一种气候变化条件下落叶松分布变化和生产力协同估算方法

摘要

本发明公开了一种气候变化条件下落叶松分布变化和生产力协同估算方法，包括以下步骤：确定林场级3PG模型的落叶松人工林树种参数以及林场级的气候数据；输入落叶松人工林树种参数以及气候数据。本发明所述的一种气候变化条件下落叶松分布变化和生产力协同估算方法，能够同时预测林场落叶松人工林的分布和生产力变化，可评估气候变化对落叶松人工林的影响，可以详细评估落叶松当前和未来气候变化条件下生长的主要气候限制因子以及落叶松分布和生产力的变化，这种变化是在一个统一的框架下相互影响的，具有生物学解释意义，提供森林管理者感兴趣的生产力主要变量，可以在空间和时间上协同评估未来落叶松人工林的分布和生长潜力。

说明书

技术领域

本发明涉及林学和森林经理学领域，特别涉及一种气候变化条件下落叶松分布变化和生产力协同估算方法。

背景技术

落叶松是我国重要的针叶树种之一，是我国重要值排名第四的乔木树种，根据中国森林资源报告(2014-2018)，用材林中落叶松林面积398.55万公顷，面积占5.86％，大约80.83亿株，蓄积93630万立方米。落叶松在环境、木材供应和人类社会中发挥着重要作用。温度和降水等气候因素强烈影响落叶松的生理特征，气候变化可能会改变该树种未来的分布和生长。中国正在经历温度、降水等方面的气候变化，以及相应的季节性和区域性变化。在这种不断变化的气候条件下，尚不清楚各地的落叶松人工林的历史上的分布和生产力是否会像现在这样保持。

传统的统计生长收获方程通常用于预测落叶松人工林未来的林分生长，但是其模型变量中没有温度和降水等气候因素，预测未来的生长是基于过去的气候与生长关系，因此在更易变的未来气候条件下估计林分生长的能力有限。

在传统的生长收获方程加入生物地理和气候因子构建的线性回归模型泛化性不好，非线性回归模型容易过拟合，在区域尺度的推广性差，生物学解释性也不高，这些方法无法也没有被同时用来模拟未来气候的变化下落叶松人工林适应性地理分布的变化。

由于未来气候的变化可能会改变落叶松的地理分布结构，常规上通过建立物种分布模型和最大熵模型来预测未来气候变化下落叶松地理分布的变化，但是这种方法通常需要复杂的算法和详细的参数化，而且不能同时预测气候变化条件下落叶松人工林生长的变化，为此，我们提出一种气候变化条件下落叶松分布变化和生产力协同估算方法。

发明内容

本发明的主要目的在于提供一种气候变化条件下落叶松分布变化和生产力协同估算方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种气候变化条件下落叶松分布变化和生产力协同估算方法，包括以下步骤：

(1)、确定林场级3PG模型的落叶松人工林树种参数以及林场级的气候数据；

(2)、输入落叶松人工林树种参数以及气候数据，运行3PG模型得到林场4个气候调节因子的值；

(3)、将4个气候调节因子的值和林场落叶松分布数据输入决策分类树模型，得到落叶松存在与气候变量的决策树，4个气候调节因子的落叶松分布阈值范围；

(4)、输入4个气候调节因子的落叶松分布阈值范围、未来气候变化情景下气候数据，运行决策分类树模型，得到两种碳排放情景下未来气候变化情景下落叶松的分布；

(5)、输入落叶松人工林树种参数、未来气候变化情景下气候数据和未来气候变化情景下落叶松的分布，运行3PG模型，得到未来时间的落叶松生产力。

优选的，步骤(1)中落叶松人工林树种参数通过相关文献的查找、参数的拟合、模型的反复验证以及对于系统参数的默认方法获取。

优选的，步骤(1)中林场级的气候数据包括当前和未来气候变化下特定区域的气候数据，采用ClimateAP提取并降尺度PRISM和WorldClim多个基准时期1961-1990年的月正常数据(2.5×2.5弧分钟，4×4千米)，以产生基于纬度、经度和海拔的特定位置空间分辨率自适应的季节和年度气候变量；

数据为林场20×20m的每个月份的月平均最低温度、月最高温度和月平均降雨量的栅格数据；

未来时期的气候数据，包括2020年代(2010-2039年)、2050年代(2040-2069年)和2080年代(2070-2100年)，来自IPCC第五次评估报告(IPCC 2014年)中的耦合模式相互比较项目的大气环流模型；

两种温室气体排放情景(RCPs 4.5和RCPs 8.5)，提供了三个全球气候模型的RCPs4.5和RCPs 8.5在2011-2100年期间的月预测时间序列；

RCP8.5路径则模拟的是到2100年温升5摄氏度的情景为高端路径；RCP4.5情景是通过采取一系列技术和措施来控制温室气体排放不超过目标水平，并使总辐射强迫在2100年之前达到稳定的中间稳定路径；

使用1981年至2010年期间的月数据的气候平均值(30年平均值)来表示参考或当前气候条件。

优选的，步骤(2)中输入的数据为气候数据、物种参数和立地变量，气候数据按月时间步长提供，包括总短波辐射、平均降水量、霜冻天数以及最低和最高温度，立地变量包括土壤深度、可用土壤水分(ASW)、林分初始密度和林分年龄。

优选的，步骤(2)中数据输入到3PG模型中后运行模型20年，得出落叶松人工林范围当前气候条件下林分生长和林分生产力，按照每年每月提取4个气候调节因子，即土壤有效水、温度、霜冻和大气水汽压差(VPD)限制光合作用的程度。

优选的，步骤(3)的具体步骤如下所示：

①、应用决策树分析来评估3PG气候调节因子预测落叶松分布的范围；

②、决策树分析采用10倍交叉验证技术，从使用所有可用数据开始；

③、仅用落叶松存在数据用于训练决策树模型，预测落叶松分布，并根据实际落叶松存在/不存在数据进行评估方法精度评估。

优选的，步骤(4)中运行决策分类树模型时，分别用RCPs 4.5和RCPs 8.5气候变化情景下生成的未来某要预测年份的气候数据，计算每年每月四个气候调节因子的值，即土壤有效水、温度、霜冻和大气水汽压差。然后，输入4建立的决策树模型，应用4建立的四个气候调节因子的阈值规则，得到RCPs4.5和RCPs 8.5气候变化情景下落叶松人工林的存在点，也就是落叶松人工林的未来潜在分布。

优选的，步骤(5)中预测未来时间的落叶松生产力时将落叶松分布数据用作掩模，裁剪到预测存在落叶松的位置；

将其作为落叶松立地输入数据，同时输入落叶松生理参数、RCPs 4.5和RCPs 8.5情景下的气候数据，3PG第二次和第三次运行到未来若干年，在达到最大LAI和冠层闭合后停止模拟，得到相应年的落叶松人工林生产力。

优选的，步骤(5)中落叶松人工林生产力可以以年或月时间步长输出，包括的变量有林分密度、叶面积指数、平均年生长量(MAI)、平均胸径(DBH)、林分蓄积量和断面积。

与现有技术相比，本发明一种气候变化条件下落叶松分布变化和生产力协同估算方法具有如下有益效果：

1、本方法能够同时预测林场落叶松人工林的分布和生产力变化，可评估气候变化对落叶松人工林的影响；

2、本发明可以详细评估落叶松当前和未来气候变化条件下生长的主要气候限制因子以及落叶松分布和生产力的变化，这种变化是在一个统一的框架下相互影响的，具有生物学解释意义；

3、本发明提供森林管理者感兴趣的生产力主要变量，包括林分密度、叶面积指数、平均年生长量(MAI)、平均胸径(DBH)、林分蓄积量和断面积，可以在空间和时间上协同评估未来落叶松人工林的分布和生长潜力。

附图说明

图1为本发明一种气候变化条件下落叶松分布变化和生产力协同估算方法的流程框图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

实施例

一种气候变化条件下落叶松分布变化和生产力协同估算方法，包括以下步骤：

(1)、确定林场级3PG模型的落叶松人工林树种参数以及林场级的气候数据；

3PG模型是由关键生理参数驱动的生理模型；3PG模型是一个简化的基于过程的单物种林分生长模型；3PG模型利用可利用的、吸收的光合有效辐射和冠层量子效率计算总初级生产力(GPP)。3PG模型经过相对简化，应用了成熟的生理关系和已证实的常数，3PG模型不需要计算呼吸；相反，该模型使用净初级生产总值(NPP/GPP)的比率。3PG还产生树木生物量对茎、叶和根的分配方程，3PG模型利用无量纲数字范围从0到1的气候调节因子，代表了气候因素通过土壤有效水、温度、霜冻和大气水汽压差(VPD)限制光合作用的程度。3PG模型在林分水平上估计给定树种的立地生产力和气候调节因子，立地生产力以年或月时间步长表示，包括林分密度、叶面积指数、平均年生长量(MAI)、平均胸径(DBH，也称为DOB1.3)、林分蓄积量和断面积。

落叶松人工林树种参数不需要每次都根据经验进行拟合，后面的计算中就使用这些树种参数，但是使用模型时必须确定落叶松人工林树种参数。

落叶松人工林树种参数通过相关文献的查找、参数的拟合、模型的反复验证以及对于系统参数的默认方法获取，落叶松人工林树种生理参数需要在生物学参数允许的范围内，客观、系统地进行参数优化调整，并利用独立样本，验证模型的预测效果，关键生理参数表如下所示：

林场级的气候数据包括当前和未来气候变化下特定区域的气候数据，采用ClimateAP提取并降尺度PRISM和WorldClim多个基准时期1961-1990年的月正常数据(2.5×2.5弧分钟，4×4千米)，以产生基于纬度、经度和海拔的特定位置空间分辨率自适应的季节和年度气候变量；

未来时期的气候数据，包括2020年代(2010-2039年)、2050年代(2040-2069年)和2080年代(2070-2100年)，来自IPCC第五次评估报告(IPCC 2014年)中的耦合模式相互比较项目的大气环流模型；

两种温室气体排放情景(RCPs 4.5和RCPs 8.5)，提供了三个全球气候模型的RCPs4.5和RCPs 8.5在2011-2100年期间的月预测时间序列；

RCP8.5路径则模拟的是到2100年温升5摄氏度的情景为高端路径；RCP4.5情景是通过采取一系列技术和措施来控制温室气体排放不超过目标水平，并使总辐射强迫在2100年之前达到稳定的中间稳定路径；

数据为林场20×20m的每个月份的月平均最低温度、月最高温度和月平均降雨量的栅格数据；

使用1981年至2010年期间的月数据的气候平均值(30年平均值)来表示参考或当前气候条件(即基线)。

(2)、输入落叶松人工林树种参数以及气候数据，运行3PG模型得到林场4个气候调节因子的值；

3PG模型输入的数据为气候数据、物种参数和立地变量，气候数据按月时间步长提供，包括总短波辐射、平均降水量、霜冻天数以及最低和最高温度，立地变量包括土壤深度、可用土壤水分(ASW)、林分初始密度和林分年龄。

数据输入到3PG模型中后运行模型20年，得出落叶松人工林范围当前气候条件下林分生长和林分生产力，按照每年每月提取4个气候调节因子，即土壤有效水、温度、霜冻和大气水汽压差(VPD)限制光合作用的程度。

3PG模型得到落叶松人工林范围的环境约束是利用无量纲数字范围从0到1的气候调节因子，代表了气候因素通过白天大气水汽压差(VPD)不足、土壤水分不足和极端最低/最高温度限制光合作用的程度。

依据落叶松人工林的具体分布确定四季，例如东北地区确定冬季(11月至4月)、春季(5月至6月)、夏季(7月至8月)和秋季的(9月至10月)。

(3)、将4个气候调节因子的值和林场落叶松分布数据输入决策分类树模型，得到落叶松存在与气候变量的决策树，4个气候调节因子的落叶松分布阈值范围；

具体步骤如下所示：

①、应用决策树分析来评估3PG气候调节因子预测落叶松分布的范围；

决策树方法，将落叶松的存在或不存在数据作为因变量，相应的每个落叶松存在或不存在点的4个气候调节因子值作为自变量，分成一系列选择，这些选择不仅确定每个气候调节因子即约束变量的重要性，还建立落叶松存在的4个气候调节因子(约束变量)阈值。

②、决策树分析采用10倍交叉验证技术，从使用所有可用数据(参考树)开始；

整个数据集被随机分成10个大小相等的组(或折叠)，一个集合被保留，而另外九个集合在一起并生成一个模型，使用模型开发中未使用的剩余10％的数据来评估模型的准确性，这个过程重复十次，产生十个不同的测试树和十个不同的准确度评估，然后，十个模型的决策规则被合并以产生最终的决策树，通过对十个模拟的独立结果求平均来评估其总体精度，模型总体精度不应小于70％。

③、仅用落叶松存在数据用于训练决策树模型，预测落叶松分布，并根据实际落叶松存在/不存在数据进行评估方法精度评估；

首先生成一些与落叶松存在数量相匹配的随机“伪不存在”落叶松数据。这些点随机分布在整个地区，但是它们必须距离现有存在至少1公里。然后，使用3PG模型生成的4个气候调节因子，使用初始决策树来预测可能的“不存在”落叶松。具有小于或等于30％的“真实”“不存在”落叶松概率的随机“伪不存在”落叶松从“不存在”落叶松列表中删除。最后，使用过滤的“伪”不存在落叶松和存在的落叶松数据建立决策树模型，得到当前的落叶松分布。

(4)、输入4个气候调节因子的落叶松分布阈值范围、未来气候变化情景下气候数据，运行决策分类树模型，得到两种碳排放情景下未来气候变化情景下落叶松的分布；

运行决策分类树模型时，分别用RCPs 4.5和RCPs 8.5气候变化情景下生成的未来某要预测年份的气候数据，计算每年每月四个气候调节因子的值，即土壤有效水、温度、霜冻和大气水汽压差。然后，输入4建立的决策树模型，应用4建立的四个气候调节因子的阈值规则，得到RCPs 4.5和RCPs 8.5气候变化情景下落叶松人工林的存在点，也就是落叶松人工林的未来潜在分布。

(5)、输入落叶松人工林树种参数、未来气候变化情景下气候数据和未来气候变化情景下落叶松的分布，运行3PG模型，得到未来时间的落叶松生产力；

预测未来时间的落叶松生产力时将落叶松分布数据用作掩模，裁剪到预测存在落叶松的位置；

将其作为落叶松立地输入数据，同时输入落叶松生理参数、RCPs 4.5和RCPs 8.5情景下的气候数据，3PG第二次和第三次运行到未来若干年，在达到最大LAI和冠层闭合后停止模拟，得到相应年的落叶松人工林生产力；

落叶松人工林生产力可以以年或月时间步长输出，包括的变量有林分密度、叶面积指数、平均年生长量(MAI)、平均胸径(DBH)、林分蓄积量和断面积。

本发明一种气候变化条件下落叶松分布变化和生产力协同估算方法，本方法能够同时预测林场落叶松人工林的分布和生产力变化，可评估气候变化对落叶松人工林的影响；

本发明可以详细评估落叶松当前和未来气候变化条件下生长的主要气候限制因子以及落叶松分布和生产力的变化，这种变化是在一个统一的框架下相互影响的，具有生物学解释意义；

本发明提供森林管理者感兴趣的生产力主要变量，包括林分密度、叶面积指数、平均年生长量(MAI)、平均胸径(DBH)、林分蓄积量和断面积，可以在空间和时间上协同评估未来落叶松人工林的分布和生长潜力。

本发明基于一种过程的生理模型，即3PG模型，和决策树模型协同估计联合预测落叶松人工林的生产力和分布变化，评估气候变化对落叶松人工林的影响。具体分五个阶段。首先，确定基于过程的生理模型3PG的落叶松人工林的树种参数；然后，将落叶松人工林物种参数和当前气候数据输入到一个基于过程的生理模型中，该模型由每月的气候数据驱动，以得出落叶松人工林范围的环境约束。第三步，把落叶松人工林范围的环境约束和落叶松分布数据代入决策树模型，得到现在气候条件下决定落叶松分布的气候因子规则。第四步，利用决策树规则和决策树模型得到未来气候变化条件下，落叶松人工林的分布。第五步，利用3PG模型和上述得到的落叶松人工林分布，计算未来气候变化条件下落叶松人工林的生产力。本发明适用于林场级的落叶松人工林在未来气候变化条件下分布和生产力的同时估算。

本方法使用了预测生长的生理学原理(3PG)模型，它计算了气候变量影响一个物种的光合作用和生长的程度，其特点是模型可解释的简单性和数据可用性，绘制树种的分布和生产力。一旦分布模型被开发出来，落叶松当前范围变化的程度和生产力就评估出来。然后将这些变量用于决策树模型，制定规则，为预测当前气候条件下物种的分布提供依据。利用未来气候预测，然后模拟未来的落叶松生产力的增长和分布变化。这种双重建模方法有可能量化气候变化对选定物种的影响，并检验气候预测在范围和生产力评估。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。