不同参考温度取值对三温模型反演植被蒸腾精度的影响

参考温度的参数化过程一直是三温模型反演蒸散发及其蒸发、蒸腾组分的关键和难点。该研究基于典型城市草坪的波文比与热红外观测数据, 对三温模型植被蒸腾子模型中涉及的输入变量进行敏感性分析和误差分析, 确定对三温模型反演植被蒸腾精度最为关键的变量, 而后量化和对比输入变量参数化方法对三温模型计算草坪蒸腾的影响, 由此确定最佳的参考温度取值。结果表明: 1)参考叶片温度选择为整个纸片温度的最大值时反演效果最好(R² = 0.91, 均方根误差(RMSE) = 0.078 mm·h^-1); 2)采用植被冠层温度的最大值为参考温度时, 直接假定了植被最高温度冠层蒸腾为0 (实际存在一定的蒸腾速率), 所以容易低估实际蒸腾量, 造成三温模型反演精度略低于取值参考叶片温度最大值的方法, 但反演效果仍然较好(R² = 0.87, RMSE = 0.080 mm·h^-1)。因此, 考虑到参考叶片设置的局限性, 如果在实际应用中无法或者没有实际测量参考叶片温度时, 使用植被最大温度为参考温度也可达到较好的反演效果。     

外源氮素调控C/N比对杉木林凋落叶细菌群落结构的影响

为探究不同C/N比对杉木凋落叶分解特性的影响,通过添加外源氮,采用分解袋法,分析林下植被保留和林下植被去除2种林分中不同C/N比值的杉木凋落叶分解300 d时细菌群落结构差异。研究显示：一定范围内,初始C/N比降低有利于杉木凋落叶分解和细菌群落多样性提升,过低的C/N比则具有抑制作用;相比于林下植被去除,林下植被保留管理措施更有利于杉木凋落叶的分解,且细菌群落多样性更高,但当初始C/N比值为20.3时,杉木凋落叶分解所受的抑制作用更为明显;在门水平上,变形菌门、放线菌门和浮霉菌门为杉木凋落叶中主要优势种群;在属水平上,慢生根瘤菌属、嗜酸栖热菌属和Singulisphaera属在杉木凋落叶中相对丰度较高;不同处理间的杉木凋落叶细菌群落结构具有显著差异,变形菌门、放线菌门和酸杆菌门等细菌门中的多类细菌相对丰度差异显著;在门分类水平上,杉木凋落叶C/N比值与主要细菌种群相对丰度的相关性最高,C/P比值与杉木凋落叶细菌群落结构变异的相关性最高;在属水平上,杉木凋落叶全碳含量、C/N比值和全钾含量与主要细菌种群相对丰度的相关性最高,全钾含量与杉木凋落叶细菌群落结构变异的相关性最高。结果表明初始C/N比的降低改变了杉木凋落叶细菌群落结构,进而作用于杉木凋落叶的分解。     

不同林分密度杉木林生态系统碳密度及其垂直空间分配特征

以不同林分密度(1800、3000、4500株/hm~2)杉木林为研究对象,通过野外调查、样品采集和室内分析,研究不同林分密度杉木林生态系统碳密度及其分配特征。结果表明:1)三种林分密度杉木林生态系统碳密度分别为131.54、161.42、172.69 t/hm~2,随林分密度增大而升高,且具有显著差异(P<0.05)。杉木林碳密度表现为土壤层>乔木层>林下地被物层。土壤有机碳储量占总碳储量的比例最大(53.11%—67.37%),其次是树干、树根、树皮(25.89%—35.74%),高密度杉木林分有利于树干、树皮、树根碳密度分配比例的增加。2)乔木层,树干、树皮、宿留枯枝及宿留枯叶碳密度随林分密度增大而升高,鲜枝及鲜叶碳密度随林分密度增大先升高后降低,且均具显著差异(P<0.05);树干、树皮碳密度随树体高度的升高而降低,鲜枝鲜叶碳密度集中于树体中上部(8 m≤h≤10 m),宿留枯枝枯叶碳密度集中分布于树体中部(4 m≤h≤8 m)。3)随着林分密度的增大,不同径级根碳密度呈上升趋势,且不同径级根碳密度随林分密度变化差异达显著水平(P<0.05);不同...     

蒸散发广义互补原理中关键参数αe的时空变化特征及计算方法分析

蒸散发广义互补原理是实测数据稀少条件下估算蒸散发的重要方法, 其中准确估算参数α_e是应用该方法的关键。该研究利用中国不同气候和生态类型的8个通量站数据, 首先基于实测数据校准得到α_e年值及月值, 探究α_e的时空变异性并对比使用不同时间尺度的α_e对广义互补原理模型计算精度的影响。考虑到实际情况下蒸散发实测数据缺乏而无法校准得到α_e, 进一步探究两个基于干旱系数(AI)的α_e年值统计模型(下称Liu法和Brutsaert法)在站点尺度的适用性, 明确α_e是否可以利用AI确定, 最后探讨各计算方法的误差来源。主要结论如下: 1)季节变化影响α_e, 不同通量站α_e月值变化规律有所差异; 在空间变化上, 湿润站点α_e年值总体大于干旱站点。Liu法和Brutsaert法计算的α_e接近年校准值。2)在应用广义互补原理模型时, 使用校准α_e年值能取得较好的模拟精度, 使用各月份α_e时精度进一步提升。两种基于AI的免校准方法取得较好的模拟效果, 当缺少实测数据而无法校准α_e时, 基于AI计算α_e具有较大的潜力。3)使用校准α_e年值时广义互补原理模型能模拟出蒸散发的年内变化趋势, 但在部分月份估算值出现偏差。Liu法和Brutsaert法计算的蒸散发在干旱站点的夏季月份呈现低估现象, 原因可能在于高估了降雨集中的夏季月份的AI。结果也进一步验证了广义互补原理在估算广泛不同的自然环境下的蒸散发的潜力。