基于遥感方法的长白山地区植被物候期变化趋势研究

目前,越来越多的遥感数据被用来监测大面积植物物候的动态变化。利用长时间序列的SPOT/NDVI旬合成数据,通过double logistic模型获取了1999~2008年长白山地区植被的3个关键物候参数:生长季始期、生长季末期和生长季长度的多年平均值,并绘制了它们的变化趋势空间格局图。结果表明,林地的生长季开始日期为第100~120天,草地和耕地相对较晚,分别为第130~140天和第140~150天;林地和草地生长季的结束日期为第275~285天,耕地的相对较早,为第265~275天;林地、草地和耕地的生长季长度范围分别为160~180 d、140~160 d和110~130 d。植被物候期的变化趋势表现为一定的空间差异性,生长季长度延长区域主要分布在长白山地区的中东部,平均每年延长约0.7 d;缩短的区域在西北地区,平均每年缩短1.1 d。最后通过部分物候观测数据及前人在相同研究区的结果验证了利用double logistic模型提取预测长白山植被物候期的可行性。     

基于MODIS EVI时序数据的云南高原山地森林物候特征识别

基于2000—2011年MOD13Q1产品的EVI时序,借助QA-SDS数据集消除云、阴影和冰雪等的影响后,采用非对称高斯函数拟合法进行时序重构,并运用动态阈值法提取云南高原山地典型森林植被的物候特征参数(即生长期开始时间、峰值时间、结束时间和生长期长度),进而分析了不同植被类型物候期规律及其主要控制因素。结果表明:1.从寒温性森林植被到热性森林植被的EVI值呈递增趋势;2.森林植被生长期开始时间、峰值时间和结束时间分别大致发生在3月中旬至4月中下旬、6月中旬至下旬和8月中旬至10月初,生长期长度为135～195 d;3.由寒温性植被向热性植被的生长期高峰时间和生长期结束时间总体呈延迟趋势,且生长期延长,生长期开始时间则由暖性植被向寒温性植被、暖性植被向热性植被双向提前;4.高原山地热量梯度决定了森林植被物候的空间格局,水分条件则主要控制着EVI和物候期的年际波动。     

伏牛山地森林植被物候及其对气候变化的响应

研究植被物候是理解植被与气候关系的重要途径。在植被对气候变化响应的敏感地区,开展植被物候研究有助于揭示气候变化对植被的影响机制。基于2000-2015年MODIS EVI时间序列影像数据,利用Savitzky-Golay （S-G）滤波方法和动态阈值法提取伏牛山地2000-2015年森林植被物候参数,结合气温、降水数据,运用Man-Kendall趋势检验、Sen斜率、ANUSPLIN插值和相关性分析等方法,研究伏牛山地森林植被物候对气候要素（气温、降水）变化的响应。结果表明：① 伏牛山地森林植被生长季始期主要集中在第105~120 d,生长季末期主要集中在第285~315 d,生长季长度主要集中在165~195 d。从海拔梯度看,随海拔升高,生长季始期、末期和长度整体上分别呈显著推迟、提前及缩短趋势。② 生长季始期和生长季末期整体上呈推迟趋势,推迟的像元分别占森林植被的76.57%和83.81%。生长季长度整体呈延长趋势,延长的像元占比为61.21%。生长季始期变化特征主要是由该地区的春季气温降低所导致的。③ 研究区森林植被生长季始期与3月平均气温呈显著偏相关,且呈负相关的区域最多,即3月平均气温降低,导致生长季始期推迟;生长季末期与9月降水呈显著偏相关区域最多,且两者主要呈正相关,即9月降水增加,使生长季末期推迟。植被生长季长度由整个生长期的气温和降水来共同作用,对大多数的区域而言,8月的平均气温和降水与生长季长度的关系最为密切。     

秦岭森林物候时空分布特征及对水热条件的响应

大量观测数据分析表明,全球气候正逐步变暖。植物物候现象是全球自然环境变化的指示器。物候对气候变化的响应是研究全球气候变化的重要手段之一。森林是全球生态系统的重要组成部分,森林物候特征变化是反映气候变化对森林生长影响的综合性生物指标。利用2001—2018年MOD09A1卫星数据重建了秦岭地区增强型植被指数（EVI）序列,采用最大变化速率和阈值法结合提取了秦岭森林物候参数,结果表明：（1） Whittaker滤波法在灌木、农田、森林3种生态样地重建中稳定性较好,在秦岭山地有较好的适用性。（2） 秦岭地区物候多年均值分布同秦岭地区水热条件密切,由高海拔高山区到农耕区,生长季始期(Start of Growth Season,SOG)逐渐提前,生长季末期(End of Growth Season,EOG)逐渐推迟,生长季长度(Length of Growth Season,LOG)由高海拔区向低海拔区逐渐加长。秦岭浅山区和东部伏牛山农耕带生长季（SOG）开始较早,出现在3月上旬,高山区针叶林带生长季开始的较晚,出现在5月上旬到中旬（120～135 d）之间。生长季末期（EOG）集中出现在10月~11月初（270～310 d）,高山区针叶林带生长季结束较早,浅山区植被生长季结束较晚,普遍出现在11月（300 d）以后。生长季长度（LOG）分布在150～200 d之间,低海拔地区LOG较长,大于180 d,高海拔林区生长季较短LOG集中在150～170 d。（3） 年际变化特征：2001—2018年生长季始期（SOG）呈现提前趋势,其中高海拔区提前明显,南北麓海拔低于500 m部分区域和东部伏牛山少部分区域出现推迟。生长季末期（EOG）呈现推迟趋势,其中秦岭北麓和东部中低海拔区域推迟明显,生长期长度（LOG）总体呈延长趋势。（4） 秦岭地区近17 a气温呈现上升趋势,变化率为0.02 ℃·a^-1,降水呈现不明显的上升趋势,日照时数则呈现明显的下降趋势,变化率为14.6 h·a^-1。（5） 秦岭地区物候参数同0 ℃、5 ℃和10 ℃界限温度、降水、日照时数相关性分析表明,全球变化下的升温作用是影响秦岭森林物候变化的主要因子,升温作用导致SOG提前,EOG推迟、LOG延长,主要集中在秦岭南北麓1 000~2 000 m之间,秦岭东部伏牛山低海拔区境内相关性最低,表明受温度制约较小。     

基于蒙特卡洛生存分析探究东北森林物候的影响因素

植被是生态环境变化的指示器,分析植被物候的影响因素不仅有助于气候变化分析,提高区域气候模式的模拟精度,而且对于准确评估植被生长趋势、生产力以及全球碳收支均具有重要意义。基于遥感的植物物候监测已取得了长足的发展和进步,但当前利用大范围、长时间序列的遥感数据分析植被物候影响因素的研究尚不多,采用线性回归模型对非线性的植被物候影响因素进行分析可能存在偏误。因此,本文提出一种基于蒙特卡洛模拟的生存分析方法,对东北森林物候的影响因素进行量化分析。首先利用东北森林地区1982-2009年间AVHRR GIMMS NDVI数据,应用双Logistic曲线拟合方法对植被春季返青期（SOS）、秋季落叶期（EOS）及植被生长期（GSL）进行提取;然后基于蒙特卡洛模拟和生存分析构建植被物候影响因素分析模型;最后运用所构建模型探讨了东北森林区春季返青期、秋季落叶期的可能影响因素。结果发现：温度、降水和风力对中国东北森林关键物候期有一定影响,其中温度是春季返青期和秋季落叶期的最主要驱动因素,长期平均温度比短期内的温度突变对物候影响更显著,落叶期前的风速增加有可能使落叶时间提前;除了环境因素,春季返青早的年间秋季落叶倾向于更晚。研究表明,结合蒙特卡洛方法的生存分析可以较好地对物候期的影响因素进行定量分析,可为物候现象的归因分析提供一种新的方法。     

生态系统模型中物候的参数化方法研究进展

物候和叶面积指数的季节动态在落叶林中是决定生态系统净生产力的关键因素。尽管物 候对能量和CO2 通量的影响可以简单地通过描述发芽和落叶的时间以及叶面积指数的季节动态 来表示, 但是由于对驱动物候的物理过程缺乏全面正确的理解, 在陆地生态系统模型中物候就成 为最难以参数化的一个过程。目前, 在陆地生态系统模型中描述物候主要有两种不同的方法: 一 种是基于气候变量( 主要是温度或积温) 的经验方法, 即是通过建立物候不同阶段与气候变量的 经验关系来预测关键物候事件发生的时间。另一种方法是基于碳吸收的物候参数化方案, 物候的 任何阶段都和当前的碳平衡相联系。在生态系统模型中, 基于碳吸收的物候参数化方法可以大大 降低物候模拟的经验性, 提高模型的适用性和模拟精度, 比基于气候变量的经验模型更适于模拟 未来气候变化影响。未来随着生理和分子水平上, 对控制物候和LAI 动态过程机理的揭示, 建立 基于过程的物候参数化方案和LAI 动态模拟模型就成为生态系统模型或气候模型的发展方向。     

春华秋实皆素材 四季佳景入题来——例谈物候的命题角度

一、利用物候现象作为单一的时空信息命制试题 我国陆地疆域主要分布在温带地区,四季变化明显,不同季节的物候现象差异显著。义务教育阶段的相关课程已经涉及了我国标志性物候,加之考生在日常生活中可通过各种途径了解我国标志性物候,如“春桃夏荷秋菊冬梅”通过历代文人诗句的描写已经人尽皆知,故地理试题中的标志性物候并不会给考生造成理解上的困难。将包含物候现象的诗句设置为试题情境或选项,要求考生判断春、夏、秋、冬四个季节,既能摆脱考试冷冰冰的面孔,又能考查考生的综合素质,是常见的命题角度。     

基于Sentinel-2时间序列数据及物候特征的棉花种植区提取

棉花是中国重要的经济作物,在新疆大面积种植。及时、准确获取棉花种植面积,对农业政策制定与农业经济发展有重要意义。以渭干河—库车河三角洲绿洲棉花为主要研究对象,利用2018—2020年（1景/1月）36景哨兵2号（Sentinel-2）数据,构建归一化植被指数（Normalize difference vegetation index,NDVI）和红边归一化植被指数（Red edge normalize difference vegetation index,RENDVI₇₈₃）时序数据;采用Savitzky-Golay（S-G）滤波法对时序数据进行平滑、重构并提取11个物候特征;利用袋外误差法对11个物候特征进行特征优选;在此基础上利用重构后的时序数据（NDVI Fit）、（RENDVI₇₈₃ Fit）、物候特征（RENDVI₇₈₃ Ph）、物候特征优选组合构建6种不同的特征数据集,利用随机森林分类（RFC）方法分别进行分类和提取,并采用最大似然分类方法和支持向量机分类方法对分类效果进行验证。结果表明：（1） NDVI和RENDVI₇₈₃时序数据变化趋势较为一致,棉花在5月（苗期）到8月初（开花盛期）有明显的上升趋势,在8月末至9月（花铃期）达到峰值。相比NDVI,红边波段构成的RENDVI₇₈₃时序曲线峰值从0.7提高到0.9,棉花区分效果更佳。（2） 11个物候特征中拟合函数最大值、生长季长度、生长季振幅、生长季结束、生长季大积分和生长季小积分对分类的贡献性最大,重要性得分分别为1.43、1.40、1.23、1.16、1.02和1.01。（3） RFC方法对特征数据集（RENDVI₇₈₃ Fit+物候特征优选组合）分类精度最佳。总体精度和Kappa系数分别为92.20%和0.92。（4） 研究区内棉花分类精度达到了91.02%,种植面积约为3424 km²,占研究区总面积的24.67%。     

Research on Forest Phenology Prediction based on LSTM and GRU Model

Research on forest phenology is an important parameter related to climate and environmental changes. An optical camera was used as a near-earth remote sensing satellite device to obtain forest images, and the data of Green excess index (GEI) in the images were calculated, which was fitted with the seasonal variation curve of GEI data by double Logistic method and normalization method. LSTM and GRU deep learning models were introduced to train and test the GEI data. Moreover, the rationality and performance evaluation of the deep learning model were verified, and finally the model predicted the trend of GEI data in the next 60 days. Results showed: In the aspects of forest phenology training and prediction, GRU and LSTM models were verified by histograms and autocorrelation graphs, indicating that the distribution of predicted data was consistent with the trend of real data, LSTM and GRU model data were feasible and the model was stable. The differences of MSE, RMSE, MAE and MAPE between LSTM model and GRU model were 0.0014, 0.013, 0.008 and 5.26%, respectively. GRU had higher performance than LSTM. The prediction of LSTM and GRU models about GEI data for the next 60 days both showed a trend chart consistent with the change trend of GEI data in the first half of the year. GRU and LSTM were used to predict GEI data by deep learning model, and the response of LSTM and GRU deep learning models in forest phenology prediction was realized, and the performance of GRU was better than that of LSTM model. It could further reveal the growth and climate change of forest phenology in the future, and provide a theoretical basis for the application of forest phenology prediction.     

基于Forest-DNDC的长白山阔叶红松林土壤碳氮温室气体通量的模拟研究（英文）

土壤温室气体排放是土壤与大气之间的温室气体交换的重要途径,但对土壤温室气体排放动态变化的理解和收支水平的估算仍存在较大的不确定性。基于动态箱原位监测的高频、连续土壤温室气体通量数据,本研究初步检验了生物地球化学模型(Forest-DNDC)对长白山阔叶红松林(CBF)土壤CH_4、CO_2和N_2O温室气体通量的模拟效果。结果显示,当前版本的Forest-DNDC可以反演得到土壤温度、土壤湿度和积雪等主要环境要素的总体变化趋势,但是对于环境要素季节变化的准确模拟尚存在较明显偏差,特别是在非生长季节。模拟得到的土壤CH_4通量与监测结果相当接近,并且受到了土壤温度和积雪变化的显著调控。受温度变化的影响,模拟CO_2通量的季节变化与测定值相似,均在夏季达到高峰,但模拟的土壤CO_2排放量明显小于实际测定结果。与监测的土壤N_2O通量在春季冻融期间出现排放高峰的变化显著不同的是,模拟土壤N_2O通量主要受温度变化的影响,其最大值出现在夏季。因此,有必要结合更长时段的土壤温室气体监测数据,进一步优化模型参数与过程,特别是土壤水热传导和温室气体的产生过程等,为模拟改进和生态系统碳氮收支评估,以及从站点到区域的扩展提供支撑。     

Modelling Soil Greenhouse Gas Fluxes from a Broad-leaved Korean Pine Forest in Changbai Mountain: Forest-DNDC Model Validation

Fluctuations in soil greenhouse gas (GHG) are an important part of the terrestrial ecosystem carbon-nitrogen cycle, but uncertainties remain about the dynamic change and budget assessment of soil GHG flux. Using high frequency and consecutive soil GHG fluxes measured with an automatic dynamic chamber system, we tested the applicability of the current Forest-DNDC model in simulating soil CH₄, CO₂ and N₂O fluxes in a temperate broad-leaved Korean pine forest at Changbai Mountain. The results showed that the Forest-DNDC model reproduced general patterns of environmental variables, however, simulated seasonal variation in soil temperature, snow melt processes and soil moisture partly deviated from measured variables, especially during the non-growing season. The modeled CH₄ flux was close to the field measurement and co-varied mainly with soil temperature and snowpack. The modeled soil CO₂ flux had the same seasonal trend to that of the observation along with variation in temperature, however, simulated CO₂ flux in the growing season was underestimated. The modeled N₂O flux attained a peak in summer due to the influence of temperature, which was apparently different from the observed peak of N₂O flux in the freeze-thaw period. Meanwhile, both modeled CO₂ flux and N₂O flux were dampened by rainfall events. Apart from consistent estimation of annual soil CH₄ flux, the annual accumulation of CO₂ and N₂O was underestimated. It is still necessary to further optimize model parameters and processes using long-term high-frequency observation data, especially transference of heat and water in soil and GHG producing mechanism. Continues work will improve modeling, ecosystem carbon-nitrogen budget assessment and estimation of soil GHGs flux from the site to the region.     

坡向和微地形对大型土壤动物空间分布格局的影响

尽管在景观和区域尺度上对土壤动物空间分布格局的研究已较多,但在小尺度上对局部微生境条件如何影响土壤动物多样性及其空间分布格局的研究还很少。以典型温带次生林为研究对象,采用样方法系统调查了林地阴坡和阳坡4个不同地形部位大型土壤动物群落的密度,并测定了不同地形部位的生境条件。采用三因子方差分析和对应分析等方法定量研究了坡向和地形部位对大型土壤动物群落密度的空间分布格局的影响。主要表现在：①在采集到的160个土壤样品中共检测到动物个体4 148个,分别隶属于26个不同的土壤动物类群;②坡向和地形部位对土壤动物的空间分布格局有显著的影响,但不同土壤动物类群对坡向和地形部位的响应模式存在一定的差异,这种差异的形成可能与不同土壤动物类群的生活习性和生物学特征密切相关。其结论是：在小尺度上,林地的坡向和微地形条件主要通过影响局部小生境的生物和非生物因子组合特征而对土壤动物的空间分布格局产生重要影响。     

云南石林景区主要乡土植物物候特征的初步研究

为掌握石林景区主要乡土植物物候节律,选择25科35种乡土植物,对其物候特征与同期主要气象因子进行了2 a平行观测。结果表明,在2月气温达到10℃,有46%的植物开始萌动;3月气温持续增高并超过15℃,展叶的植物最多,占57.1%;开花期集中在3~6月,尤其在5月温度超过20℃,有82.9%的树种开花;果实成熟期则分散在4~12月。各个物候期的平均温度和≥5℃积温与植物物候表现较为密切,光照和温度对植物开花和结实期影响较大。根据乡土植物物候特征,结合喀斯特山地自然景观特点和景区适配植物群落建设,提出“石中有树,树中有石”的配置原则,筛选在时空格局上适应喀斯特山地环境的观赏植物,构建出与石林喀斯特景观相协调的植被景观,增加景区景观和生态价值,提升景区的内涵。     

Greenness Index from Phenocams Performs Well in Linking Climatic Factors and Monitoring Grass Phenology in a Temperate Prairie Ecosystem

Near-surface remote sensing (e.g., digital cameras) has played an important role in capturing plant phenological metrics at either a focal or landscape scale. Exploring the relationship of the digital image-based greenness index (e.g., Gcc, green chromatic coordinate) with that derived from satellites is critical for land surface process research. Moreover, our understanding of how well Gcc time series associate with environmental variables at field stations in North American prairies remains limited. This paper investigated the response of grass Gcc to daily environmental factors in 2018, such as soil moisture (temperature), air temperature, and solar radiation. Thereafter, using a derivative-based phenology extraction method, we evaluated the correspondence between key phenological events (mainly including start, end and length of growing season, and date with maximum greenness value) derived from Gcc, MODIS and VIIRS NDVI (EVI) for the period 2015-2018. The results showed that daily Gcc was in good agreement with ground-level environmental variables. Additionally, multivariate regression analysis identified that the grass growth in the study area was mainly affected by soil temperature and solar radiation, but not by air temperature. High frequency Gcc time series can respond immediately to precipitation events. In the same year, the phenological metrics retrieved from digital cameras and multiple satellites are similar, with spring phenology having a larger relative difference. There are distinct divergences between changing rates in the greenup and senescence stages. Gcc also shows a close relationship with growing degree days (GDD) derived from air temperature. This study evaluated the performance of a digital camera for monitoring vegetation phenological metrics and related climatic factors. This research will enable multiscale modeling of plant phenology and grassland resource management of temperate prairie ecosystems.     

Ecosystem Carbon Allocation of a Temperate Mixed Forest and a Subtropical Evergreen Forest in China

Ecosystem carbon allocation can indicate ecosystem carbon cycling visually through its quantification within different carbon pools and carbon exchange. Using the ecological inventory and eddy covariance measurement applied to both a mature temperate mixed forest in Changbai Mountain (CBM) and a mature subtropical evergreen forest in Dinghu Mountain (DHM), we partitioned the ecosystem carbon pool and carbon exchange into different components, determined the allocation and analyzed relationships within those components. Generally, the total carbon stock of CBM was slightly higher than that of DHM due to a higher carbon stock in the arbor layer at CBM. It was interesting that the proportions of carbon stock in vegetation, soil and litter were similar for the two mature forests. The ratio of vegetation carbon pool to soil carbon stock was 1.5 at CBM and 1.3 at DHM. However, more carbon was allocated to the trunk and root from the vegetation carbon pool at CBM, while more carbon was allocated to foliage and branches at DHM. Moreover, 77% of soil carbon storage was limited to the surface soil layer (0-20 cm), while there was still plentiful carbon stored in the deeper soil layers at DHM. The root/shoot ratios were 0.30 and 0.25 for CBM and DHM, respectively. The rates of net ecosystem productivity (NPP) to gross ecosystem productivity (GPP) were 0.76 and 0.58, and the ratios of ecosystem respiration (Re) to GPP were 0.98 and 0.87 for CBM and DHM, respectively. The net ecosystem carbon exchange/productivity (NEP) was 0.24 t C ha^-1 yr^-1 for CBM and 3.38 t C ha^-1 yr^-1 for DHM. Due to the common seasonal and inter-annual variations of ecosystem carbon exchange resulting from the influence of environmental factors, it was necessary to use the long record dataset to evaluate the ecosystem sink capacity.     

基于两种无人机航拍影像的林窗和林冠提取分析

森林冠层和林窗的结构及其时空变化是理解森林生态系统格局、动态变化过程的重要基础。在当前生物多样性监测倍受关注的契机下,如何以合适的手段准确描述林窗面积、分布等特征,并与森林固定样地监测数据有效地结合,更好地回答群落构建的理论问题,使森林群落物种多样性维持机制得到更全面的认识,是目前亟待解决的问题。以鼎湖山南亚热带常绿阔叶林20hm2固定监测样地为研究对象,基于不同遥感影像提取方法对其林窗和林冠表层数据进行提取分析。结果表明:基于监督分类的提取方法适合RGB波段航片林窗的提取,在林窗分类中,应首先确定林窗高度、边界木与最小面积,不同分类方法差异主要表现在林冠分类中,林窗分类生产者精度和用户精度表现都较为一致。无人机航拍识别率受地形因素影响较大,在地形复杂林地应按坡度分区域进行飞行以降低误差。相对于地面调查,MD4-1000无人机航片的林窗识别率为98.7%;大疆Phantom4无人机航片的林窗识别率为72.3%,影像后期处理数据量小,同样适用于森林林窗定量研究,符合生态学、林业等从业人员对大型样地林窗长期监测的要求。无人机航拍南亚热带森林物种识别难度较大,基于MD4-1000无人机搭载的高分辨率相机,在地势平缓区域优选的4 hm2样地中可识别林冠表层物种数17种,共2 706个个体。搭载高分辨率无人机在降低飞行高度的基础上可进行部分物种识别。应用无人机近地面遥感对森林固定样地进行林冠监测,可为后期群落构建研究提供数据基础,有望从新的研究角度探讨森林群落物种多样性维持机制。     

基于GIS的深圳梧桐山林地增长预测与削减径流生态效益评估

基于2005年深圳市0.3 m分辨率的航片与梧桐山8个林地样方数据,通过ArcView软件平台,利用CITYgreen生态价值评估模型,计算2005年梧桐山林地削减径流的生态效益。并以2005年为初始年,以10年为周期,预测2015—2055年林地生长趋势与生态效益。结果表明:2015年、2025年、2035年、2045年与2055年梧桐山林地增长率分别为14.23%、12.27%、12.09%、11.68%、12.85%;2005年削减径流的生态效益为3.74亿元,2015年、2025年、2035年、2045年与2055年预测值分别为3.89亿元、4.03亿元、4.19亿元、4.35亿元与4.52亿元。林地生长与生态效益增长态势不均衡与不同树木的生命周期及其特性相关。