基于CASA模型的呼伦贝尔牧草产量估算研究

Research on the Estimation of Pasture Yield in Hulunbuir Based on Casa Modeling

摘要: 呼伦贝尔草原是著名的天然牧场，畜牧业也是呼伦贝尔草原地区的基础性产业，充分发挥畜牧业优势对于提高草原地区牧民收入有着重大意义。为获得长时序牧草产量数据，本文利用地理信息和遥感技术，基于CASA模型估算出呼伦贝尔市牧业五旗2001~2020年牧草生长季(5~8月)的牧草产量，并分别用各牧业旗生态观测站的实测产量数据对模拟产量数据进行精度验证。本研究首先阐释CASA模型的基本原理及模型框架，介绍CASA模型中估算牧草产量的两个关键参量：植被吸收的光合有效辐射和实际光能利用率。通过太阳总辐射和植物光合有效辐射吸收比例确定植被吸收的光合有效辐射，通过温度胁迫因子、水分胁迫因子、最大光能利用率确定实际光能利用率，最终计算出2001~2020年呼伦贝尔市牧业五旗牧草生长季的NPP。根据2001~2020年呼伦贝尔地区逐年的土地覆盖数据提取草原用地，经空间统计分析提取出牧业五旗的牧草生长季(5~8月)逐年平均NPP，进而转换成牧草产量。对比分析牧草估测产量与实测产量之间的相关性系数、均方根误差、平均绝对误差三种精度评价指标，验证CASA模型估产精度。实测产量值与估测产量值的相关性系数分布区间为0.76~0.82、均方根误差区间为20.42~24.21 g/m²、平均绝对误差区间为17.94~23.19 g/m²，三项误差指标均在合理误差范围内。结果表明CASA模型模拟出的牧草产量数据精度较高，可为呼伦贝尔畜牧业高质量发展提供技术支撑。

Abstract: Hulunbuir grassland is a famous natural pasture, and animal husbandry is also a basic industry in Hulunbuir grassland area, giving full play to the advantages of animal husbandry is of great significance to improve the income of herdsmen in the grassland area. In order to obtain the long time series pasture yield data, this paper estimates the pasture yield of the pasture growing season (May-August) of the five flags of Hulunbuir City pastoralism from 2001 to 2020 based on CASA model using geographic information and remote sensing technology, and verifies the accuracy of the simulated yield data with the measured yield data from the ecological observatory of each flag of pastoralism, respectively. In this study, the basic principles and model framework of CASA model were firstly explained, and two key parameters for estimating pasture yield in CASA model were introduced: photosynthetically active radiation absorbed by vegetation and actual light energy utilization rate. The photosynthetically active radiation absorbed by vegetation was determined by the ratio of total solar radiation and plant photosynthetically active radiation absorption, and the actual light energy utilization was determined by the temperature stress factor, moisture stress factor, and maximum light energy utilization, and the NPP of the growing season of forage grass in the five flags of pastoral industry in Hulunbuir City from 2001 to 2020 was finally calculated. Based on the year-by-year land-cover data of Hulunbuir area from 2001 to 2020, the NPP of the growing season of pasture grass was extracted. Grassland land was extracted, and the yearly average NPP of the pasture growing season (May-August) in the five banners of pastoralism was extracted by spatial statistical analysis, and then converted into pasture yield. The correlation coefficient, root-mean-square error, and average absolute error of three accuracy evaluation indexes between the estimated and measured pasture yield were comparatively analyzed to verify the accuracy of CASA model estimation. The distribution range of correlation coefficient between measured and estimated yield values was 0.76~0.82, the root mean square error range was 20.42~24.21 g/m², and the average absolute error range was 17.94~23.19 g/m², and the three kinds of error indexes were all within the reasonable error range. The results showed that the CASA model simulated pasture yield data with high accuracy, which can provide technical support for the high-quality development of Hulunbuir’s livestock industry.

1. 引言

呼伦贝尔草原位于内蒙古东北部，面积广阔，约10万平方千米，其中80%为天然草场，是世界知名的天然牧场。畜牧业作为该地区的支柱产业，规模庞大且产业链长，对当地牧民收入增长具有深远影响。在国家乡村振兴战略下，利用畜牧业优势尤为关键。草原不仅是呼伦贝尔的宝贵资源，支撑畜牧业发展，还是重要的生态安全屏障，对当地社会经济至关重要[1]。牧草在畜牧业中扮演核心角色，为牛羊等牲畜提供必要的生长原料，富含粗蛋白质、无氮浸出物和粗纤维等营养成分，对牲畜的生长、发育及产乳等至关重要。传统牧草测产方法需刈割，耗时费力且扩展性差，无法全面评估草原生产力。而遥感估产技术凭借宏观、快速、经济的优势，成为监测大面积草原牧草产量的理想选择。近年来，遥感技术和估产模型不断革新，特别是CASA模型与遥感、气象数据的结合，有效解决了传统观测的局限，实现了牧草估产的高效化、智能化。CASA模型基于光能利用率理论，能在区域尺度上动态评估草原产量及其时空变异性[2]。在以放牧为主的草原地区，牧草是牲畜几乎唯一的饲草来源，其产量直接影响牲畜生长及品质。因此，对牧草产量进行准确估算至关重要。本研究选取呼伦贝尔牧业五旗为研究区，旨在通过遥感技术全面探索牧草产量估算方法，对于推动呼伦贝尔畜牧业高质量发展具有重要意义。

草原净初级生产力(Net Primary Productivity, NPP)是指草地在单位时间、单位面积内所累积的有机物数量[3]。NPP估算模型的发展历经四个阶段：站点实测、气候生产力模型、生理生态过程模型、光能利用率模型[4]。CASA模型是光能利用率模型，融合资源平衡、环境条件和植被特征，依托生理生态学理论，由气象数据、遥感数据、土地利用数据驱动。在众多估产模型中，CASA模型被认为是非常有效的研究手段[5]。1993年，Potter和Field等[6] [7]在总结相关模型机理的基础上首次提出利用CASA模型模拟NPP，模型主要考虑植被吸收的光合有效辐射(Absorbed Photosynthetically Active Radiation, APAR)和光能利用率(ε)两种要素。Ruimy等[8]利用CASA模型模拟全球陆地NPP。Lobell等[9]利用CASA模型估测墨西哥雅基河谷地区的作物产量，降低了大范围遥感估产的不确定性。朴世龙等[10]利用CASA模型估算了我国1997年植被NPP及其分布。李贵才等[11]利用MODIS数据作为遥感数据输入源，基于CASA模型模拟了中国草地的NPP。朱文泉等[12]构建了区域陆地植被NPP估算模型并在内蒙古区域做了相应研究。杨勇等[13]基于改进的CASA模型模拟了2010年锡林郭勒盟草原植被NPP，经验证模拟值与地面实测值之间显著相关。MODIS数据因高时间分辨率和易获取性，成为区域NPP估算的重要遥感数据源[14]，尤其适用于大范围草原生产力监测，且其长时间序列数据为深入研究提供了支撑。据此，运用CASA模型估算呼伦贝尔草原产量已经具备较好的理论与实践基础。

2. 数据与模型

2.1. 研究区概况

Figure 1. True-color remote sensing image composite of Hulunbuir City

图1. 呼伦贝尔市真彩色遥感影像合成图

Figure 2. DEM map of Hulunbuir City

图2. 呼伦贝尔市数字高程模型图

Figure 3. Location of the five Hulunbuir herding flags and distribution of meteorological stations

图3. 呼伦贝尔市牧业五旗区位及气象台站分布图

呼伦贝尔市位于内蒙古自治区的东北部，地处北纬47˚05'~53˚20'，东经115˚13'~126˚04'，是亚洲中部蒙古高原的组成部分。呼伦贝尔市的真彩色合成遥感影像(由MOD09A1产品1、3、4波段合成)如图1所示，数字高程模型(Digital Elevation Model, DEM)如图2所示。呼伦贝尔草原位于大兴安岭以西，本文的核心研究区位于呼伦贝尔市西南部区域，由牧业五旗–陈巴尔虎旗、新巴尔虎左旗、新巴尔虎右旗、鄂温克族自治旗、满洲里市组成，区位示意图如图3所示，整体上为高原型地貌，海拔550~1000米，以温带大陆性季风气候为主，年平均气温为−3~0℃，年降雨量为300~500 mm，属于半干旱性气候。多年生草本植物是组成呼伦贝尔草原植物群落的基本生态性特征，研究区草原总面积为1.49亿亩，其中可利用面积1.38亿亩；可利用草原占草原总面积的93%，这给当地畜牧业的发展提供了得天独厚的饲料条件和充足的物质基础。

2.2. 研究数据

呼伦贝尔市行政区划矢量数据来自国家基础地理信息中心1:100万基础地理信息数据(2021)。气象数据包括2001~2020年呼伦贝尔市16个气象站点的日降雨量、日平均气温、日照时数，呼伦贝尔市气象台站的分布见图3。遥感数据是CASA模型中估算植被吸收光合有效辐射的一个关键参数，归一化差值植被指数(Normalized Difference Vegetation Index, NDVI)与APAR有着密切关联。本研究选取2001~2020年的MOD13Q1_NDVI数据产品作为驱动CASA模型的遥感数据源。数据从美国国家航空航天局NASA官网获得，时间分辨率为16天，空间分辨率为250 m。NDVI的计算公式如下：

$\text{NDVI}=\frac{\text{NIR}-R}{\text{NIR}+R}$ (1)

式中，$\text{NIR}$ 为近红外波段的反射率值，R为红外波段的反射率值。采用最大值合成法(MVC)得到呼伦贝尔市2001~2020年5~8月逐月的NDVI数据。以2020年8月为例，经处理得到的呼伦贝尔NDVI分布图如图4所示。

土地利用数据来源于遥感信息处理研究所(Institute of Remote Sensing Information Processing, IRSIP)。将2001~2020年呼伦贝尔市土地覆盖年度数据集(CLCD) [15]作为CASA模型的驱动数据。经第三方验证样本评估表明，CLCD的总体准确性超过了MCD12Q1、ESACCI_LC、FROM_GLC和GlobaLand30 [16]，是较为理想的土地覆盖数据输入源。以2020年为例，呼伦贝尔市CLCD土地覆盖分类图如图5所示。

Figure 4. Hulunbuir City August 2020 NDVI distribution map

图4. 呼伦贝尔市2020年8月NDVI分布图

Figure 5. Hulunbuir City 2020 land cover classification map

图5. 呼伦贝尔市2020年土地覆盖分类图

生物学意义上的牧草产量，指的是牧草在整个生长周期中利用光能所积累的有机质总和。呼伦贝尔地区牧草生长观测数据及其物候期表明，牧草返青期大多集中在5月上旬，枯黄期一般出现在9月上旬，因此测产的时间区间是牧草生长季，即每年5~8月。验证CASA模型精度的实测数据来源于生态观测站野外调查获取的样方产量数据，为2007~2020年牧草生长季呼伦贝尔市牧业五旗对应5个站点的逐月产量数据之和。

2.3. CASA模型

Figure 6. Flowchart for estimating pasture yield

图6. 估算牧草产量流程图

草地NPP是草原生态系统中土、草、畜3个子系统之间及其与气候等外界环境因子之间综合作用的结果，反映了草地在自然条件下的生产能力[17]。NPP在作物估产、生态系统评价等方面发挥着重要作用，国际地圈生物圈计划(International Geosphere-Biosphere Programme, IGBP)已经将NPP研究确定为核心内容之一[18]。相较于根据NPP-NDVI的简单相关关系估算NPP的传统方法，CASA模型具有显著优势。CASA模型考虑了植物生长规律，具有一定的生理生态学理论基础，可以较为具体地描述草原生态系统内部的各种作用过程(如光合作用、环境因子的胁迫等)，是目前估算区域尺度植被净初级生产力中一种较有代表性的光能利用率模型。该模型具有如下特点：原理清晰、输入数据易收集、模拟结果精度高。根据CASA模型的建模思路，本研究所构建的NPP遥感估算模型利用气象数据，结合区域蒸散模型估算水分胁迫因子，既体现了模型的生理生态学基础，又简化了有关参数；综合地表覆盖类型和概率分布理论确定不同地类的NDVI与比值植被指数(Ratio Vegetation Index, RVI)最值，最大限度地减小遥感影像的噪声以及地物分类引起的统计误差。CASA模型估算牧草产量的技术路线如图6所示。

在CASA模型中，NPP由植物吸收的光合有效辐射(APAR)和实际光能利用率(ε)两个关键参量确定，其估算公式如下：

$\text{NPP}\left(x,t\right)=\text{APAR}\left(x,t\right)\times \epsilon \left(x,t\right)$ (2)

式中，$\text{NPP}x,t$ 为像元x在t月植被的净初级生产力(gC∙m⁻²)。$\text{APAR}x,t$ 为像元x在t月吸收的光合有效辐射(MJ∙m⁻²)，$\epsilon x,t$ 为像元x在t月的实际光能利用率(gC∙MJ⁻¹)。

3. 基于CASA模型估算牧草产量

3.1. 植被吸收的光合有效辐射确定

APAR是植被光合作用强弱的关键指示因子。光合有效辐射(Photosynthetically Active Radiation, PAR)是植物光合作用的能量来源，它与植被生产力的关系十分密切。NDVI通过红外反射率和近红外反射率之间的波段运算科学地表征了植被的长势和营养信息，因此利用NDVI的这一特性可以估算光合有效辐射吸收比例(Fraction of photosynthetically active radiation, FPAR)。根据FPAR就可以确定光合有效辐射中被叶片吸收的部分，即APAR，公式如下：

$\text{APAR}=\text{PAR}\times \text{FPAR}=\text{SOL}\times 0.5\times \text{FPAR}$ (3)

式中，SOL为月太阳总辐射(MJ∙m⁻²)，FPAR为植被对PAR的吸收比例，常数0.5为植被所能利用的太阳有效辐射占太阳总辐射的比例。

3.1.1 太阳总辐射的计算

采用太阳辐射模拟算法[19]将气象站点的日照时数转换成逐日太阳辐射(MJ∙m⁻²∙day⁻¹)，进而计算月太阳总辐射。逐日太阳辐射计算公式如下：

${\text{SOL}}_{day}=R_L\times \left(a+b\times n/N\right)$ (4)

式中，a和b是经验系数，呼伦贝尔地区a取0.22，b取0.72；n和N分别代表实际日照时数和最大日照时数(日长)，N = (24/π)*W₀，W₀为太阳时角；R_L为大气上界太阳辐射(MJ∙m⁻²∙day⁻¹)，计算公式如下：

$R_L=\frac{24\times 60}{\pi }\times S_0\times d\times (W_0\sin \varphi \sin \delta +\cos \varphi \cos \delta \sin W_0)$ (5)

式中，S₀为太阳常数(0.082MJ∙m⁻²∙min⁻¹)、d为日地相对距离、$\varphi$ 为纬度、δ为太阳赤纬。

利用呼伦贝尔市2001~2020年5~8月逐月的月太阳总辐射栅格数据作为CASA模型的驱动数据，用于估算PAR。以2020年8月为例，图7表示克里金插值得到的呼伦贝尔市月总太阳辐射分布图，空间分辨率为250 m。

Figure 7. Distribution of total solar radiation in Hulunbuir City in august 2020

图7. 呼伦贝尔市2020年8月总太阳辐射分布图

3.1.2. 光合有效辐射吸收比例的计算

植被类型和植被覆盖度共同决定了光合有效辐射吸收比例的大小。在一定范围内，FPAR与NDVI之间存在着一定的线性关系，因此根据某一地物类型NDVI最值及其对应的FPAR最值可以确定FPAR，公式如下：

${\text{FPAR}}_{\text{NDVI}}=\frac{\left(\text{NDVI}-{\text{NDVI}}_{i,\min }\right)\times \left({\text{FPAR}}_{\max }-{\text{FPAR}}_{\min }\right)}{{\text{NDVI}}_{i,\max }-{\text{NDVI}}_{i,\min }}+{\text{FPAR}}_{\min }$ (6)

式中，NDVI_i,max和NDVI_i,min分别对应第i种地物的NDVI最大值和最小值，为了减小遥感图像噪声引起的误差，取某一地物类型NDVI概率分布95%下侧分位数对应的NDVI值为NDVI_i,max，5%下侧分位数对应的NDVI值为NDVI_i,min；FPAR_max和FPAR_min的取值分别为0.95和0.001，与地物类型无关。

FPAR与RVI也存在较好的线性关系，公式如下：

${\text{FPAR}}_{\text{RVI}}=\frac{\left(\text{RVI}-{\text{RVI}}_{i,\min }\right)\times \left({\text{FPAR}}_{\max }-{\text{FPAR}}_{\min }\right)}{{\text{RVI}}_{i,\max }-{\text{RVI}}_{i,\min }}+{\text{FPAR}}_{\min }$ (7)

式中，RVI_i,max和RVI_i,min分别对应着第i种地物RVI的最大值和最小值，RVI可以由NDVI换

算得到，公式如下：

$\text{RVI}=\frac{1+\text{NDVI}}{1-\text{NDVI}}$ (8)

计算得到的各种地类NDVI和RVI的最大值与最小值如表1所示：

Table 1. Maximum and minimum values of NDVI and RVI for various land types

表1. 各种地类NDVI和RVI的最大值与最小值

地物类型	NDVImax	NDVImin	RVImax	RVImin
草地	0.70	0.10	5.67	1.22
灌木	0.82	0.10	10.11	1.22
森林	0.85	0.10	12.33	1.22
耕地	0.65	0.10	4.71	1.22
其他	0.70	0.10	5.67	1.22

有关研究表明[20]：根据NDVI算得的FPAR比实测值高，根据RVI算得的FPAR比实测值低。为减小FPAR的估算误差，本文综合考虑两种植被指数的误差特征并选取合理调整系数，取其平均值作为FPAR的估算值，公式如下：

$\text{FPAR}=\frac{{\text{FPAR}}_{\text{NDVI}}+{\text{FPAR}}_{\text{RVI}}}{2}$ (9)

3.2. 光能利用率确定

光能利用率(ε)是指植被单位面积上产生的有机质能量与同一时间投射到该面积上的光合有效辐射能之比，表征的是植被将光能转化为有机质的能力。该参数是CASA模型中最为关键的因子，它直接影响植被固定能量的效率被具有最大光能利用率是在没有外界条件影响下的一种理想假设，而在现实条件下温度和水分等环境因子都会直接影响植被的光合作用，进而调控植被的最大光能利用率，公式如下：

$\epsilon =T_{\epsilon 1}\times T_{\epsilon 2}\times W_{\epsilon }\times {\epsilon }_{\max }$ (10)

式中，T_ε1、T_ε2为温度胁迫因子；W_ε为水分胁迫因子；ε_max为某一植被类型在理想条件下的最大光能利用率。

利用呼伦贝尔市2001~2020年5~8月逐月的月总降雨量、月平均气温栅格数据作为CASA模型的驱动数据，分别用于估算水分胁迫因子和温度胁迫因子。以2020年8月为例，图8~9分别表示克里金插值得到的呼伦贝尔市月总降雨量、月平均气温分布图，空间分辨率为250 m。

Figure 8. Total rainfall distribution in Hulunbuir City in August 2020

图8. 呼伦贝尔市2020年8月总降雨量分布图

Figure 9. Hulunbuir average temperature distribution in August 2020

图9. 呼伦贝尔市2020年8月平均气温分布图

3.2.1. 温度胁迫因子的计算

$T_{\epsilon 1}$ 表示植物在低温和高温条件下自身的生化特性对光合作用的限制。公式如下：

$T_{\epsilon 1}=0.8+0.02\times T_{opt}-0.0005\times T_{opt}{}^2$ (11)

式中，T_opt为植物生长的最适温度。NDVI是反映植物长势的指示因子，与植物生长状况呈显著的正相关，所以研究区域一年内NDVI达到最大值时所对应的当月平均气温可以代表T_opt。

$T_{\epsilon 2}$ 表示气温从最适温度向高温或低温变化时对植被光能利用率的影响，植物在偏离最适温度的条件下呼吸消耗增加，光能利用率随之降低。公式如下：

$T_{\epsilon 2}=\frac{1.184}{\left[1+\exp \left(0.2\times T_{opt}-10-T\right)\right]\times \left\{1+\exp \left[0.3\times \left(-T_{opt}-10+T\right)\right]\right\}}$ (12)

式中，T为月平均温度。若10℃ < T − T_opt < 13℃，该月的$T_{\epsilon 2}$ 值等于对应年份月平均温度为最适温度时$T_{\epsilon 2}$ 值的一半。

3.2.2. 水分胁迫因子的计算

光合速率的大小与土壤湿度密切相关，水分是植物生长过程中的关键因子。水分含量直接影响植物根系吸水和叶片蒸腾，进而影响到牧草有机质的积累，最终影响其产量。因此水分因子和温度因子一样，是植物生长过程中的重要限制条件。降雨量在一定程度上可以表示土壤的干湿程度，但此参数并未考虑区域尺度下蒸散发过程导致的水分亏损情况。因此，本研究充分考虑区域尺度下水分的收支过程，使用区域湿润指数[21] (Wetness Index, WI)来表征土壤水分的大小。WI是指某一区域内实际蒸散量$\text{E}$ 与潜在蒸散量${\text{E}}_p$ 的比值，有关公式如下：

$\text{WI}=\frac{\text{E}}{{\text{E}}_p}$ (13)

水分胁迫因子W_ε表示植物所能利用的有效水分条件对光能利用率的影响，与环境中的有效水分成正相关。水分胁迫系数的值域范围是[0.5, 1]，公式如下：

$W_{\epsilon }=0.5\times \left(1+\text{WI}\right)$ (14)

3.2.3. 最大光能利用率的计算

最大光能利用率ε_max是指在不受环境因子限制的情况下，植被对光合有效辐射的利用效率。Potter和Field [6] [7]没有区分植被类型，假设全球植被的ε_max均为0.389 gC/MJ。彭少麟等[22]研究发现ε_max取0.389 gC/MJ并不适用于广东地区的植被，其合理取值范围应在0.69~1.05 gC/MJ。该参数由植被内在的生物学机制决定，是植被的一种生理特性，每种植被类型对应着各自的最大光能利用率，不应简单取单一数值。

实测站点测得的ε_max表示的是对应植被类型点尺度上的ε_max，考虑到植被覆盖均匀程度和空间尺度大小等问题，野外试验的结果并不能直接代表该植被类型的ε_max。本文引用朱文泉[23]基于NPP遥感估算模型和最小二乘法对中国典型植被最大光能利用率的模拟结果，其取值如表2所示，其中草地的ε_max为0.542 gC/MJ。模拟过程采用了中国地区足量的样本：5年的遥感数据、726个气象站点的气象数据、高精度的土地分类数据以及690个观测站点的植被属性实测数据；基于大样本数据模拟分析得到的ε_max具有一定的代表性与普适性。

Table 2. Maximum light energy utilization corresponding to each vegetation type

表2. 各植被类型对应的最大光能利用率

植被类型	草地	灌木	森林	耕地	其它
εmax (gC/MJ)	0.542	0.429	0.475	0.542	0.542

3.3. 牧草产量的估算

牧草产量是指单位面积的草原在单位时间内饲用植物地上部分的生长量，它是衡量草原基础生产能力的一种指标，牧草产量的高低体现了草原初级生产效率。在草原生产中牧草产量也可表示净初级生产力减去牧草地下部分后可利用的地上部分所含能量，即可供牲畜采食的生物量。作为草原次级生产的基础，牧草产量波动对草原载畜量和畜产品生产都会造成直接影响。根据构建的CASA模型估算出2001~2020年5~8月(牧草生长季累积和)呼伦贝尔市逐年的NPP。以2005、2010、2015、2020年为例，图10为四个代表年份呼伦贝尔市NPP的模拟结果。

(a) 2005年呼伦贝尔市NPP分布图 (b) 2010年呼伦贝尔市NPP分布图

(c) 2015年呼伦贝尔市NPP分布图 (d) 2020年呼伦贝尔市NPP分布图

Figure 10. NPP simulation results for Hulunbuir City for four representative years (gC∙m⁻²)

图10. 四个代表年份呼伦贝尔市NPP模拟结果(gC∙m⁻²)

根据2001~2020年呼伦贝尔市逐年的土地覆盖数据提取出草原用地。呼伦贝尔草原主要集中在牧业五旗：陈巴尔虎旗、新巴尔虎左旗、新巴尔虎右旗、鄂温克族自治旗、满洲里市。以2005、2010、2015、2020年为例，图11为四个代表年份呼伦贝尔市草原用地类型的提取结果。

(a) 2005年呼伦贝尔市草地分布图 (b) 2010年呼伦贝尔市草地分布图

(c) 2015年呼伦贝尔市草地分布图 (d) 2020年呼伦贝尔市草地分布图

Figure 11. Results of extracting grassland land types in Hulunbuir region for four representative years

图11. 四个代表年份呼伦贝尔地区草原用地类型提取结果

通过空间统计分析提取出2001~2020年呼伦贝尔市牧业五旗的牧草生长季逐年累积NPP，如表3所示。

Table 3. Grassland NPP (gC∙m⁻²) in the five flags of pastoralism, 2001~2020

表3. 2001~2020年牧业五旗的草地NPP (单位：gC∙m⁻²)

年份	满洲里市	陈旗	新右旗	新左旗	鄂温克旗
2001	98.58	145.94	77.75	117.84	188.21
2002	181.20	197.83	150.70	174.17	228.11
2003	109.29	160.08	103.07	147.63	184.86
2004	90.05	186.96	70.47	141.54	211.60
2005	144.37	224.48	112.75	158.75	228.51
2006	115.31	168.57	123.16	156.00	193.90
2007	137.30	162.59	103.76	138.23	183.48
2008	158.47	188.65	136.16	162.73	212.28
2009	132.78	193.88	116.73	156.40	216.19
2010	142.52	208.58	117.62	163.63	239.19
2011	129.86	208.77	147.33	178.26	230.74
2012	137.47	209.51	142.57	183.73	233.73
2013	159.73	217.48	160.42	176.78	231.99
2014	188.84	260.78	188.82	209.03	270.60
2015	140.92	190.19	127.60	168.06	236.70
2016	127.59	190.58	95.67	140.78	210.78
2017	101.18	172.15	100.10	145.59	202.23
2018	195.93	238.70	156.48	200.76	259.13
2019	172.55	187.98	152.17	177.96	235.72
2020	143.30	195.12	137.86	176.34	217.31

由于牧草产量的单位是g∙m⁻²，而CASA模型模拟结果NPP的单位是gC∙m⁻²，因此需要将NPP数据转换为牧草产量数据。转换公式如下：

${\text{Y}}_{地上}=\frac{\text{NPP}}{\text{C}\times \text{K}}$ (15)

式中，${\text{Y}}_{地上}$ 为牧草地上生物产量，K是碳含量系数，呼伦贝尔草原地区取0.45。中国温带草地地上和地下生物量之间符合等速增长关系，因此C取值为2。经公式换算后，2001~2020年呼伦贝尔市牧业五旗的牧草单产如图12所示。由图可知：鄂温克旗的牧草平均单产最高，新右旗的平均单产最低；03、04、06、07、09、15、16、19、20年各区域牧草均出现不同程度的减产；牧业五旗近20年的牧草产量总体上处于平稳状态，几次较大的减产过程可能是当年气候异常、过度放牧、土壤质量、病虫害等原因导致，当年牧草产量的下降会影响牛羊等牲畜的生长发育，限制当地畜牧业的发展。

Figure 12. Time series plot of pasture yields (g∙m⁻²) in the five flags of pastoralism, 2001~2020

图12. 2001~2020年牧业五旗的牧草单产时间序列图(单位：g∙m⁻²)

4. 牧草产量精度验证

4.1. 精度评价指标

对比分析牧草估测产量与实测产量之间的相关性系数R、均方根误差(Root Mean Squared Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)三项精度评价指标，验证CASA模型的估产精度。

皮尔逊相关性系数(R)分析实测产量与估测产量的相关性，公式如下：

$\text{R}=\frac{{\displaystyle \sum _{i=2007}^n\left[\left({\text{obs}}_i-\overline{\text{obs}}\right)\left({\text{sim}}_i-\overline{\text{sim}}\right)\right]}}{\sqrt{{\displaystyle \sum _{i=2007}^n{\left({\text{obs}}_i-\overline{\text{obs}}\right)}^2{\displaystyle \sum _{i=2007}^n{\left({\mathrm{sim}}_i-\overline{\text{sim}}\right)}^2}}}}$ (16)

式中，${\text{obs}}_i$ 为第i年草原实测产量，${\text{sim}}_i$ 为第i年草原估测产量，$\overline{\text{obs}}$为十四年间实测产量的平均值，$\overline{\text{sim}}$为十四年间估测产量的平均值。n为样本容量，i = 2007, 2008, ∙∙∙, 2020。R取值范围为[−1, 1]，绝对值越接近于1表明两者拟合度越高，CASA模型估产水平越好。

均方根误差(RMSE)表示估测值与实测值偏差的平方和与样本数n比值的平方根，可用来衡量估测值和实测值之间的偏差。模拟结果与实测值的一致性可以参考RMSE值的大小。值越小表示模型偏差越小，估算精度越高。均方根误差的计算公式如下：

$\text{RMSE}=\sqrt{{\displaystyle \sum _{i=2007}^n\frac{{({\text{obs}}_i-{\text{sim}}_i)}^2}{n}}}$ (17)

平均绝对误差(MAE)是对表达相同现象的成对数值之间的误差度量，即${\text{obs}}_i$ 和${\text{sim}}_i$ 之间的平均绝对差值，每个误差对MAE的贡献与误差的绝对值成正比。公式如下：

$\text{MAE}=\frac{{\displaystyle \sum _{i=2007}^n\left|{\text{obs}}_i-{\text{sim}}_i\right|}}{n}$ (18)

4.2. 精度验证结果

本研究采用生态观测站实测产量数据验证CASA模型的产量模拟精度，公式15可以将NPP数据换算为单位面积的牧草产量数据。分别选取2007~2020年呼伦贝尔市牧业五旗的实测样本点牧草产量数据与CASA模型模拟NPP转换后的对应样点产量数据做对比验证。实测数据与估测数据对应样点做线性回归，对比分析两者之间的R、RMSE、MAE三项精度评价指标，从而验证CASA模型的产量模拟精度。牧业五旗的实测产量与估测产量精度验证结果如表4所示，对比分析可知，实测产量与估测产量相关性最大的是陈旗，值为0.82；均方根误差最小的是满洲里市，值为20.42；平均绝对误差最小的是满洲里市，值为17.94。

Table 4. Evaluation of the accuracy of measured and estimated yields in the five flags of Hulunbuir City’s pastoralism

表4. 呼伦贝尔市牧业五旗的实测产量与估测产量精度评价表

地区	R	RMSE (g/m^2)	MAE (g/m^2)
满洲里市	0.79	20.42	17.94
陈旗	0.82	24.21	22.43
新右旗	0.77	23.97	23.19
新左旗	0.79	22.87	22.08
鄂温克旗	0.76	22.19	19.93

注a：R在0.01级别均(双尾)显著相关。

5. 结论与讨论

5.1. 结论

为估算长时序牧草产量数据，本文利用地理信息技术和遥感技术，基于CASA模型估算出呼伦贝尔市牧业五旗2001~2020年牧草生长季的牧草产量，并以生态观测站实测产量数据作为验证数据，从相关性系数、均方根误差、平均绝对误差三项精度评价指标来验证模型估产精度。主要研究结论如下：

(1) 首先，根据光合有效辐射和光合有效辐射吸收比例计算确定植物吸收的光合有效辐射，根据温度胁迫因子、水分胁迫因子及最大光能利用率计算确定光能利用率，最终计算得到2001~2020年呼伦贝尔市牧草生长季的净初级生产力(NPP)，并据此转换为了牧草产量。

(2) 牧业五旗的牧草产量实测值与估测值的R分布区间为0.76~0.82、RMSE分布区间为20.42~24.21 g/m²、MAE分布区间17.94~23.19 g/m²，三项误差指标均在合理误差范围内。结果表明CASA模型模拟出的牧草产量数据精度较高，可为呼伦贝尔畜牧业高质量发展提供技术支撑。

(3) 此外，本研究还揭示了在呼伦贝尔草原生态系统中，CASA模型在估算牧草产量方面具有显著的潜力和应用价值。

5.2. 讨论

(1) 在利用CASA模型估算牧草产量的过程中，光能传递不确定性、遥感数据误差(如受传感器、大气、土壤背景等因素影响)会对牧草产量估算精度产生一定影响。随着遥感技术的快速发展，空间分辨率更高的遥感数据(如欧空局2015年发射的Sentinel-2A)可作为长时序遥感数据用于驱动CASA模型估测牧草产量。

(2) 今后研究中可以进一步改进CASA模型，如对比多种气象数据的空间插值方法、对模型关键参数进行敏感性分析，提高模型估算精度，从而获取更高质量的牧草产量数据。