ju WM, Gao P, Zhou YL, Chen J M, Chen S, Li X F. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China. International Journal of Remote Sensing, 2010, 6(31): 1573-1587. |
[20] | Jin G D, Liu Y C, Niu W J. Comparison between inverse Distance Weighting Method and Kriging. Journal of Changchun University of Technology, 2003, 24(3): 53-57. |
[21] | Yan H M. Effects of land use on the productivity and carbon sequestration of China's Agro-Ecosystems based on satellite remote sensing. Beijing: Graduate School, Chinese Academy of Sciences, 2005. |
[22] | Huang Y, Zhang W, Sun W J, Zheng X H. Net primary production of Chinese croplands from 1950 to 1999. Ecological Applications, 2007, 17(3): 692-701. |
[23] | Zhang F C, Zhu Z H. Harvest index for various crops in China. Scientia Agricultura Sinica, 1990, 23(2): 83-87. |
[24] | Su B Y, Zhang L, Chen S B, Wang B X, Jang G M. The spatial and temporal patterns of net primary productivity and its impact factors in regional agro-ecosystem: a case study in Shandong province. Ecology and Environmental Sciences, 2010, 19(9): 2036-2041. |
[25] | Guo Z X, Wang Z M, Zhang B, Liu D W, Yang Y, Song K S, Li F. Analysis of temporal-spatial characteristics and factors influencing vegetation NPP in Northeast China from 2000 to 2006. Resources Science, 2008, 30(8): 1226-1235. |
[26] | Li X F, Ju W M, Chen S, Zhou Y L. Influence of land cover data on regional forest leaf area index inversion. Journal of Remote Sensing, 2010, 14(5): 974-989. |
[27] | Huete A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens Environ, 2002, 83(1/2): 195-213. |
[28] | Xiao X M, Hollinger D, Aber J, Goltz M. Davidson E A, Zhang Q Y, Moore B Satellite-based modeling of gross primary production in an evergreen needle leaf forest. Remote Sens Environ, 2004, 89(4): 519-534. |
[29] | Xiao X M, Zhang Q Y, Braswell B. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sens Environ, 2004, 91(2): 256-270. |
[30] | Xiao X M, Zhang Q Y, Hollinger D, Urbanski S, Boles S, Wofsy S, Moore B, Ojima D Modeling gross primary production of an evergreen needle leaf forest using MODIS and climate data. Ecol Appl, 2005, 15(3): 954-969. |
[31] | Xiao X M, Zhang Q Y, Saleska S, Hutyra L, Camargo P D, Wofsy S, Frolking S, Boles S, Keller M, Moore B Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest. Remote Sens Environ, 2005, 94(1): 105-122. |
[32] | Li Z Q, Yu G R, Xiao X M, Li Y N, Zhao X Q, Ren C Y, Zhang L M, Fu Y L Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS images and climate data. Remote Sens Environ, 2007, 107(3): 510-519. |
[33] | Wu W X, Wang S Q, Xiao X M, Yu G R, Fu Y L, Hao Y B. Simulation of Inner Mongolia temperate grassland ecosystem gross primary productivity using MODIS image and climate data. Science in China Press, 2008, 38(8): 993-1004. |
[34] | Yan H M, Fu Y L, Xiao X M, Huang H Q, He H L, Ediger L. Modeling gross primary productivity for winter wheat-maize double cropping system using MODIS time series and CO2 eddy flux tower data. Agriculture Ecosystems and Environment, 2009, 129(4): 391-400. |
[35] | Wang Z, Xiao X M, Yan X D. Modeling gross primary production of maize cropland and degraded grassland in northeastern China. Agricultural and Forest Meteorology. 2010, 150(9): 1160-1167. |
[36] | Kalfas J L, Xiao X M, Vanegas D X, Verma S B, Suyker A E Modeling gross primary production of irrigated and rain-fed maize using MODIS imagery and CO2 flux tower data. Agricultural and Forest Meteorology, 2011, 151(12): 1514-1528. |
[37] | Zhang Y J, Xu M, Chen H, Adams J. Global pattern of NPP to GPP ratio derived from MODIS data: effects of ecosystem type, geographical location and climate. Global Ecology and Biogeography, 2009, (18), 280-290. |
[38] | Liu Y B, Ju W M, Chen J M, Zhu G L, Xing B L, Zhu J F, He M Z. Study on the spatial and temporal variations of china's forest leaf area index in 2000-2010. Chinese Science Bulletin, 2012, 57(16): 1435-1445. |
[1] | 李刚, 王道龙, 张华, 张宏斌, 辛晓平, 杨桂霞. 基于MODIS数据的内蒙古草地光能利用率时空变化分析. 自然资源学报, 2010, 25(6): 1001-1012. |
[5] | 赵育民, 牛树奎, 王军邦, 李海涛, 李贵才. 植被光能利用率研究进展. 生态学杂志, 2007, 26(9): 1471-1477. |
[6] | 朱文泉, 潘耀忠, 何浩, 于德永, 扈海波. 中国典型植被最大光利用率模拟. 科学通报, 2006, 51(6): 700-706. |
[8] | 彭少麟, 郭志华, 王伯荪. 利用GIS和RS估算广东植被光利用率. 生态学报, 2000, 20(6): 903-909. |
[17] | 江苏省地方志编纂委员会. 江苏省志·地理志. 南京:江苏古籍出版社, 1999. |
[18] | 韩进萍, 徐敏. 江苏沿海滩涂开发利用评价. 海洋开发与管理, 2006, 23(2): 99-102. |
[20] | 靳国栋, 刘衍聪, 牛文杰. 距离加权反比插值法和克里金插值法的比较. 长春工业大学学报, 2003, 24(3): 53-57. |
[21] | 闫慧敏. 基于遥感观测的土地利用对中国农田生态系统生产力和碳吸收的影响研究[D]. 北京:中国科学院地理科学与资源研究所, 2005. |
[23] | 张福春, 朱志辉. 中国作物的收获指数. 中国农业科学, 1990, 23(2): 83-87. |
[24] | 苏本营, 张璐, 陈圣宾, 王冰雪, 蒋高明. 区域农田生态系统生产力的时空格局及其影响因子研究——以山东省为例. 生态环境学报, 2010, 19(9): 2036-2041. |
[25] | 国志兴, 王宗明, 张柏, 刘殿伟, 杨桄, 宋开山, 李方. 2000年—2006年东北地区植被NPP的时空特征及影响因素分析. 资源科学, 2008, 30(8): 1226-1235. |
[26] | 李显风, 居为民, 陈姝, 周艳莲. 地表覆盖分类数据对区域森林叶面积指数反演的影响. 遥感学报, 2010,14(5): 974-989. |
[33] | 伍卫星, 王绍强, 肖向明, 于贵瑞, 伏玉玲, 郝彦宾. 利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力.中国科学D辑, 2008, 38(8): 993-1004. |
[38] | 柳艺博, 居为民, 陈镜明, 朱高龙, 邢白灵, 朱敬芳, 何明珠. 2000—2010年中国森林叶面积指数时空变化特征. 科学通报, 2012, 57(16): 1435-1445. |