塔里木河下游河岸檉柳林冠層導(dǎo)度變化特征及模擬

朱緒超，袁國富，邵明安,3，杜 濤,2

1 中國科學院地理科學與資源研究所，生態(tài)系統(tǒng)網(wǎng)絡(luò)觀測與模擬重點實驗室，北京 100101 2 中國科學院大學，北京 100049 3 西北農(nóng)林科技大學，黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點實驗室，楊凌 712100

?

塔里木河下游河岸檉柳林冠層導(dǎo)度變化特征及模擬

朱緒超1,2,*，袁國富1，邵明安1,3，杜 濤1,2

1 中國科學院地理科學與資源研究所，生態(tài)系統(tǒng)網(wǎng)絡(luò)觀測與模擬重點實驗室，北京 100101 2 中國科學院大學，北京 100049 3 西北農(nóng)林科技大學，黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點實驗室，楊凌 712100

冠層導(dǎo)度(Gc)對植被的蒸騰和光合作用具有重要影響。利用渦度相關(guān)儀器實測了塔里木河下游河岸檉柳林地的蒸散發(fā)，以及氣象因子(溫度、濕度、總輻射、光和有效輻射)，并利用Penman-Monteith公式計算了檉柳林在2013年生長季的冠層導(dǎo)度。結(jié)果顯示：檉柳林冠層導(dǎo)度日變化過程在8:00左右迅速增大，于10:30左右達到最大值，之后緩慢下降，18:00左右快速降低；檉柳林冠層導(dǎo)度季節(jié)變化過程總體顯示，展葉期緩慢上升，落葉期迅速下降，生長盛期緩慢波動下降；研究區(qū)，葉面積指數(shù)(LAI)是影響檉柳冠層導(dǎo)度季節(jié)變化的主要因素，其次為溫度(T)、光合有效輻射(PAR)、總輻射(S)、空氣飽和差(VPD)；四元線性回歸方程可以較好地擬合冠層導(dǎo)度與各因子的關(guān)系，利用2013年奇數(shù)天數(shù)據(jù)建立回歸方程，對偶數(shù)天冠層導(dǎo)度值進行模擬和驗證，RMSE值為0.169 mm/s，NSE值為0.814，達到了較高的模擬精度。

冠層導(dǎo)度；時間變化；回歸模型；檉柳；塔里木河下游

圖1 研究區(qū)和研究樣地位置圖Fig.1 Location of study region and observation site

冠層導(dǎo)度是描述植被對地表水、碳交換控制作用的一個關(guān)鍵變量，是影響植被蒸騰和光合作用的重要因素，直接影響著陸地和大氣間的碳、水循環(huán)，決定著植被冠層和大氣間的耦合作用[1]。

很多研究者對不同類型植被冠層導(dǎo)度進行過研究[2-6]。利用氣孔計或者光合儀[7-8]等儀器可以直接測定單葉氣孔導(dǎo)度，再通過尺度提升方法轉(zhuǎn)換到冠層尺度，然而氣孔到冠層的尺度提升存在一定誤差，且不能實現(xiàn)長期的連續(xù)觀測，在研究中會受到一定的限制。對冠層導(dǎo)度的確定大部分使用間接方法，包括模型模擬法[4-5]、莖流計法[9- 11]、渦度相關(guān)法[12- 14]等，通過模擬或直接觀測冠層植被蒸騰量，然后利用Penman-Monteith公式反求出植被冠層導(dǎo)度。其中渦度相關(guān)法因數(shù)據(jù)量全面、連續(xù)而被廣泛使用，但這個方法只有當土壤蒸發(fā)占總蒸散的比例較小時才能得到較合理的結(jié)果。

檉柳是我國西北干旱區(qū)荒漠植被和荒漠河岸林植被的主要建群種，在塔里木河下游河岸林生態(tài)系統(tǒng)中具有重要的地位和作用。目前國內(nèi)外學者對檉柳水熱交換研究較多[15-16]，而對影響檉柳水熱交換的重要因子，冠層導(dǎo)度的研究相對較少，研究檉柳的冠層導(dǎo)度對于極端干旱區(qū)植被-大氣間的碳水循環(huán)以及耦合作用具有重要的意義。在極端干旱氣候下，土壤蒸發(fā)微弱，由渦度相關(guān)數(shù)據(jù)測量得到的地表蒸散主要代表了植物蒸騰的貢獻[15,17],因此為渦度相關(guān)數(shù)據(jù)分析干旱區(qū)荒漠植被冠層導(dǎo)度提供了基礎(chǔ)。

研究以塔里木河下游河岸檉柳林為研究對象，利用渦度相關(guān)方法和微氣象技術(shù)實測了檉柳樣地的蒸散發(fā)和氣象因子，計算檉柳的冠層導(dǎo)度，描述并分析檉柳冠層導(dǎo)度的日、季變化特征及影響因素，建立多元回歸模擬方程并用實測數(shù)據(jù)驗證結(jié)果，來定量分析影響檉柳林冠層導(dǎo)度季節(jié)變化的因素，為干旱區(qū)荒漠植被冠層導(dǎo)度的研究提供參照和對比。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)塔里木河下游大西海子水庫到臺特瑪湖之間的一段范圍(圖1)。本區(qū)深居亞歐大陸內(nèi)部，距離海洋較遠，屬于暖溫帶大陸性極端干旱氣候，降雨稀少。1957—2012年年均降雨量僅為33.7 mm，其中降雨最少的是2001年的3.4 mm，最多的是1974年的75.7 mm，一年中降雨主要發(fā)生在6、7、8三個月份，占年降雨量的67.8%(鐵干里克氣象站)。研究區(qū)氣溫年較差大，最冷月平均氣溫出現(xiàn)在1月份，為-9.3℃，最熱月平均氣溫出現(xiàn)在7月，為27.0℃，年均溫度為12.3℃(2013年實測)。由于特殊的地理和氣候環(huán)境，研究區(qū)具有著很大的參考蒸散量[18]，2013年參考蒸散發(fā)量為1076.2 mm，是當年降雨量的25倍。所選擇的檉柳樣地位于218國道924 km處(圖1)，總面積大約200 m×300 m，通過對儀器所在的樣方(50 m×50 m)植被調(diào)查可知，其中絕大多數(shù)植被為檉柳類(179株)，平均株高為2 m左右，包括多枝檉柳、剛毛檉柳、細蕙檉柳等，其次還有少量鈴鐺刺等灌木植被和駱駝刺、蘆葦、甘草等草本植物，辛普森指數(shù)為0.81，樣地植被蓋度約為65.5%，葉面積指數(shù)為1.15，地下水位4.8 m，主要土壤類型為沙壤土。

1.2 研究方法

1.2.1 地表蒸散的測量與植物蒸騰的確定

利用渦度相關(guān)技術(shù)來測定樣地潛熱通量(LE)。渦度相關(guān)系統(tǒng)由三維超聲風速儀(CSAT3，Campbell Scientific, Utah, USA)和紅外氣體分析儀(EC150，Campbell Scientific, Utah, USA)兩部分組成，分別架設(shè)在冠層上方1.8 m處，用以測量風速以及水汽和CO2的濃度。同時，使用CR3000數(shù)據(jù)采集器(Campbell Scientific, Utah, USA)來進行收集原始數(shù)據(jù)、數(shù)據(jù)預(yù)處理等工作。儀器工作頻率為10 Hz，數(shù)據(jù)每30 min記錄1次。在利用數(shù)據(jù)進行計算前，對原始數(shù)據(jù)進行了插補、校正、能量閉合等處理[15]。

根據(jù)觀測，樣地地表蒸散主要由植物蒸騰構(gòu)成，土壤蒸發(fā)占總蒸散的比例微弱[15],因此可以直接用渦度相關(guān)觀測獲得的潛熱通量值來計算植被冠層導(dǎo)度。

1.2.2 氣象因子觀測

在渦度塔上還安裝儀器進行了一些輔助性觀測。在冠層上方1.5 m高處，安裝一套輻射四分量儀(Kipp & Zonen, Delft, Netherlands)用來測量上、下兩個方向的長波和短波輻射以及計算凈輻射(Rn)和總輻射(S)；在同一根桿上安裝光合有效輻射傳感器(190, Li-cor, Nebraska, USA)用來測量光合有效輻射(PAR)；另外，在冠層上方的百葉箱內(nèi)安放一個空氣溫濕度探頭，用來測量大氣的溫度(T)和濕度。氣象因子的日值數(shù)據(jù)是將各因子半小時數(shù)據(jù)進行平均(T、VPD)或者累加(S、PAR)獲得。

1.2.3Gc的計算

將Penman-Monteith的原始公式進行反向推導(dǎo)，即可得到冠層導(dǎo)度的表達式[5]：

(1)

式中,Gc即為冠層導(dǎo)度(m/s)，λET為植被蒸騰對應(yīng)的潛熱通量(W/m2),γ為干濕表常數(shù)(kPa/℃)，Δ為飽和水汽壓隨溫度變化的斜率(kPa/℃)，ra為空氣動力學阻抗(s/m)，Rn為凈輻射(W/m2)，G為土壤熱通量(W/m2)，ρ為干空氣密度(kg/m3)，cp為空氣定壓比熱(1013 J kg-1℃-1), VPD為飽和水汽壓差(kPa)。

公式(1)中的空氣動力學阻抗ra采用如下公式計算[19]：

(2)

式中,zm為風速測量高度(m)，d為零平面位移(m)，zom為動量傳輸粗糙度長度(m)，zh為濕度測量高度(m)，zoh為水熱傳輸粗糙度長度(m)，k為von Karman常數(shù)(0.41)，uz為高度z處的風速(m/s)。

式(2)中的零平面位移d和粗糙長度zom與冠層高度h有關(guān)：

d=2/3h

(3)

zom=0.123h

(4)

zoh=0.1zom

(5)

將Gc的半小時數(shù)據(jù)進行平均獲得Gc的日值數(shù)據(jù)。由于Gc的數(shù)值較小且波動較大，統(tǒng)一將Gc的單位換算為mm/s，同時以5日滑動平均值來作為Gc的值，并用作下文的分析、模擬和驗證。由于降雨期間觀測的地表蒸散中包含了明顯的土壤蒸發(fā)過程，不滿足公式(1)要求的潛熱通量應(yīng)該代表植被蒸騰量的前提，因此在分析Gc時，剔除有降雨當日的Gc值，并用前后共4d的數(shù)據(jù)取平均代替。

1.2.4 LAI日值數(shù)據(jù)的獲取

葉面積指數(shù)(LAI)是極端干旱區(qū)地表蒸散重要的控制因子[17]，也是影響Gc的重要參數(shù)，有必要來分析其與Gc的關(guān)系。采用通用的近似方法[20]，將LAI的變化分為3個階段，在展葉期(包括萌動期和展葉期)從0逐日線性增加到最大值(LAIm)，生長盛期(包括營養(yǎng)生長期、開花期和果熟期)葉面積指數(shù)保持LAIm值不變，落葉期(包括葉黃期與落葉期)葉面積指數(shù)從LAIm逐日線性降低為0。只需知道檉柳物候期的起止日期和LAIm的值，就可以獲取LAI的逐日數(shù)值。

2013年7月在檉柳樣地內(nèi)測量的葉面積指數(shù)值可作為LAIm值，采用LAI- 2250植物冠層分析儀(Licor-Inc., USA)測得的LAIm值為1.15，具體的樣地測量方法見文獻[21]。根據(jù)前人研究成果[22-23]可知，研究區(qū)檉柳展葉期從4月27日到6月3日(38d)，生長盛期從6月4日到9月18日(106d)，落葉期從9月18日到10月18日(31d)。基于上述的LAI季節(jié)動態(tài)近似估算方法，可建立檉柳展葉期和落葉期LAI的計算公式：

(6)

式中,D為儒略日天數(shù)，LAID為第D天LAI的值。

2 結(jié)果

2.1 日變化特征

分別將2013年檉柳展葉期5月6日至10日、生長盛期7月21至25日和落葉期10月1日至5日連續(xù)5天的逐時冠層導(dǎo)度數(shù)據(jù)進行平均，來描述檉柳冠層導(dǎo)度的日變化特征(圖2)。結(jié)果顯示，3個生長階段檉柳冠層導(dǎo)度具有相似的變化模式，8:00左右，Gc迅速增大，10:30左右達到最大值，之后開始緩慢下降，于18:00左右開始迅速下降(圖2)。

圖2 展葉期、生長盛期和落葉期檉柳林冠層導(dǎo)度日動態(tài)Fig.2 Diurnal processes of hourly Gc in the greening-up period, the maturity period and the senescence period of the tamarisk

由圖2可以看出，在檉柳展葉期、生長盛期和落葉期的3個階段，Gc具有大致相似的日變化模式，說明Gc在檉柳的整個生長季中的日變化模式較為穩(wěn)定，但在不同的階段Gc達到的峰值不同(圖2)，這除了與大氣條件的變化有關(guān)外，還可能與植被自身在不同的生長階段所具有的差異性有關(guān)。

圖3 檉柳冠層導(dǎo)度的季節(jié)變化特征Fig.3 Seasonal vibration characteristics of Gc of the tamarisk

2.2 季節(jié)變化特征

圖3展示的是檉柳冠層導(dǎo)度在2013年整個生長季的變化特征?？梢钥闯觯珿c的總體變化與日尺度變化形狀相近，但卻是由不同因素引起。展葉期，Gc快速增大，此階段Gc均值為0.56；進入生長盛期即達到最高值(1.90，6月14日)，之后開始緩慢下降，此階段Gc均值為1.27；進入落葉期，Gc開始快速下降，此階段的均值為0.59。

圖4展示的是冠層導(dǎo)度與其各影響因子的關(guān)系?？梢钥闯鯣c與LAI的變化具有較為一致的同步性。而與溫度(T)、光和有效輻射(PAR)和總輻射(S)在生長盛期和落葉期具有較好的趨勢一致性，在展葉期趨勢性較差。Gc與飽和水汽壓差(VPD)僅在落葉期階段趨勢吻合較好，在展葉期和生長盛期均相對較差。主要原因可能是天氣因素和植被的物候期所導(dǎo)致，進入4月份后各大氣要素T、PAR、S、VPD均已回升，已經(jīng)處于較高的階段，而此時檉柳才剛開始萌動展葉進入展葉期，檉柳物候期對氣象因子響應(yīng)的滯后性是引起在展葉期階段Gc與各氣象因子變動趨勢不吻合的可能原因。

2.3 影響因素分析

表1 不同影響因子組合下的線性回歸方程和判定系數(shù)(R2)

Table 1 Linear regression equations and determinative coefficients

線性回歸和多元線性回歸方程LinearregressionequationR2Gc=0．256VPD-4．354×10-80．065?Gc=0．425PAR-8．819×10-90．180??Gc=0．556T-1．561×10-70．310??Gc=0．863LAI+1．658×10-60．746??Gc=0．385PAR+0．096VPD-7．867×10-90．188??Gc=1．450T-1．017VPD-3．723×10-70．547??Gc=0．458T+0．199PAR-1．156×10-70．340??Gc=0．875LAI-0．035VPD+1．679×10-60．747??Gc=0．823LAI+0．104PAR+1．590×10-60．755??Gc=0．824LAI+0．067T+1．567×10-60．748??Gc=1．351T+0．178PAR-1．005VPD-3．335×10-70．571??Gc=0．838LAI+0．130PAR-0．077VPD+1．619×10-60．759??Gc=0．694LAI+0．534T-0．443VPD+1．201×10-60．783??Gc=0．809LAI+0．029T+0．095PAR+1．557×10-60．755??Gc=0．676LAI+0．500T+0．102PAR-0．451VPD-1．184×10-60．790??

R2為判定系數(shù)，**表示P<0.01

圖4 Gc的季節(jié)變化特征及其與葉面積指數(shù)、溫度、光和有效輻射、總輻射和飽和水汽壓差間的關(guān)系Fig.4 Distribution of Gc during the growing season: relationship between Gc and LAI; relationship between Gc and T; relationship between Gc and PAR; relationship between Gc and S; relationship between Gc and VPD

基于對檉柳林樣地的能量分配分析，以及地下水位對蒸散過程影響的分析，已經(jīng)證實樣地中檉柳的生長不受水分的脅迫，詳見文獻[15]。因此不考慮土壤水分對Gc的影響，選擇剩下的其他可能影響因子LAI、T、PAR、S和VPD，來分析Gc的影響因素。首先對這5個影響因素進行多重共線性診斷，結(jié)果顯示變量PAR與S間存在高度的相關(guān)關(guān)系。為保證構(gòu)建的模型的準確性，我們排除變量S，保留對Gc影響相對較大的變量PAR。將LAI、T、PAR和VPD 4個影響因子以各種不同的組合方式與Gc做一元線性回歸和多元線性回歸分析，來分析各影響因素以及不同的組合對Gc影響的大小。為消除數(shù)據(jù)不同量級上的影響，采用SPSS 20軟件中默認的z-score標準化方法對各影響因素數(shù)據(jù)進行標準化處理，其他相關(guān)分析、統(tǒng)計檢驗等過程也均使用SPSS 20來完成。

各擬合方程均經(jīng)過顯著性檢驗，除一元回歸中的VPD外(P<0.05水平上顯著)都在P<0.01水平上顯著。由表1可以看出，在一元線性回歸中模擬效果取決于各因素與Gc的相關(guān)性。LAI與Gc相關(guān)性最好(R2=0.746)，其次依次為T、PAR、VPD。多元線性回歸中，將4個變量全用進擬合中時，效果最好(R2=0.790)。只考慮3個變量時，T、PAR、VPD組合效果稍差(R2=0.571)，其他3個組合的決定系數(shù)R2均大于0.7，對比發(fā)現(xiàn)其他3個組合均考慮了LAI的影響，相關(guān)性最好的組合是LAI、T、VPD，判定系數(shù)R2為0.783。只考慮兩個影響因素時，考慮LAI的組合的判定系數(shù)均大于0.74，沒考慮LAI的組合的判定系數(shù)則均低于0.55，也側(cè)面印證了LAI對Gc的重要影響，相關(guān)性最好的組合是LAI、PAR，判定系數(shù)為0.755。由表1可以看出，一元回歸和多元回歸分析中，相關(guān)系數(shù)最高的組合均含有LAI，且隨著其他變量的引入相關(guān)系數(shù)逐漸上升。

2.4Gc計算模型及驗證

利用2013年生長季奇數(shù)天的數(shù)據(jù)進行四元線性回歸，得到回歸方程為：

Gc=0.684LAI+0.503T+0.050PAR-0.451VPD-0.002,R2=0.784

(7)

圖5 Gc模擬值與計算值對比(數(shù)據(jù)經(jīng)過標準化處理) Fig.5 Comparison of simulated value and calculated value of Gc which was after processing of standardization

從方程(7)可看出，4個影響因子前系數(shù)與表1中對所有數(shù)據(jù)進行四元線性回歸的系數(shù)非常接近，判定系數(shù)也較高。計算Gc與其影響因素的偏相關(guān)系數(shù)，可以發(fā)現(xiàn)Gc與LAI、T、PAR的偏相關(guān)系數(shù)，與其對應(yīng)的相關(guān)系數(shù)非常接近，僅VPD稍有差別。對回歸方程(7)做統(tǒng)計檢驗，得到復(fù)相關(guān)系數(shù)R=0.885，P值小于顯著性水平0.01，說明利用此方程研究冠層導(dǎo)度與葉面積指數(shù)、溫度、光合有效輻射和空氣飽和差的關(guān)系是合適的。利用公式(7)來模擬生長季偶數(shù)天的Gc值，并與計算值進行對比可知，模型模擬值與實測數(shù)據(jù)計算值吻合較好，尤其在展葉期和落葉期，甚至能較好地體現(xiàn)一些小的波動，生長盛期的模擬值Gc值較為平穩(wěn)，下降趨勢較小，與計算值具有一些小的出入。將模擬值與計算值進行線性回歸分析，可看到擬合線的斜率為0.738，與1∶1線較為接近，判定系數(shù)R2為0.790。選擇均方根誤差(RMSE)和Nash-Sutcliffe模型效率系數(shù)[24](NSE)來評價模擬效果。計算得到RMSE值為0.169 mm/s,NSE值為0.814，說明模擬值與計算值具有非常好的一致性，模擬效果較好。

3 結(jié)論與討論

研究區(qū)檉柳冠層導(dǎo)度日變化具有一定的規(guī)律：在8:00—10:30時段Gc值迅速上升，可能是因為經(jīng)過一晚上的時間，植物體內(nèi)白天損失的水分已經(jīng)獲得補充，并且氣象因子溫度、輻射等開始增大，產(chǎn)生了植物進行光合作用的有利條件；10:30左右達到最大值(展葉期9:00左右)，之后開始緩慢下降，可能是因為正午溫度高、輻射強，檉柳為避免體內(nèi)水分損失過快，主動地關(guān)閉部分氣孔所導(dǎo)致；18:00左右開始快速下降，可能是因為經(jīng)過了中午強烈的蒸騰作用，植物體內(nèi)水分大量減少，同時隨著太陽時角的增大，溫度、輻射等氣象因子也逐漸降低所導(dǎo)致。這種變化規(guī)律與內(nèi)蒙古額濟納旗達鎮(zhèn)胡楊[7]、遼西農(nóng)林復(fù)合系統(tǒng)中楊樹[10]以及與南亞熱帶丘陵山地中馬占相思林[24]的冠層導(dǎo)度具有非常相似的變化特征。但Gc峰值出現(xiàn)的時間均比三者晚，比胡楊和楊樹的晚一個半小時，比馬占相思林晚半個小時，這可能與植物種自身的生理特征(光合、呼吸作用等)和外界環(huán)境有關(guān)，還可能是由于各研究區(qū)間的經(jīng)度差所引起。

研究區(qū)檉柳冠層導(dǎo)度具有明顯的季節(jié)變化，并隨著大氣因子和自身生理的改變呈現(xiàn)出一定的波動性。展葉期Gc值快速增大可能與植被LAI的增大和各氣象因子，如溫度、輻射等的回升有關(guān)，生長盛期Gc緩慢下降可能與植物自身生理機能(如光合能力等)的減弱有關(guān)，落葉期Gc的快速下降主要與植被落葉有關(guān)，也與各氣象因子的降低和植被生理機能的減弱相關(guān)。檉柳冠層導(dǎo)度的季節(jié)變化模式與遼西農(nóng)林符合系統(tǒng)中的楊樹[10]非常相似，澳大利亞的樟子松Gc的季節(jié)變化[25]則不具有生長盛期緩慢波動下降的特點，泰國北部熱帶落葉森林[12]的Gc在生長季呈現(xiàn)出緩慢上升，達到最高值，迅速下降的變化模式。

研究者對不同的植物種的冠層導(dǎo)度進行分析，發(fā)現(xiàn)太陽輻射、飽和水汽壓差和溫度是影響冠層導(dǎo)度的主要因子[9- 11]。對本研究而言，影響最大的因子是葉面積指數(shù)，其次是溫度、光和有效輻射，而太陽輻射和飽和水汽壓差的影響相對較弱。說明對于簡單下墊面和大氣狀況大致均一的研究區(qū)，植被生長主要受到物候期的控制，而物候期則是檉柳自身生理活動與氣候條件長期相互影響相互反饋的結(jié)果。對于極端干旱的塔里木河下游地區(qū)而言，葉面積指數(shù)是控制檉柳林水熱交換的主要因子[15]，因此檉柳冠層導(dǎo)度主要取決于葉面積指數(shù)也是合理的。在季節(jié)變化中，冠層導(dǎo)度隨著葉面積指數(shù)的增減展現(xiàn)出相應(yīng)的增減變化；在空間分布上，研究區(qū)植被蓋度變異性較大，研究樣地不具有典型性，未來可根據(jù)研究區(qū)葉面積指數(shù)的空間分布數(shù)據(jù)，將本研究結(jié)果在整個研究區(qū)進行推廣。

冠層導(dǎo)度受到多因素的影響，很多研究者根據(jù)影響因素的強弱建立了各種估算模型。最常見的是Jarvis模型和多元回歸模型，李仙岳等[2]在對櫻桃冠層導(dǎo)度進行模擬時建立了這兩種模型，并提出Jarvis模型精度高于多元回歸模型。黃輝等[1]以溫度和光合有效輻射作為輸入變量，構(gòu)建潛在氣孔導(dǎo)度和相對氣孔導(dǎo)度組合模型，模擬華北平原冬小麥冠層導(dǎo)度，利用模擬結(jié)果估算了冠層潛熱通量，并與實測潛熱通量進行對比驗證，顯示模擬結(jié)果具有較高精度。Hikaru Komatsu等[9]則研究了生長不受水分脅迫的竹子的冠層導(dǎo)度特征，利用飽和水汽壓差和太陽輻射兩個要素構(gòu)建模型，取得了較好的模擬結(jié)果。本研究分析了影響檉柳冠層導(dǎo)度的4個影響因子，構(gòu)建一元和多元線性回歸模型，相關(guān)性最高的四元線性回歸模型的決定系數(shù)可達到0.790，模型精度較高。多元回歸模型具有需要參數(shù)少、計算簡單、使用方便等特點，在模擬檉柳林冠層導(dǎo)度的季節(jié)變化中取得了較好的模擬效果。

本文利用通量數(shù)據(jù)，計算并展示了極端干旱區(qū)塔里木河下游一處檉柳林地的冠層導(dǎo)度，描述了其時間(日、季節(jié))變化特征，分析了影響冠層導(dǎo)度的主要因素，構(gòu)建多元回歸模型對其季節(jié)動態(tài)進行了模擬和驗證，為干旱區(qū)荒漠植被冠層導(dǎo)度的研究提供參考。對于極端干旱的塔里木河下游地區(qū)，植被空間變異較大，通過尋找葉面積指數(shù)、植被蓋度與冠層導(dǎo)度之間的關(guān)系，將冠層導(dǎo)度在研究區(qū)空間上進行推廣研究更有意義。

[1] 黃輝, 于貴瑞, 孫曉敏, 王秋鳳, 趙風華, 李俊, 歐陽竹. 華北平原冬小麥冠層導(dǎo)度的環(huán)境響應(yīng)及模擬. 生態(tài)學報, 2007, 27(12): 5209- 5221.

[2] 李仙岳, 楊培嶺, 任樹梅, 任亮. 櫻桃冠層導(dǎo)度特征及模擬. 生態(tài)學報, 2010, 30(2): 300- 308.

[3] 曹慶平, 趙平, 倪廣艷, 朱麗薇, 牛俊峰, 曾小平. 華南荷木林冠層氣孔導(dǎo)度對水汽壓虧缺的響應(yīng). 生態(tài)學雜志, 2013, 32(7): 1770- 1779.

[4] 魚騰飛, 馮起, 司建華. 極端干旱區(qū)多枝檉柳葉片氣孔導(dǎo)度的環(huán)境響應(yīng)模擬. 植物生態(tài)學報, 2012, 36(6): 483- 490.

[5] 張寶忠, 劉鈺, 許迪, 蔡甲冰, 趙娜娜. 基于夏玉米葉片氣孔導(dǎo)度提升的冠層導(dǎo)度估算模型. 農(nóng)業(yè)工程學報, 2011, 27(5): 80- 86.

[6] 趙平, 饒興權(quán), 馬玲, 蔡錫安, 曾小平. 馬占相思林冠層氣孔導(dǎo)度對環(huán)境驅(qū)動因子的響應(yīng). 應(yīng)用生態(tài)學報, 2006, 17(7): 1149- 1156.

[7] 司建華, 常宗強, 蘇永紅, 席海洋, 馮起. 胡楊葉片氣孔導(dǎo)度特征及其對環(huán)境因子的響應(yīng). 西北植物學報, 2008, 28(1): 125- 130.

[8] 唐鳳德, 武耀祥, 韓士杰, 張軍輝. 長白山闊葉紅松林葉片氣孔導(dǎo)度與環(huán)境因子的關(guān)系. 生態(tài)學報, 2008, 28(11): 5649- 5655.

[9] Komatsu H, Onozawa Y, Kume T, Tsuruta K, Shinohara Y, Otsuki K. Canopy conductance for a Moso bamboo (Phyllostachyspubescens) forest in western Japan. Agricultural and Forest Meteorology, 2012, 156: 111- 120.

[10] 李崢, 牛麗華, 袁鳳輝, 關(guān)德新, 王安志, 金昌杰, 吳家兵. 遼西農(nóng)林復(fù)合系統(tǒng)中楊樹冠層導(dǎo)度特征. 應(yīng)用生態(tài)學報, 2012, 23(11): 2975- 2982.

[11] Chang X X, Zhao W Z, Liu H, Wei X, Liu B, He Z B. Qinghai spruce (Piceacrassifolia) forest transpiration and canopy conductance in the upper Heihe River Basin of arid northwestern China. Agricultural and Forest Meteorology, 2014, 198- 199: 209- 220.

[12] Igarashi Y, Kumagai T, Yoshifuji N, Sato T, Tanaka N, Tanaka K, Suzuki M, Tantasirin C. Environmental control of canopy stomatal conductance in a tropical deciduous forest in northern Thailand. Agricultural and Forest Meteorology, 2015, 202: 1- 10.

[13] Zhang G, Zhou G S, Chen F, Wang Y. Analysis of the variability of canopy resistance over a desert steppe site in Inner Mongolia, China. Advances in Atmospheric Sciences, 2014, 31(3): 681- 692.

[14] Rodrigues T R, Vourlitis G L, Lobo F D A, de Oloveira R G, Nogueira J S. Seasonal variation in energy balance and canopy conductance for a tropical savanna ecosystem of south central Mato Grosso, Brazil. Journal of Geophysical Research-Biogeosciences, 2014, 119(1): 1- 13.

[15] Yuan G F, Zhang P, Shao M A, Luo Y, Zhu X C. Energy and water exchanges over a riparianTamarixspp. stand in the lower Tarim River basin under a hyper-arid climate. Agricultural and Forest Meteorology, 2014, 194: 144- 154.

[16] Cleverly J R, Dahm C N, Thibault J R, Gilroy D J, Coonrod J E A. Seasonal estimates of actual evapo-transpiration fromTamarixramosissimastands using three-dimensional eddy covariance. Journal of Arid Environments, 2002, 52(2): 181- 197.

[17] Yuan G F, Luo Y, Shao M A, Zhang P, Zhu X C. Evapotranspiration and its main controlling mechanism over the desert riparian forests in the lower Tarim River Basin. Science China: Earth Sciences, 2015, 58(6): 1032- 1042.

[18] Chen Y N, Zilliacus H, Li W H, Zhang H F, Chen Y P. Ground-water level affects plant species diversity along the lower reaches of the Tarim River, Western China. Journal of Arid Environments, 2006, 66(2): 231- 246.

[19] Allen R G, Pereira L S, Raes D, Smith M. Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements. Rome, Italy: FAO, 1998.

[20] Foley J A, Prentice I C, Ramankutty N, Levis S, Pollard D, Sitch S, Haxeltine A. An integrated biosphere model of land surface processes, terrestrial carbon balance, and vegetation dynamics. Global Biogeochemical Cycles, 1996, 10(4): 603- 628.

[21] 朱緒超, 袁國富, 易小波, 杜濤. 基于Landsat 8 OLI影像的塔里木河下游河岸林葉面積指數(shù)反演. 干旱區(qū)地理, 2014, 37(6): 1248- 1256.

[22] 白永強. 鹽池沙地主要灌木種的物候及生長規(guī)律研究. 干旱區(qū)資源與環(huán)境, 1998, 12(2): 82- 86.

[23] 楊自輝, 俄有浩. 干旱沙區(qū)46種木本植物的物候研究——以民勤沙生植物園栽培植物為例. 西北植物學報, 2000, 20(6): 1102- 1109.

[24] 許文滔, 趙平, 王權(quán), 饒興權(quán), 蔡錫安, 曾小平. 基于樹干液流測定值的馬占相思(Acaciamangium)冠層氣孔導(dǎo)度計算及數(shù)值模擬. 生態(tài)學報, 2007, 27(10): 4122- 4131.

[25] Wieser G, Leo M, Oberhuber W. Transpiration and canopy conductance in an inner alpine Scots pine (PinussylvestrisL.) forest. Flora, 2014, 209(9): 491- 498.

Variation and predictive simulation of canopy conductance of a Tamarix spp.stand in the lower Tarim River basin

ZHU Xuchao1,2,*, YUAN Guofu1, SHAO Ming′an1,3, DU Tao1,2

1 Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China 2UniversityofChineseAcademyofSciences,Beijing100049,China3StateKeyLaboratoryofSoilErosionandDrylandFarmingontheLoessPlateau,NorthwestA&FUniversity,Yangling712100,China

Canopy conductance (Gc) has a crucial influence on vegetation transpiration and photosynthesis. In this study, we measured the evapotranspiration (ET) of aTamarixspp. stand in the 2013 growing season in the lower Tarim River basin using the eddy covariance technology. Meteorological variables including temperature (T), vapor pressure deficit (VPD), solar radiation (S), and photosynthetically active radiation (PAR) were also measured. We calculatedGcusing the inverted Penman-Monteith equation and analyzed its daily and seasonal variation. The relationships betweenGcand leaf area index (LAI),T,PARand VPD were assessed through monadic and multivariate regression analysis. We used data from odd days of the year (DOYs) to build a predictive model and used data for even DOYs to evaluate it. The results showed that: (1)Gcof theTamariskspp. stand had a similar variation pattern during the greening-up period (GP), maturity period (MP), and senescence period (SP).Gcincreased rapidly in the morning, reached a maximum at 10:30 am, and decreased gradually until 6:00 pm at which point there was a sharp decrease; (2) the seasonal variation ofGcwas significant.Gcincreased rapidly, decreased slowly, and decreased rapidly with mean values of 0.56 in GP, 1.27 in MP and 0.59 in MP, respectively; (3) LAI was the main driver ofGc, the determinative coefficient was 0.746 in the monadic regression analysis and the partial correlation coefficient reached 0.715, followed byT, PAR, and VPD. Multivariate regression analysis that included all the variables had a determinative coefficient (R2) of 0.79; and finally, (4) the prediction model from odd DOYs had a multiple correlation coefficient of 0.885 with aPvalue less than 0.01. The model test performed using predicted and calculatedGcover even DOYs resulted in aR2of 0.790, a root mean square error (RMSE) of 0.169 mm/s, and the Nash-Sutcliffe model efficiency coefficient (NSE) of 0.814, indicating that the model had a relatively high accuracy.

canopy conductance; temporal variation; regression model; Tamarisk; lower Tarim River basin

國家自然科學基金(41271050)；國家重大科學研究計劃資助項目(2010CB951002)

2015- 03- 19;

日期:2015- 12- 14

10.5846/stxb201503190523

*通訊作者Corresponding author.E-mail: zhuxc.14b@igsnrr.ac.cn

朱緒超，袁國富，邵明安，杜濤.塔里木河下游河岸檉柳林冠層導(dǎo)度變化特征及模擬.生態(tài)學報,2016,36(17):5459- 5466.

Zhu X C, Yuan G F, Shao M A, Du T.Variation and predictive simulation of canopy conductance of aTamarixspp. stand in the lower Tarim River basin.Acta Ecologica Sinica,2016,36(17):5459- 5466.