不同氣象插值方法在新疆草地NPP估算中的可靠性評價

任 璇，鄭江華,穆 晨，閆 凱，徐廷豹

(1.新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830046； 2.綠洲生態(tài)教育部重點實驗室，新疆 烏魯木齊 830046；3.新疆維吾爾自治區(qū)草原總站，新疆 烏魯木齊 830046； 4.澳大利亞國立大學(xué)芬納資源與社會學(xué)院，堪培拉 澳大利亞)

前植物生產(chǎn)層

不同氣象插值方法在新疆草地NPP估算中的可靠性評價

任 璇1,2，鄭江華1,2,穆 晨3，閆 凱3，徐廷豹4

(1.新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830046； 2.綠洲生態(tài)教育部重點實驗室，新疆 烏魯木齊 830046；3.新疆維吾爾自治區(qū)草原總站，新疆 烏魯木齊 830046； 4.澳大利亞國立大學(xué)芬納資源與社會學(xué)院，堪培拉 澳大利亞)

氣象因子對研究草地生產(chǎn)力、植被長勢、災(zāi)害評估等都有著重要的意義，本研究采用不同空間插值方法(協(xié)同克里格法Cokriging、反距離加權(quán)法IDW和ANUSPLIN法)對新疆地區(qū)90個氣象站點2000-2011年多年的7月平均降水和氣溫數(shù)據(jù)進行空間插值分析，使用均方根誤差法(RMSE)以及平均絕對誤差法(MAE)對插值的結(jié)果進行評價，討論不同方法對該地區(qū)降水和氣溫插值結(jié)果的影響。利用不同插值方法，基于CASA模型進行新疆草地NPP的估算，結(jié)合實測生物量數(shù)據(jù)，對3種插值方法下的估算結(jié)果進行評估，結(jié)果表明，1)降水和氣溫數(shù)據(jù)都是基于ANUSPLIN法的插值結(jié)果最優(yōu)(MAE降水=6.45，RMSE降水=8.77，MAE氣溫=2.11，RMSE氣溫=3.52)。2)基于不同插值方法得到的氣象要素估算的新疆草地NPP精度不同，將實測數(shù)據(jù)與同時期CASA模型模擬值相關(guān)性進行分析，基于ANUSPLIN法插值的氣象要素估算NPP的精度最高(R2=0.794 7)，NPP實測值與模擬值有良好的線性關(guān)系，比基于Cokriging插值的氣象要素估算精度提高了13.23%，比IDW提高了20.13%。說明提高氣象要素的插值精度有利于新疆草地NPP的估算研究。

氣象因子；空間插值方法；凈初級生產(chǎn)力；CASA模型；ANUSPLIN

草原作為陸地生態(tài)系統(tǒng)中分布最為廣泛的生態(tài)系統(tǒng)之一，在氣候調(diào)節(jié)以及全球碳循環(huán)中起著重要作用[1-2]。凈初級生產(chǎn)力(net primary productivity，NPP)指植物在單位時間和單位面積內(nèi)積累的有機物總量，是植物光合作用生成的有機物總量減去呼吸作用消耗之后的剩余量，也是反映陸地生態(tài)系統(tǒng)響應(yīng)和全球氣候變化的重要參數(shù)[3-6]。草地NPP的研究對草地資源的合理利用，挖掘草地氣候生產(chǎn)潛力，最大程度提高產(chǎn)量以及對草地農(nóng)業(yè)生態(tài)系統(tǒng)中碳循環(huán)研究都具有指導(dǎo)意義[7-11]。因為草原生態(tài)環(huán)境的天然脆弱性以及其對氣候變化響應(yīng)較為敏感，溫度和水分是影響草地生態(tài)系統(tǒng)演替重要氣候驅(qū)動因子，同時也是影響草地生產(chǎn)力的關(guān)鍵因素和估算草地生態(tài)環(huán)境及NPP的重要指標(biāo)[11-14]。根據(jù)前期研究表明，新疆草地植被NPP與降水的相關(guān)性顯著[15]，因此，氣象數(shù)據(jù)的精準(zhǔn)性會很大程度地影響草地植被NPP的估算。

隨著氣候變化研究的日益深入，如何基于有限的、分布不均的站點氣象觀測數(shù)據(jù)獲得某一地區(qū)的氣候要素時空分布情況，從而提高降水、氣溫空間模擬的精度已成為氣候變化領(lǐng)域的熱點問題[16-18]。空間數(shù)據(jù)的內(nèi)插是由一組已知的分區(qū)數(shù)據(jù)或離散數(shù)據(jù)，依據(jù)一定的數(shù)學(xué)關(guān)系推算未知點數(shù)據(jù)或區(qū)域數(shù)據(jù)的過程。就目前的研究方法中，在氣象要素空間插值方面，主要使用的方法有樣條法(Splines)、反距離加權(quán)法(inverse distance weight，IDW)、協(xié)同克里格插值法(Cokriging，CK)等，氣象要素的變化十分復(fù)雜，不同的插值方法得出的結(jié)果也有很大的區(qū)別。新疆地區(qū)氣象臺站點分布稀疏，且多分布于綠洲內(nèi)，周邊站點較少，空間上分布不均勻，加之地貌復(fù)雜多樣，經(jīng)緯度跨度較大，對氣象因素影響較大，如何利用有限的站點對新疆地區(qū)氣象要素空間分布進行準(zhǔn)確模擬是一個難題。與反距離加權(quán)法、徑向基函數(shù)法、協(xié)克里格方法相比，普通克里格法對新疆全疆降水空間分布進行插值的計算精度最高[19]。基于ANUSPLIN軟件的局部薄盤光滑樣條法對東北地區(qū)氣溫序列進行插值的結(jié)果最優(yōu)[20]。ANUSPLIN是澳大利亞科學(xué)家Hutchinson針對氣候數(shù)據(jù)曲面擬合，基于薄盤樣條理論編寫的專用軟件，該軟件能對多個不同表面同時進行空間插值，對不同時間段的氣象數(shù)據(jù)處理，運用ANUSPLIN尤為適合，ANUSPLIN軟件已在不同國家不同領(lǐng)域得到了廣泛運用，并且得到了很好的評價。因此，為了更準(zhǔn)確地探求新疆地區(qū)降水量及氣溫的空間分布狀況，本研究利用ArcGIS中地統(tǒng)計模塊對新疆地區(qū)2000-2011年降水及氣溫進行協(xié)同克里格插值、反距離加權(quán)插值，并與ANUSPLIN插值結(jié)果進行對比，以期選取適合新疆地區(qū)氣象插值的模型，提高草地NPP 估算模型精度。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

新疆維吾爾自治區(qū)(簡稱新疆)位于34°22′-49°33′ N，73°32′-96°21′ E，地處中國西北部、亞歐大陸腹地，面積為166萬km2，占中國國土面積1/6。新疆遠離海洋，四周高山環(huán)抱，是典型的溫帶大陸性干旱氣候，年平均氣溫10.4 ℃，年均降水量188.1 mm，是全國降水量最少的地區(qū)之一，且降水分布極不均勻，北疆多于南疆，西部多于東部，山區(qū)多于盆地。地區(qū)溫差大，吐魯番盆地最高溫度達49.6 ℃；北部富蘊縣可可托海，極限低溫至-51.5 ℃。新疆地域遼闊，境內(nèi)既有高山、丘陵、盆地，又有平原綠洲、戈壁和沙漠，不同的地貌條件發(fā)育和形成了多種多樣的草地類型，新疆草地總面積約0.57億hm2，其中可利用草地面積0.48億hm2，占全國可利用草地面積的20.2%，居全國第3位[21-23]。

1.2 數(shù)據(jù)來源及預(yù)處理

本研究中所采用美國國家航空航天面向全球免費提供的EOS/MODIS的MOD13A1數(shù)據(jù)產(chǎn)品的NDVI數(shù)據(jù)(http://e4ftl01.cr.usgs.gov/MOLT/)，時間分辨率為16 d，其中像元值采用最大合成法(maximum value composite，MVC)，空間分辨率為500 m。利用專業(yè)處理軟件MRT對數(shù)據(jù)進行格式轉(zhuǎn)換、投影轉(zhuǎn)換、拼接，將HDF格式轉(zhuǎn)換成Tiff格式。用新疆行政區(qū)劃圖裁剪出新疆2000-2011年逐年7月的NDVI柵格數(shù)據(jù)。研究中使用的草地類型數(shù)據(jù)為歐盟聯(lián)合研究中心(JRC)空間應(yīng)用研究所(SAI)的2000年全球覆蓋數(shù)據(jù)產(chǎn)品(GLC2000)，分辨率1 000 m。用ArcGIS提取出新疆地區(qū)高山亞高山草地、高山亞高山草甸、草甸、荒漠草地、平原草地5種類型。新疆地區(qū)DEM數(shù)據(jù)(分辨率30 m)，來源于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)(http://www.gscloud.cn)。

圖1 研究區(qū)位置示意圖

本研究用于空間插值的氣溫、降水?dāng)?shù)據(jù)來自于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.gov.cn/)，時間序列為2000-2011年每年的7月，包括新疆108個氣象站點的氣溫和降水?dāng)?shù)據(jù)，以及各個站點的經(jīng)度、緯度、海拔高程。對數(shù)據(jù)進行準(zhǔn)確性檢驗，剔除不連續(xù)數(shù)據(jù)、錯誤數(shù)據(jù)及冗余數(shù)據(jù)，最終用90個站點的數(shù)據(jù)進行空間插值，在此基礎(chǔ)上計算2000-2011年各個站點的7月平均降水量及氣溫。

實測數(shù)據(jù)來自新疆維吾爾自治區(qū)草原總站提供的實測生物量數(shù)據(jù)，采集時間為2011年7月中旬，包括荒漠草原、山地草甸、平原草原、高寒草甸、低地草甸的86個實測點。

1.3 插值方法

不同的空間插值方法，有不同的適用范圍，針對不同數(shù)據(jù)的不同特點。在科學(xué)研究之前，先對數(shù)據(jù)內(nèi)插結(jié)果進行測試對比后，擇優(yōu)選擇是一般選擇插值方法的原則。本研究基于2000-2011年多年7月平均降水量及氣溫數(shù)據(jù)，通過對比分析協(xié)同克里格、反距離加權(quán)、ANUSPLIN插值法，分析新疆地區(qū)最優(yōu)插值方法，借助ArcGIS軟件地統(tǒng)計分析模塊和ANUSPLIN平臺實現(xiàn)。

1.3.1 協(xié)同克里格法(Cokriging) 協(xié)同克里格法是把區(qū)域化變量的最優(yōu)估值方法從單一屬性發(fā)展到兩個以上的協(xié)同區(qū)域化屬性?；诳臻g屬性的相關(guān)聯(lián)性，對一個或多個變量采用空間估值的方法，達到提高估值合理性與估值結(jié)果精度。高程數(shù)據(jù)對降水及氣溫有重要的影響，所以使用高程作為影響降水和氣溫的第二影響因子，加入到空間插值計算中。運用協(xié)同克里格估值方法，其中將高程作為影響因子的公式可表示為:

(1)

式中:Z表示興趣點氣溫(降水)的插值結(jié)果；λi表示參與插值的點對預(yù)測點降水(氣溫)所占的權(quán)重值；n為實測站點的數(shù)量；Zi代表第i(i=1,2,3,…,n)個站點的真實測量值；y(x)表示x點的高程值； my、mz作為高程和降水(氣溫)的全局平均數(shù)值。

1.3.2 反距離加權(quán)法(IDW) 反距離加權(quán)插值是經(jīng)常使用的插值方法，即物體間的相似性與物體之間的距離呈反比。反距離加權(quán)法將樣本點與插值點的距離作為權(quán)重加權(quán)平均，樣本點距離插值點越遠，權(quán)重越小，用數(shù)學(xué)公式如下所示：

(2)

式中：Z為待估算的降水量(氣溫)的柵格值；Z(xi)為第i(i=1,2,3，…，n)個氣象站點的降水量(氣溫)；n為用于插值的站點個數(shù)；di為插值點到第i個站點的距離；p為距離的冪。

1.3.3ANUSPLIN插值法ANUSPLIN運用普通薄盤和局部薄盤樣條函數(shù)作為理論的插值方法。局部薄盤光滑樣條法是在薄盤光滑樣條法的基礎(chǔ)上擴展而來，與薄盤光滑樣條法不同的是，除普通的樣條自變量以外，局部薄盤光滑樣條法允許引入線性協(xié)變量子模型，例如海拔與氣溫之間的相關(guān)性[24]?？蓪⒕植勘”P光滑樣條理論模型表示為以下數(shù)學(xué)公式：

Zi=f(xi)+bTyi+ei(i=1,2,…，n)

(3)

式中：Zi是i點的因變量;xi作為d維樣條的獨立變量，f(xi)為關(guān)于x需要估算的未知光滑函數(shù)；y是P維獨立協(xié)變量；b為yi的P維系數(shù);ei表示方差為wiσ2和期望值等于0的自變量隨機誤差；wiσ2中W作為權(quán)重的已知局部相對變異系數(shù)，σ2為誤差方差。當(dāng)缺少bTyi，即P=0，模型可簡化為普通薄盤光滑樣條，當(dāng)公式中f(xi)不存在時，則簡化成了多元線性回歸方程，注意在局部薄盤光滑樣條法中如果不存在f(xi)，數(shù)據(jù)處理將無法進行。函數(shù)f和系數(shù)b可使用最小二乘估計法計算:

(4)

式中：ρ為光滑參數(shù)，數(shù)值通常大于0，主要作用于曲面粗糙度與數(shù)據(jù)保真度之間的平衡，Jm(f)是f(xi)的粗糙度測度函數(shù)，作為f(xi)的m階偏導(dǎo)數(shù)。m值表示糙度次數(shù)，在局部薄盤光滑樣條法中又叫作樣條次數(shù)。本研究中，氣溫插值采用緯度和經(jīng)度作為獨立變量，高程作為獨立協(xié)變量、樣條次數(shù)為3的三變量的局部薄盤光滑樣條函數(shù)，降水的空間插值由于數(shù)據(jù)范圍大以及不確定性強，所以采用平方根變換用來降低數(shù)據(jù)的值域范圍，最后再運用普通雙變量的薄盤樣條函數(shù)。

1.4 檢驗方法

為檢驗不同插值方法在研究區(qū)的預(yù)測精度，利用ArcGIS地統(tǒng)計工具下的Subset工具隨機構(gòu)建兩個子集，選取90個氣象站點的70%樣本(N=63)為訓(xùn)練子集，30%的樣本(N=27)做驗證子集。用訓(xùn)練子集中的樣點進行插值預(yù)測，得到驗證子集中站點的降水(氣溫)值，通過計算預(yù)測值與實測值的均方根誤差(RootMeanSquareError，RMSE)和平均絕對誤差(MeanAbsoluteError，MAE)作為檢驗插值精度的標(biāo)準(zhǔn)，計算公式如下：

(5)

(6)

式中：Z0(xi)與Z(xi)分別作為第i個檢驗站點的預(yù)測和實測值；n為檢驗站點總數(shù)量。均方根誤差和平均絕對誤差總體數(shù)值越小，說明插值方法的準(zhǔn)確度越高，平均絕對誤差相同時，均方根誤差越小，對應(yīng)的準(zhǔn)確度則越高。

1.5 草地NPP的估算

相關(guān)研究表明，CASA模型比較適用于新疆地區(qū)草地NPP估算研究[25]，因此，本研究采用朱文泉等[26-27]改進的CASA模型。該模型由植被所吸收的光合有效輻射(APAR)和光能轉(zhuǎn)化率(ε)共同確定。公式如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(7)

式中：APAR(x,t)表示在t月、在像元x處植物所吸收的光合有效輻射，ε(x,t)表示在t月、在像元x處的植物實際光能利用率。APAR由光合有效輻射的吸收占比與太陽總輻射量確定，用以下公式計算：

APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(8)式中：SOL(x,t)表示t月x處的太陽輻射總量，0.5通常是植物對太陽有效輻射(400-700 nm)的利用率。

光能轉(zhuǎn)化率是植被把吸收的光合有效輻射(PAR)通過光合作用轉(zhuǎn)化為有機碳的效率，光能轉(zhuǎn)化率受溫度和水分的影響較大，用以下公式計算：

c(x,t)=Tε2(x,t)×Tε2(x,t)×wz(x,t)×εmax

(9)式中：Tε2表示植物在不同溫度條件下對光能轉(zhuǎn)化率的影響，wz表示植物在不同水分條件下對光能轉(zhuǎn)化率的影響，εmax表示在理想條件下植物的最大光能利用率。

在目前區(qū)域NPP的模型研究中，模擬結(jié)果的檢驗通常采用對比法，主要是將實測數(shù)據(jù)與模擬結(jié)果進行對比的方法。由于NPP野外實測的難度大、精度不高等因素，所以在實際操作中一般采用將生物量轉(zhuǎn)換成NPP數(shù)據(jù)用來代替NPP實測數(shù)據(jù)，在本次研究中，首先將生物量轉(zhuǎn)換成草地NPP，其次通過實測數(shù)據(jù)(換算值)與CASA模型模擬結(jié)果進行一對一分析，完成模擬值的精度檢驗，最后分析優(yōu)化后的氣象插值方法對草地NPP估算的影響。

2 結(jié)果與分析

2.1 各站點氣象數(shù)據(jù)的描述性統(tǒng)計

插值分析前，對建模站點數(shù)據(jù)進行統(tǒng)計特征檢驗。2000-2011年7月平均降水量總體變化在1.77～126.04 mm，均值為26.326 mm，中位數(shù)與降水量平均值有一定差距，為21.975 mm，偏態(tài)系數(shù)為1.799 4，呈正偏(圖2)。峰度系數(shù)為6.685 9，表明新疆地區(qū)7月降水?dāng)?shù)據(jù)的分布比標(biāo)準(zhǔn)正態(tài)分布高聳。正態(tài)分布QQ圖顯示，降水?dāng)?shù)據(jù)不符合正態(tài)分布，需進行相應(yīng)的數(shù)據(jù)轉(zhuǎn)換，本研究對降水?dāng)?shù)據(jù)采用log變換進行預(yù)處理(圖3)。2000-2011年7月平均氣溫數(shù)據(jù)總體變化在5.83～32.88 ℃，均值為23.422 ℃，中位數(shù)與氣溫平均值較接近為24.654 ℃，偏態(tài)系數(shù)為-1.905 9，呈負(fù)偏。峰度系數(shù)為7.907 1，表明新疆地區(qū)7月氣溫數(shù)據(jù)的分布比標(biāo)準(zhǔn)正態(tài)分布高聳。正態(tài)分布QQ圖顯示，數(shù)據(jù)總體傾向于正態(tài)分布，所以對氣溫數(shù)據(jù)無需進行相應(yīng)的數(shù)據(jù)轉(zhuǎn)換。

圖2 建模站點降水和氣溫數(shù)據(jù)檢驗分析

圖3 經(jīng)過log轉(zhuǎn)換后的降水?dāng)?shù)據(jù)檢驗分析

2.2 基于降水?dāng)?shù)據(jù)的不同插值方法的比較

分別以全疆90個站點多年7月平均降水量為指標(biāo)，對降水?dāng)?shù)據(jù)進行空間插值，新疆地區(qū)降水的總體空間格局呈北高南低，烏魯木齊、西部的伊犁河谷等地由于受地形、海拔、地理位置等的影響，降水量顯著增加，而在塔克拉瑪干沙漠、古爾班通古特沙漠等地區(qū)降水稀少。但是，基于Cokriging法、IDW法、ANUSPLIN法插值出的結(jié)果有一定差距(圖4)，因此，對插值結(jié)果進行驗證分析，通過計算預(yù)測值與實測值的平均絕對誤差、均方根誤差作為檢驗插值精度的標(biāo)準(zhǔn)，可以看出，不同插值方法之間的平均絕對誤差、均方根誤差并不相同(表1)。Cokriging法與IDW法的平均絕對誤差(MAECK=12.12，MAEIDW=14.92)與均方根誤差(RMSECK=21.21，RMSEIDW=24.37)均高于ANUSPLIN法(MAE=6.45，RMSE=8.77)。ANUSPIN法精度相比較CK法提高了46.78%，較IDW法提高了56.77%，具有明顯的優(yōu)勢。另外，不同插值方法所得結(jié)果在曲線平滑程度以及局部地區(qū)的空間分布具有一定差異，ANUSPLIN法比較平滑，更能直觀地表達新疆地區(qū)降水的分布情況，而IDW法的插值結(jié)果在部分地區(qū)形成了明顯的“牛眼”。綜上所述，3種插值方法在新疆地區(qū)的插值精度為ANUSPLIN>Cokriging>IDW。這說明基于ANUSPLIN軟件的插值方法更加適合新疆地區(qū)的降水?dāng)?shù)據(jù)插值。

圖4 基于不同氣象插值方法的新疆地區(qū)年均7月降水量空間分布

插值方法Interpolationmethod類項Item最大值Maximum最小值Minimum平均絕對誤差Meanabsoluteerror均方根誤差RootmeansquareerrorCokriging降水Precipitation/mm95.390.0012.1221.21氣溫Temperature/℃47.654.673.655.28IDW降水Precipitation/mm98.361.7714.9224.37氣溫Temperature/℃32.595.833.524.84ANUSPLIN降水Precipitation/mm196.280.006.458.77氣溫Temperature/℃35.55-22.762.113.52

2.3 基于氣溫數(shù)據(jù)的不同插值方法的比較

分別利用Cokriging法、IDW法、ANUSPLIN法對新疆多年7月氣溫數(shù)據(jù)進行空間插值，在南疆的沙漠地帶氣溫較高，尤其以吐魯番附近氣溫最高，而在一些綠洲區(qū)域及高山地區(qū)氣溫較低(圖5)。Cokriging方法插值的氣溫范圍為4.67～47.65 ℃，IDW方法插值的氣溫范圍為5.83～32.59 ℃，Cokriging和IDW方法都未預(yù)測出山區(qū)的負(fù)值低溫，同時氣溫的地帶性變異也不明顯，而ANUSPLIN則體現(xiàn)出了使用DEM預(yù)測氣溫的優(yōu)勢，其插值的氣溫范圍為-22.76～35.55 ℃。可以明顯地突出昆侖山、天山、阿爾泰山的低溫趨勢。從平方根誤差和均方根誤差來看，這3種插值方法相比較降水插值精度較高，ANUSPLIN進行的氣溫插值產(chǎn)生誤差明顯偏小(MAE=2.11，RMSE=3.52)，比Cokriging法(MAE=3.65，RMSE=5.28)精度提高了42.19%，比IDW法(MAE=3.52，RMSE=4.84)精度提高了40.06%。綜上所述，3種插值方法在新疆地區(qū)插值精度為ANUSPLIN>IDW>Cokriging。說明基于ANUSPLIN軟件的插值方法更加適合新疆地區(qū)的氣溫數(shù)據(jù)插值。

2.4 基于氣象數(shù)據(jù)不同插值方法對草地NPP估算的影響

新疆草地植被NPP空間分布特征受區(qū)域水熱條件的制約，空間上呈北高南低的空間格局，最高值出現(xiàn)在伊犁河谷地區(qū)以及北疆地區(qū)，最低值出現(xiàn)在新疆南部地區(qū)，由于北疆雨水較多，而南疆夏季干旱少雨，靠近沙漠(圖6)。氣溫、降水對于草地NPP估算是至關(guān)重要的影響因素，因此，提高氣象因子的插值精度，提高其估算精度，更有利于草地NPP的研究?；贑okriging、IDW、ANUSPLIN這3種插值方法，對降水、氣溫數(shù)據(jù)進行插值，利用CASA模型對新疆地區(qū)草地NPP進行估算，得出3種不同插值方法下的草地NPP。結(jié)合自治區(qū)草原總站提供的實測生物量數(shù)據(jù)，對其數(shù)據(jù)進行處理轉(zhuǎn)換，將實測數(shù)據(jù)與同時期CASA模型模擬值相關(guān)性進行分析，在不同插值方法下的草地NPP估算精度有一定區(qū)別(圖7)，其中利用ANUSPLIN法進行氣象要素插值的估算精度最高(R2=0.794 7)，NPP實測值與模擬值有良好的線性關(guān)系。IDW法進行氣象要素插值的估算精度最低(R2=0.671 8)。利用以上3種插值方法得出草地NPP值分別與實測草地NPP值進行計算，求出二者之間的平均絕對誤差和均方根誤差，進行對比分析(表2)，從平方根誤差和均方根誤差來看，利用ANUSPLIN法氣象插值下估算的草地NPP精度較高(MAE=16.66，RMSE=21.23)，其精度比Cokriging法(MAE=19.20，RMSE=25.17)提高了13.23%，比IDW法(MAE=20.86，RMSE=27.00)提高了20.13%。說明提高氣象要素的插值精度有利于新疆草地NPP的估算研究。

圖5 基于不同氣象插值方法的新疆地區(qū)年均7月氣溫空間分布

圖6 新疆地區(qū)草地凈初級生產(chǎn)力(NPP)分布格局

3 討論與結(jié)論

空間內(nèi)插方法是氣象要素區(qū)域平均過程的基礎(chǔ)，本研究表明，基于ANUSPLIN插值方法的精度最高，錢永蘭等[28]研究表明，與反距離權(quán)重法和克里格法進行逐日氣象要素插值的結(jié)果進行對比，ANUSPLIN軟件的插值誤差最小。

在新疆的90個氣象站中分別隨機選擇15、30、45、60、75個站作為試驗樣本參與插值，剩余的站用于檢驗精度，進一步分析隨著氣象站密度的變化，不同插值方法的精度變化規(guī)律。結(jié)果表明(圖8)，對降水與氣溫數(shù)據(jù)的插值，站臺數(shù)量較少時，對比3種插值方法，ANUSPLIN法的精度明顯較高，但提高站點數(shù)量后，3種插值方法的精度差異逐漸減小。由此說明，在對氣象站分布不均勻且密度較低的地區(qū)的降水和氣溫插值時，ANUSPLIN法更有優(yōu)勢。

圖7 基于不同所象插值方法實測值與模擬值的對比

插值方法Interpolationmethod平均絕對誤差Meanabsoluteerror均方根誤差RootmeansquareerrorCokriging19.2025.17IDW20.8627.00ANUSPLIN16.6621.23

圖8 插值精度隨站臺密度的變化情況

新疆地區(qū)地貌復(fù)雜多樣，地形起伏較大，氣象站臺稀少，且分布不均勻。因此，利用ANUSPLIN插值方法，考慮了地形因子對氣象數(shù)據(jù)插值的影響，消除了地形對其空間分布格局的制約。利用ANUSPLIN插值的分布圖更接近實際情況，本研究也進一步推進了ANUSPLIN插值方法在新疆地區(qū)的應(yīng)用。

在草地NPP的研究中，由于基礎(chǔ)條件(如設(shè)備條件、氣象數(shù)據(jù)等)的一些限制，對于提高估算精度有一定的困難，應(yīng)該轉(zhuǎn)變思路，通過選擇更優(yōu)的理論以及研究方法，不斷優(yōu)化和提高研究成果精度。利用遙感模型對草地NPP進行估算是代替大量人力、物力工作的一個重要手段，因此，估算模型的精度尤為重要，CASA模型是一個充分考慮環(huán)境條件和植被本身特征的光能利用率模型，將環(huán)境變量和遙感數(shù)據(jù)、植被生理參量聯(lián)系起來，為了更精確地估算NPP，僅僅提高氣象數(shù)據(jù)插值精度是遠遠不夠的，在研究中仍有需要改進的地方，如：1)遙感數(shù)據(jù)精度不夠高，采用的500 m分辨率的MODIS產(chǎn)品數(shù)據(jù)及1 000 m的草地類型數(shù)據(jù)，在今后的研究中可選擇時間分辨率與空間分辨率都相對較高的數(shù)據(jù)，將用其對研究區(qū)草地NPP估算的相關(guān)參數(shù)進行修正。2)不同草地類型的一些生理參量不同，最大光利用率等參數(shù)也和草地類型相關(guān)，因此將草地類型結(jié)合到光能利用率模型中，針對不同的草地類型，模擬出不同草地類型的最大光利用率，進一步改進模型，使其更合理化。3)植被指數(shù)也是光能利用率模型中重要參數(shù)，不同區(qū)域環(huán)境合適不同的植被指數(shù)，進一步的研究中應(yīng)探索不同植被指數(shù)在估算草地NPP的適用性。

本研究選擇2000-2011年7月新疆地區(qū)90個氣象站點的降水、氣溫數(shù)據(jù)，檢驗數(shù)據(jù)特征后，分別采取協(xié)同克里格法、反距離加權(quán)法、ANUSPLIN法對降水氣溫數(shù)據(jù)進行插值，再利用3種不同的插值方法得到的氣象數(shù)據(jù)對新疆草地NPP進行估算，比較其估算精度，得出以下結(jié)論：

1)ANUSPLIN方法作為目前較好的曲面插值方法之一，符合插值曲面對平滑度以及精確度的同時要求。通過對比研究，ANUSPLIN插值方法精度最高，所以ANUSPLIN插值方法適合新疆地區(qū)氣象數(shù)據(jù)插值。

2)ANUSPLIN法充分利用經(jīng)緯度、高程等影響因素對降水以及氣溫的影響作用，在氣象站點密度低以及受自然因素影響站點分布不均的情況下，ANUSPLIN法的優(yōu)勢更加明顯。新疆地區(qū)氣象臺站稀少、分布不均勻，海拔變化較大、各季降水量差別很大，因此，為了進一步提高插值精度，除了選擇適合的插值模型，還應(yīng)引用更多的影響因子，如坡度、坡向等。

3)由研究結(jié)果表明，基于ANUSPLIN法得到的氣象要素估算NPP的精度最高(R2=0.794 7)，因此，提高氣象數(shù)據(jù)的插值精度，有利于草地NPP的估算研究。

對于本研究來說，繼續(xù)深入研究新疆草地NPP的估算研究仍是以后研究工作的方向，而基于CASA模型進行草地NPP的估算中影響因素有很多，包括降水、氣溫、草地類型、最大光能利用率等。因此，在提高氣象數(shù)據(jù)插值精度的同時對CASA模型中的參數(shù)本地化，使其更加適合新疆草地NPP的估算，以提高估算精度。

References:

[1] 樸世龍,方精云,賀金生,肖玉.中國草地植被生物量及其空間分布格局.植物生態(tài)學(xué)報,2004,28(4):491-498. Piao S L,Fang J Y,He J S, Xiao Y.Spatial distribution of grassland biomass in china.Acta Phytoecologica Sinica,2004,28(4):491-498.(in Chinese)

[2] Haulier Y,Seabloom E W,Borer E T,Adler P B,Harpole W S,Hillebrand H,Lind E C,S Macdougall A,Stevens C J,Bakker J D,Buckley Y M,Chu C J,Collins S L,Daleo P,Damschen E I,Davies K F,Fay P A,Firn J,Gruner D S,Jin V L,Klein J A,Knops J M H,Pierre K J L,Li W,Mcculley R L,Melbourne B A,Moore J L,Halloran L R O,Prober S M,Risch A C,Sankaran M,Schuetz M,Hector A L.Eutrophication weakens stabilizing effects of diversity in natural grasslands.Nature,2014,508:521-525.

[3] 陳利軍,劉高煥,勵惠國.中國植被凈第一性生產(chǎn)力遙感動態(tài)監(jiān)測.遙感學(xué)報,2002，6(2):129-136. Chen L J,Liu G H,Li H G.Estimating net primary productivity of terrestrial vegetation in China using remote sensing.Journal of Remote Sensing,2002，6(2):129-136.(in Chinese)

[4] 沃笑,吳良材,張繼平,張林波,劉偉玲.基于CASA 模型的三江源地區(qū)植被凈初級生產(chǎn)力遙感估算研究.干旱區(qū)資源與環(huán)境,2014,28(9):45-50. Wo X,Wu L C,Zhang J P,Zhang L B，Liu W L.Estimation of net primary production in the Three-River headwater region using CASA model.Journal of Arid Land Resources and Environment,2014,28(9):45-50.(in Chinese)

[5] 陳強,陳云浩,王萌杰,蔣衛(wèi)國,侯鵬,李營.2001-2010年黃河流域生態(tài)系統(tǒng)植被凈第一性生產(chǎn)力變化及氣候因素驅(qū)動分析.應(yīng)用生態(tài)學(xué)報,2014,25(10):2811-2818. Chen Q,Chen Y H,Wang M J,Jiang W G,Hou P,Li Y.Change of vegetation net primary productivity in Yellow River watersheds form 2001 to 2010 and its climatic driving factors analysis.Chinese Journal of Applied Ecology,2014,25(10):2811-2818.(in Chinese)

[6] 張建財,張麗,鄭藝,田向軍,周宇.基于LPJ模型的中亞地區(qū)植被凈初級生產(chǎn)力與蒸散模擬.草業(yè)科學(xué),2015,32(11):1721-1729. Zhang J C,Zhang L,Zheng Y,Tian X J,Zhou Y.Simulation of vegetation net primary productivity and evapotranspiration based on LPJ model in Central Asia.Pratacultural Science,2015,32(11):1721-1729.(in Chinese)

[7] 任繼周,胡自治,張自和,侯扶江,陳全功.中國草業(yè)生態(tài)經(jīng)濟區(qū)初探.草業(yè)學(xué)報,1999,8(1):12-22. Ren J Z,Hu Z Z,Zhang Z H,Hou F J,Chen Q G.Apreiminary discussion on grassland ecological-economic regions in China.Acta Prataculturae Sinica,1999,8(1):12-22.(in Chinese)

[8] Tan K,Piao S L,Peng C H,Jing Y F.Satellite based estimation of biomass carbon stocks for northeast China’s forests between 1982 and 1999.Forest Ecology and Management,2007,240:114-121.

[9] 張偉科,劉玉杰,封志明,孫小舟.內(nèi)蒙古天然草地生產(chǎn)潛力及其限制性研究.草地學(xué)報,2008,16(6):572-579. Zhang W K,Liu Y J,Feng Z M,Sun X Z.A Study of rangeland productive potential and limiting factors in Inner Mongolia Autonomous Region.ActaAgrestia Sinica,2008,16(6):572-579.(in Chinese)

[10] 潘竟虎,文巖.中國西北干旱區(qū)植被碳匯估算及其時空格局.生態(tài)學(xué)報,2015,35(23):7718-7728. Pan J H,Wen Y.Estimation and spatial-temporal characteristics of carbon sink in the arid region of northwest China.Acta Ecologica Sinica,2015,35(23):7718-7728.(in Chinese)

[11] 劉海江,尹思陽,孫聰,彭福利,周澎.2000-2010年錫林郭勒草原NPP時空變化及其氣候響應(yīng).草業(yè)科學(xué),2015,32(11):1709-1720. Liu H J,Yin S Y,Sun C,Peng F L,Zhou P.Temporal and spatial variation of net primary productivity (NPP) and its responses with climatic changes in the Xilingol grassland from 2000 to 2010.Pratacuhural Science,2015,32(11):1709-1720.(in Chinese)

[12] 杜加強,舒儉民,張林波,郭楊.黃河上游不同干濕氣候區(qū)植被對氣候變化的響應(yīng).植物生態(tài)學(xué)報,2011,11:1192-1201. Du J Q,Shu J M,Zhang L B,Guo Y.Responses of vegetation to climate change in the headwaters of China’s Yellow River Basin based on zoning of dry and wet climate.Acta Phytoecologica Sinica,2011,11:1192-1201.(in Chinese)

[13] 高浩,潘學(xué)標(biāo),符瑜.氣候變化對內(nèi)蒙古中部草原氣候生產(chǎn)潛力的影響.中國農(nóng)業(yè)氣象,2009,30(3):277-282. Gao H,Pan X B,Fu Y.Influence of climate change on potential climate productivity in grassland of central Inner Mongolia.Chinese Journal of Agrometeorology,2009,30(3):277-282.(in Chinese)

[14] Xu T B,Hutchinson M F.New developments and applications in the ANUCLIM spatial climatic and bioclimatic modelling package.Environmental Modelling & Software,2013,40:267-279.

[15] 任璇,鄭江華,穆晨,閆凱,劉永強,溫阿敏,楊會楓.新疆近15年草地NPP動態(tài)變化與氣象因子的相關(guān)性研究.生態(tài)科學(xué),出版中. Ren X,Zheng J H,Mu C,Yan K,Liu Y Q,Wen A M,Yang H F.Correlation analysis of the apatial-temporal variation of grassland net primary productivity and climate factors in Xinjiang in the past 15 years.Ecologic Science,in publication.(in Chinese)

[16] 殷剛,陳曦,塔西甫拉提·特依拜,邵華,白磊,胡增運,張弛,徐婷.氣候模式同站點插值外推氣象數(shù)據(jù)的比較.地理研究,2015,34(4):631-643. Yin G,Chen X,Tiyip·Tashpolat,Shao H,Bai L,Hu Z Y,Zhang C,Xu T.A comparison study between site-extrapolation-based and regional climate model-simulated climate datasets.Geographical Research,201,34(4):631-643.(in Chinese)

[17] 王麗娜.氣象要素空間插值算法的研究及其應(yīng)用.重慶：重慶理工大學(xué)碩士學(xué)位論文,2014. Wang L N.Algorithm research and application of meteorological spatial interpolation.Master’s Thesis.Chongqing:Chongqing University of Technology,2014.(in Chinese)

[18] Tang L,Su X D,Shao G F,Zhang H,Zhao J Z.A Clustering-Assisted Regression (CAR) approach for developing spatial climate data sets in China.Environmental Modelling & Software,2012,38:122-128.

[19] 王智,吳友均,梁鳳超,常順利,師慶東.新疆地區(qū)年降水量的空間插值方法研究.中國農(nóng)業(yè)氣象,2011(3):331-337. Wang Z,Wu Y J,Liang F C,Chang S L,Shi Q D.Study on spatial interpolation method of annual precipitation in Xinjiang.Chinese Journal of Agrometeorology,2011(3):331-337.(in Chinese)

[20] 陳思寧,郭軍.不同空間插值方法在區(qū)域氣溫序列中的應(yīng)用評估:以東北地區(qū)為例.中國農(nóng)業(yè)氣象,2015(2):234-241. Chen S N,Guo J.Evaluation of different spatial interpolation methods in sequence:A case study in northeast regional temperature China.Chinese Journal of Agrometeorolog,2015(2):234-241.(in Chinese)

[21] 高健.新疆方志文獻研究.南京：南京師范大學(xué)博士學(xué)位論文,2014. Gao J.Xinjiang records documents.PhD Thesis.Nanjing:Nanjing Normal University,2014.(in Chinese)

[22] 新疆維吾爾自治區(qū)畜牧廳.新疆草地資源及其利用.烏魯木齊:新疆科技衛(wèi)生出版社,1993.

[23] 李建龍.新疆草地退化現(xiàn)狀、原因及其防治對策.中國草地,1992(3):17-21. Li J L.The present situation and reasons of grassland degradation in Xinjiang province and our management.Grassland of China,1992(3):17-21.(in Chinese)

[24] 劉志紅,Tim R.McVicar,Tom G.Van Nie,楊勤科,李銳,穆興民.基于ANUSPLIN的時間序列氣象要素空間插值.西北農(nóng)林科技大學(xué)學(xué)報:自然科學(xué)版,2008(10):227-234. Liu Z H,Tim R.McVicar,Tom G.VanNieYang Q K,Li R,Mu X M.Interpolation for time series of meteorological variables using ANUSPLIN.Journal of Northwest A & F University:Natural Science Edition,2008(10):227-234.(in Chinese)

[25] 楊紅飛,剛成誠,穆少杰,章超斌,周偉,李建龍.近10年新疆草地生態(tài)系統(tǒng)凈初級生產(chǎn)力及其時空格局變化研究.草業(yè)學(xué)報,2014,23(3):39-50. Yang H F,Gang C C,Mu S J,Zhang C B,Zhou W,Li J L.Analysis of the spatio-temporal variation in net primary productivity of grassland during the past 10 years in Xinjiang.Acta Prataculturae Sinica,2014,23(3):39-50.(in Chinese)

[26] 朱文泉.中國陸地生態(tài)系統(tǒng)植被凈初級生產(chǎn)力遙感估算及其與氣候變化關(guān)系研究.北京：北京師范大學(xué)博士學(xué)位論文,2005. Zhu W Q.Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing and its relationship with global climate change.PhD Thesis.Beijing:Beijing Normal University,2005.(in Chinese)

[27] 朱文泉,潘耀忠,張錦水.中國陸地植被凈初級生產(chǎn)力遙感估算.植物生態(tài)學(xué)報,2007,31(3):413-424. Zhu W Q,Pan Y Z,Zhang J S.Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing.Acta Phytoecologica Sinica,2007,31(3):413-424.(in Chinese)

[28] 錢永蘭,呂厚荃,張艷紅.基于ANUSPLIN軟件的逐日氣象要素插值方法應(yīng)用與評估.氣象與環(huán)境學(xué)報,2010,26(2):7-15. Qian Y L,Lyu H Q,Zhang Y H.Application and assessment of spatial interpolation method on daily meteorotogica1 elements based on ANUSPLN software.Journal of Meteorology and Environment,2010,26(2):7-15.(in Chinese)

(責(zé)任編輯 武艷培)

Evaluating reliability of grassland net primary productivity estimates using different meteorological interpolation methods

Ren Xuan1，2, Zheng Jiang-hua1，2, Mu Chen3, Yan Kai3, Xu Ting-bao4

(1.School of Resources & Environment Science, Xinjiang University, Urumqi 830046, China;2.Key Laboratory of Oasis Ecology, Urumqi 830046, China;3.Department of Grassland Resource, Xinjiang Uygur Autonomous Region, Urumqi 830046, China;4.Fenner School of Environment and Society, Australian National University, Canberra, Australia)

Meteorological factors are significant in researching grassland productivity, vegetation growth, and disaster assessment. This study used different spatial interpolation methods including Cokriging (CK), inverse distance weighting (IDW), and ANUSPLIN, to analyse the average July precipitation and temperature datasets of 90 meteorological stations in Xinjiang from 2000 to 2011. In addition, the mean absolute error (MAE) and root mean square error (RMSE) were used to evaluate the interpolation results, and we discussed the effects of different interpolation methods on spatial variation of precipitation and temperature. Furthermore, the spatial variations in precipitation and temperature obtained using various interpolation methods were used to calculate the grassland net primary productivity (NPP) in Xinjiang using the Carnegie-Ames-Stanford (CASA) model and verified their accuracy using field measured biomass data. We obtained the following results, 1)The interpolation results of the precipitation and temperature using the ANUSPLIN was better than those of the other methods (MAEprecipitation=6.45,RMSEprecipitation=8.77, andMAEtemperature=2.11,RMSEtemperature=3.52), which indicates that the ANUSPLIN is a superior method for interpolating meteorological factors in Xinjiang. 2) The accuracy of estimating the Xinjiang grassland NPP differed between the various methods. The calculation of the coefficients between the field measured biomass data and the simulated values obtained using CASA model, showed that the ANUSPLIN had the highest accuracy, with anR2of 0.794 7. There was a good linear relationship between the measured and simulated values of the grassland NPP. Compared with the Cokriging and IDW, the accuracy of ANUSPLIN was higher by 13.23% and 20.13%, respectively. These results show that improving the accuracy of the interpolation results of meteorological factors could enhance the estimation of grassland NPP.

meteorological factors; spatial interpolation method; NPP; CASA; ANUSPLIN

Zheng Jiang-hua E-mail:Zheng_jianghua@126.com

10.11829/j.issn.1001-0629.2016-0312

2016-06-12 接受日期：2016-08-30

新疆維吾爾自治區(qū)草原總站委托項目(211-62207)；新疆維吾爾自治區(qū)高層次人才培養(yǎng)計劃項目(104-40002)；教育部促進與美大地區(qū)科研合作與高層次人才培養(yǎng)項目(117-40101)

任璇(1991-)，女，新疆塔城人，在讀碩士生，研究方向為草原生物災(zāi)害遙感監(jiān)測。E-mail:15276701891@163.com

鄭江華(1973-)，男，浙江江山人，教授，博士，研究方向為地理信息科學(xué)與遙感應(yīng)用。E-mail:Zheng_jianghua@126.com

S812.1

A

1001-0629(2017)3-0439-10*

任璇,鄭江華,穆晨,閆凱,徐廷豹.不同氣象插值方法在新疆草地NPP估算中的可靠性評價.草業(yè)科學(xué),2017,34(3)：439-448.

Ren X,Zheng J H,Mu C,Yan K,Xu T B.Evaluating reliability of grassland net primary productivity estimates using different meteorological interpolation methods.Pratacultural Science，2017,34(3)：439-448.