2006年夏季发生在川渝地区的高温干旱,使农作物减产失收、草地和森林长势差、水体蓄水锐减,江河断流,库塘干涸,大部分生态系统供给、支持等服务功能降低。然而,干旱监测与评估确是一个公认的难题。从土壤干旱大气干旱到生理干旱等[1-4],仅干旱指标,我国就有228种以上[5]。目前我国实用的干旱监测与评估,多靠气象资料记录或土壤湿度测量,进行旱涝等级的划分[6-7],建立预测预警模型[8-9],开展经济影响评估等[10]。随着遥感技术在资源环境监测中的应用,遥感干旱监测研究取得了长足进展。遥感干旱监测对象既有土壤水分含量[11],也有干旱条件[12]、植物水分胁迫等[13];监测尺度从一个特定的地区[14]、一个国家[15],到全球范围;监测方法由个例分析到统计应用,到模拟模型[16-17],到大面积干旱监测的业务流程[18]。
另一方面,植被净第一性生产力(NPP)作为陆地生态系统中物质与能量运转研究的基础,在定量研究生态环境演变及其与气候相互作用和影响方面扮演着极为重要的角色。NPP反映了植物群落在自然条件下的生产力,是一个估算地球支持能力和评价陆地生态环境状况的一个重要标志[19]。卫星遥感技术的发展,从多时相、多波段、多角度遥感信息提取地表覆盖状况、植被吸收的光合有效辐射等估算陆地NPP所必须的植被参数和环境变量,这为遥感反演陆地植被NPP的分布及其变化提供了强有力的手段。而以气象条件为主要驱动因子,在NPP估算的基础上,进行高温干旱的生态气象监测与评估尚不多见。
1 模型与指标 1.1 模型大范围陆地植被净第一性生产力主要以模型估算为主。根据模型的难易程度、对各种调控因子的侧重点及对NPP调控机理的解释,现有模型分为气候统计模型、过程模型和光能利用率模型[20]。气候统计模型通过建立NPP与地面气候资料的统计关系来估计NPP,如Mi ami模型、Thornthwaite Memorial模型、Chikugo模型等[21, 22]。过程模型则根据植物生理、生态学原理来研究植物生产力,时间尺度都比较短,通常以一天或小于一天作为模拟步长,如BEPS模型、CASA模型、FOREST-BGC模型等[23-26],这些模型过程比较复杂,参数比较多,有些参数获取困难并且难以定量化,因此实用性较差。光能利用率模型,由植被指数来确定植被所吸收的光合有效辐射(APAR),通过光能利用率获得植被干物质的增长。由于光能利用率模型形式简单,且可以直接利用遥感数据,使其成为遥感估算NPP的主要模型。
植被净第一性生产力(NPP)主要由APAR与光能转化率(ε)两个变量来表示。即:
![]() |
式中NPP(x, t)表示空间位置x上的植被在t时间内的净第一性生产力;APAR(x, t)表示空间位置x上的植被在t时间内所吸收的光合有效辐射;ε(x, t)表示空间位置x上的植被在t时间内的光能转换率。
APAR取决于太阳总辐射和植被对有效辐射的吸收比例,利用每月NDVI数据、太阳总辐射、植被图来计算。光能转化率(ε)表示植被把所吸收的APAR转化为有机碳的效率,主要受气温和水分胁迫的影响。利用土壤水分子模型求算水分胁迫对光能转化率的影响;利用月均温和月NDVI数据求算气温胁迫影响系数。为了利用NPP估算结果对生态环境的相对“优劣”进行动态、客观的监测与评价,构建生态气象评价指数(EMI)模型[27],根据EMI的历史统计规律确定生态与环境气象监测评价指标。
1.2 指标从EMI的概率分布(图 1)可以看出,EMI格点值基本都是正态分布,全国大部分格点的EMI值都在±25之内。结合对典型地区的实地调查,把生态环境的“优劣”分为“很好、较好、正常、较差、很差”5个评价等级,确定如下评价指标(表 1)。
![]() |
图 1 生态监测气象评价指数(EMI)的概率分布 |
![]() |
表 1 生态监测气象评价指标 |
2006年夏季,重庆、四川生态气象评价指数(EMI)较常年同期偏低,其中四川生态气象评价指数为-10,重庆为-19。四川有33%的地区生态气象等级处于较差或很差等级,主要分布于四川盆区以及川西高原的部分地区。川西高原、川南山区以及盆周山区大部生态气象等级基本正常,川南部分地区则较好。重庆有43%的地区生态气象等级处于较差或很差等级,主要分布于重庆的中西部(图 2,见彩页)。长时间的干旱、高温天气,严重影响了地表植被的生长发育,受到高温干旱影响较小的地区,生态气象等级基本正常或较好。
![]() |
图 2 2006年夏季川渝地区生态气象等级分布图 |
6月份,四川、重庆生态气象等级多处于正常等级以下,大部分地区为较差或很差等级,但很差等级的范围尚没有大面积连片(图 3,见彩页)。这与6月份降水偏少,其中四川盆地中北部和西部、重庆中东部偏少5成以上正好吻合。
![]() |
图 3 2006年6月川渝地区生态气象等级分布图 |
7月份,四川和重庆大部生态气象等级为正常、偏好等级,较差和很差生态气象等级的范围缩小(图 4,见彩页),与7月上旬降水偏多,旱情缓解相一致。
![]() |
图 4 2006年7月川渝地区生态气象等级分布图 |
8月份,重庆和四川生态气象等级处于较差或很差的范围再次扩大并且集中连片,很差生态气象等级的范围主要分布在四川盆区和重庆中西部(图 5,见彩页)。
![]() |
图 5 2006年8月川渝地区生态气象等级分布图 |
夏季是川渝地区水稻、玉米等大春作物旺盛生长和决定穗数、粒数和粒重的关键时节。2006年夏季,川渝大部农田除了7月份生态气象等级处于正常等级外,其余月份生态气象等级较常年明显偏差,其中8月份四川盆地中东部、重庆中西部处于很差等级(图 6、7,见彩页,表 2)。
![]() |
图 6 2006年6月川渝地区农田生态气象等级 |
![]() |
图 7 2006年8月川渝地区农田生态气象等级 |
![]() |
表 2 2006年6—8月川渝地区不同覆盖类型生态气象评价指数 |
2006年6月与8月川渝大部地区草灌生态气象等级处于较差和很差等级,生态气象条件低劣,其中四川盆区和重庆大部生态气象条件较常年偏差明显,而且夏季大部分时段都处于较常年较差级别(图 8、9见彩页,表 2)。
![]() |
图 8 2006年6月川渝地区草灌生态气象等级 |
![]() |
图 9 2006年8月川渝地区草灌生态气象等级 |
川渝地区森林面积占国土面积的38%,仅次于草地。其主要分布于四川北部、西部和南部地区。2006年夏季川渝地区森林生态气象等级大部地区处于正常或较好等级(图 10、11,见彩页,表 2)。高温干旱主要发生在四川盆地和重庆大部等非林区,而四川北部、西部和南部等主要林区水分条件尚好。另外,森林属深根系植被,能够利用地下较深的土壤水分,抗旱能力较强,干旱对其影响要小,在高温少雨的情况下,往往光热充足,森林光合效率高。
![]() |
图 10 2006年6月川渝地区林地生态气象等级 |
![]() |
图 11 2006年8月川渝地区林地生态气象等级 |
但是,高温、干旱导致森林火灾的危险性增高。四川中东部和重庆大部由于受持续高温干旱的影响,火灾发生频繁,至8月13日重庆市发生火灾次数达70多起。虽川渝地区森林生态气象等级大部地区处于正常或较好等级,但森林植被长势差于近三年同期。
3.4 城镇干旱情况下,城镇植被水分入不敷出,尤其是在水分得不到补充的情况下,植被长势较差。加之其地表温度更高、蒸散更加强烈,2006年川渝城镇生态气象评价指数-58以下,处于很差等级(表 2)。
4 结论与讨论基于植物第一性生产力(NPP)光能利用率模型估算,所构建的生态气象监测评估模型,计算得到的生态气象评价指数,可以对2006年夏季发生在川渝地区的罕见高温干旱所带来的生态环境影响,进行宏观、动态的监测与评估。该方法既可以对整个川渝地区生态状况进行客观定量的监测和评价,也可以进行逐月动态分析,还可以对包括农田、森林、草灌、城市与其它等不同地表覆盖类型进行生态气象评价和等级计算。
2006年夏季四川、重庆罕见的高温干旱已造成农田、森林、草地、城市等生态系统的供应、支持等服务功能降低。川渝地区生态气象评价指数较常年同期偏低,其中四川33%、重庆43%的地区生态气象等级较差或很差。两地6月与8月生态气象等级较差的范围大,7月较小。各生态系统中,城镇等生态气象等级很差;农田、草灌等明显偏差;林地生态气象等级正常稍差。因此,高温干旱对生态环境的后续影响应给予足够的重视。
虽然高温干旱给四川和重庆造成了很大的损失,但对生态环境的影响,多数还是可逆的,当气象条件得到改善后,还是可以恢复的。灾害发生之后的当务之急是做好统筹规划工作,安排好农业生产、注意蓄水保墒,逐步恢复各类生态系统的服务功能,把灾害带来的损失降到最低。
[1] |
田宏, 徐崇浩, 彭俊, 等. 四川盆地干旱动态评估指标的研究[J]. 气象, 1998, 24(4): 11-15. DOI:10.7519/j.issn.1000-0526.1998.04.002 |
[2] |
刘海隆, 阳作明, 王玲. 重庆市土壤水分盈亏与干旱关系研究[J]. 气象, 2001, 27(11): 40-43. |
[3] |
何永坤, 王勇. 基于水热条件下干旱实时动态监测研究[J]. 气象, 2006, 32(8): 101-106. |
[4] |
樊高峰, 苗长明, 毛裕定. 干旱指标及其在浙江省干旱监测分析中的应用[J]. 气象, 2006, 32(2): 70-74. DOI:10.7519/j.issn.1000-0526.2006.02.013 |
[5] |
冯定原. 我国农业干旱的指标和时空分布特征[J]. 南京气象学院学报, 1992, 15(4): 508-516. |
[6] |
张先恭, 魏凤英. 1980—1991年旱涝分布图[J]. 气象, 1992, 19(4). |
[7] |
魏凤英, 张先恭. 1991—2000年中国旱涝等级资料[J]. 气象, 2001, 27(3): 46-50. DOI:10.7519/j.issn.1000-0526.2001.03.012 |
[8] |
肖志强, 尚学军, 樊明, 等. 陇南伏期旱涝指数及预测模型[J]. 气象, 2001, 27(1): 35-38. DOI:10.7519/j.issn.1000-0526.2001.01.007 |
[9] |
宫德吉. 干旱监测预警指数研究[J]. 气象, 1998, 24(8): 14-17. DOI:10.7519/j.issn.1000-0526.1998.08.003 |
[10] |
王镇铭, 朱惠群, 张文坚, 等. 重大旱涝气象灾害对国民经济的影响评估[J]. 气象, 2001, 27(8): 15-18. DOI:10.7519/j.issn.1000-0526.2001.08.003 |
[11] |
Wang J.R.. Passive Microwave Sensing of Soil Moisture Content: The Effects of Soil Bulk Density and Surface Roughness[J]. Remote sens. Environ., 1983, 11: 329-344. |
[12] |
Tucker C.J., et al. Satellite Remote Sensing of Drought Conditions[J]. Remote Sens. Environ., 1987, 23: 243-251. DOI:10.1016/0034-4257(87)90040-X |
[13] |
Paloscia S., et al. Microwave Remote Sensing of Plant Water Stress[J]. Sens. Environ., 1987, 16: 249-255. |
[14] |
Carlson T.N, et al. Remote Estimation of Soil Moisture Availability and Fractional Vegetation Cover for Agricultural Field[J]. Agric. For. Meteorol., 1990, 52: 45-69. DOI:10.1016/0168-1923(90)90100-K |
[15] |
Liu W.T.H., et al. Satellite Recorded Vegetation Response to Drought in Brazil[J]. Int. J. Climate., 1994, 14: 343-354. DOI:10.1002/(ISSN)1097-0088 |
[16] |
Lin D.S., et al. Compairisons of Remotely Sensed and Model-simulated Soil Moisture Over a Helerogeneous Watered[J]. Sens. Environ., 1994, 48: 159-171. DOI:10.1016/0034-4257(94)90138-4 |
[17] |
田国良. 冬小麦旱情遥感监测模型研究[J]. 环境遥感, 1992, 7(2): 83-89. |
[18] |
董谢琼, 徐虹, 浦吉存, 等. 利用NOAA/AVHRR资料监测云南大面积干旱的业务流程[J]. 气象, 2001, 27(1): 31-34. |
[19] |
Potter C S, Randerson J T, Field C B, et al. Terrestrial Ecosystem Production: a ProcessModel Based on Global Satellite and Surface Data[J]. Global Biogeochemical Cycle, 1993, 7: 811-841. DOI:10.1029/93GB02725 |
[20] |
孙睿, 朱启疆. 陆地植被净第一性生产力的研究[J]. 应用生态学报, 1999, 10(6): 757-760. |
[21] |
里思, 惠特克, 等. 生物圈的第一性生产力[M]. 北京: 科学出版社, 1985: 217-242.
|
[22] |
Uchijima Z, Seino H. Agroclimatic Evaluation of Net Primary Productivity of Natural Vegtation (1): Chikugo Model for Evaluting Productivity[J]. Journal of Agricultural Meteorology, 1985, 40: 343-353. DOI:10.2480/agrmet.40.343 |
[23] |
Potter C.S., Randerson J.T., Field C.B., et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycle, 1993, 7: 811-841. DOI:10.1029/93GB02725 |
[24] |
朴世龙, 方精云, 郭庆华. 利用CASA模型估算我国植被净第一性生产力[J]. 植物生态学报, 2001, 25(5): 603-608. |
[25] |
Liu J, Chen J M, Cihlar J, et al. A process-based boreal ecosystem productivity simulator using remote sensing inputs[J]. Remote Sensing of Environment, 1997, 62: 158-175. DOI:10.1016/S0034-4257(97)00089-8 |
[26] |
郝永萍, 陈育峰, 张兴有. 植被净初级生产力模型估算及其对气候变化的响应研究进展[J]. 地球科学进展, 1998, 13(6): 564-571. |
[27] |
毛留喜, 李朝生, 侯英雨, 等. 2006年上半年全国生态气象监测与评估研究[J]. 气象, 2006, 32(12): 88-95. |