改进CASA模型用于稳健碳汇评估：以中国东北地区为例研究

《Ecological Indicators》：Refining CASA model for robust carbon sequestration assessment: A case study of Northeast China

　　

Carnegie–Ames–Stanford Approach（CASA）是基于光能利用率（Light-Use Efficiency, LUE）模型估算陆地生态系统碳固持的常用方法，但其在气候异质性区域的精度有限。研究人员提出一种区域适应性CASA框架：（i）利用站点观测标定中国东北6种植被类型的最大光能利用率（εmax，单位g C·MJ?1）；（ii）引入氮限制标量（Nε）；（iii）将改进模型（CASA-N-Opt）与GSMSR土壤呼吸方案耦合以量化碳汇强度与趋势；（iv）在高分辨率代理变量约束下通过质量守恒细化将碳汇产品空间分辨率从500 m提升至30 m。主要发现包括：（1）εmax介于0.326（落叶针叶林）至0.677（农田）g C·MJ?1之间，引入Nε后自然植被εmax略有升高而农田明显降低。（2）CASA-N-Opt缓解了原始CASA的系统低估，RMSE降低36%，R2由0.807升至0.873；森林、农田和湿地RMSE分别下降22%–46%，夏季和秋季RMSE分别下降53%和30%；交叉验证表明模型具良好空间可移植性，农田和湿地外推RMSE控制较好。（3）区域年均固碳量为147 Tg C·yr?1（130.4 g C·m?2·yr?1），森林（63.9%）与农田（36.4%）为主要贡献者，湿地（0.2%）为弱汇，草地（?0.5%）为弱源；2003–2020年间森林汇强度下降、农田稳定、湿地与草地向增强固持转变。所提出的CASA-N-Opt框架消除了系统偏差，为温带–寒温带景观的区域碳核算及低碳规划提供了可靠工具。

论文解读：《Refining CASA model for robust carbon sequestration assessment: A case study of Northeast China》（发表于Ecological Indicators）

一、研究背景与意义

在全球气候变化背景下，准确评估陆地生态系统碳固持（carbon sequestration）功能对实现《巴黎协定》温控目标及中国"双碳"战略具有重要意义。IPCC第六次评估报告强调增强陆地生态系统碳汇是减缓气候变化的关键路径之一。中国东北地区拥有全国最大的温带天然林区及重要粮食产区，其碳汇功能直接关系到国家生态安全、粮食安全与区域气候稳定性，因此亟需精确量化。当前生态系统碳固持评估主要依赖样地清查、涡度相关（eddy covariance, EC）及模型模拟，其中基于光能利用率（Light-Use Efficiency, LUE）的Carnegie–Ames–Stanford Approach（CASA）模型因可进行多尺度长时序估算而被广泛应用。但原始CASA模型在中国东北应用时存在三方面局限：①采用全球统一的固定最大光能利用率（maximum LUE, ε_max），未依据区域实测数据校准，导致局部净初级生产力（Net Primary Productivity, NPP）估算偏差大；②仅考虑温度和水分对LUE的限制，忽略了氮沉降（nitrogen deposition）这一北方生态系统关键限制因子；③产品空间分辨率较粗（500 m），难以刻画异质景观细节。为此，研究人员以2003–2020年中国东北为研究区，发展了一种观测约束、尺度明确的改进CASA框架（CASA-N-Opt），耦合GSMSR（Global Soil Moisture and Respiration Model）土壤呼吸方案估算净生态系统生产力（Net Ecosystem Productivity, NEP），并通过质量守恒降尺度获得30 m高分辨率NEP产品，以定量揭示区域碳汇格局与变化趋势。

二、主要技术方法概述

研究人员收集了MODIS MCD12Q1土地覆被（500 m）、MOD13Q1 NDVI（250 m聚合为月）、中科院30 m中国年度最大NDVI数据集及30 m中国土地利用数据集CLCD、ERA5月均气温/降水/地表太阳辐射（0.25°）、MGND与中国氮沉降融合数据集（0.125°，2003–2020连续序列）、中国陆地生态系统有机碳密度数据集（0–20 cm，1 km）。以中国通量网（ChinaFLUX）及FLUXNET共7个涡度相关站点（涵盖6种典型植被类型，426个有效样本）GEE（Gross Ecosystem Exchange，GEE = ?GPP，GPP为总初级生产力Gross Primary Productivity）观测为基础，按NPP = 0.5 × GPP转换得到站点NPP验证数据。改进措施包括：①对ε_max进行两阶段统计收缩校准——先网格搜索最优拟合值，再以全国先验ε_max（Zhu et al., 2006）为基准通过加权最小二乘求取区域缩放因子s，按样本量与拟合残差RMSE计算收缩权重ω_v得到稳定ε_max（东北专属）；②在CASA的NPP算式中引入Michaelis–Menten型氮限制标量N_ε，氮沉降单位换算为kg N·m^?2·yr^?1并由网格搜索优化半饱和常数K_N。NEP由NPP减去异养呼吸R_h得到，R_h= 0.4679 × ΣR_s,i+ 114.42，其中月土壤呼吸R_s,i由GSMSR模型基于土温、降水及0–20 cm土壤有机碳密度（Soil Organic Carbon, SOC）计算。模型精度通过站点整体拟合（R²、RMSE、Bias）及留一站点交叉验证（Leave-One-Site-Out Cross-Validation, LOSO CV）评价，并做位点聚类Bootstrap（20000次）显著性检验。500 m NEP经质量守恒降尺度至30 m：以同像元内30 m年最大NDVI与CLCD植被二值掩膜之积为权重分配NEP₅₀₀(G)，保证ΣNEP₃₀(i)=NEP₅₀₀(G)。2003–2020年NEP时空趋势采用Theil–Sen斜率结合Yue-Pilon预处理去自相关的Mann–Kendall检验判定显著性（p < 0.05显著，0.05 ≤ p < 0.1边际显著）。

三、研究结果

3.1. Regional calibration of vegetation ε_max（植被ε_max的区域标定）

研究人员经两阶段收缩校准得到东北6种植被类型的ε_max：无氮限制时为落叶针叶林0.326、落叶阔叶林0.582、混交林0.554、草地0.393、湿地0.564、农田0.677 g C·MJ^?1；引入氮限制标量N_ε后自然植被ε_max微增0.014–0.041 g C·MJ^?1（反映氮输入促进光合潜力），农田ε_max降至0.627 g C·MJ^?1（表明高氮输入下农田LUE不再线性提升）。各植被类型平均氮沉降11.318–34.132 kg N·ha^?1·yr^?1，对应N_ε为0.958（落叶针叶林）至1.079（农田），证实氮输入及其对LUE的影响具植被类型差异。

3.2. Model goodness-of-fit validation（模型拟合优度验证）

3.2.1. Overall goodness of fit for NPP simulations（NPP模拟总体拟合优度）

对比原始CASA、仅加氮限制的CASA-N、仅区域标定ε_max的CASA-Opt及二者兼具的CASA-N-Opt：原始CASA RMSE = 36.3 g C·m^?2·mon^?1，R²= 0.807，Bias = ?13.3（系统低估）；CASA-N RMSE降6.6%；CASA-Opt RMSE降32.6%（至24.4），R²升至0.873，Bias转为+6.2；CASA-N-Opt RMSE再降至23.2（较原始降36.0%），R²= 0.873，Bias = +1.3（接近零）。因子分解显示区域ε_max标定贡献了绝大部分R²增益（主效应0.065）与RMSE降幅（11.20），N_ε主要进一步削减RMSE（1.82）与校正残余偏差（|Bias|降3.80），两改进近似加性互补。位点块Bootstrap证实CASA-Opt和CASA-N-Opt的R²提升显著（p < 0.05），加N_ε虽不额外提升R²（p = 0.992）但RMSE与Bias降低显著（p < 0.001）。

3.2.2. Goodness of fit for NPP simulations by vegetation type（分植被类型NPP拟合优度）

CASA-N-Opt对各植被类型RMSE均显著降低：农田30.1、湿地29.9、落叶阔叶林18.1、落叶针叶林16.6、混交林16.5、草地10.2 g C·m^?2·mon^?1，较原始CASA分别降37.9%、22.0%、46.0%、44.1%、44.1%、—（草地原始误差低）；各类型R²维持0.786–0.937，说明优化纠正了幅值偏差而未破坏原有线性关系，原始模型缺陷主要为系统偏差而非结构缺陷。

3.2.3. Goodness of fit for growing-season NPP simulations（生长季NPP拟合优度）

原始CASA夏季误差最大（RMSE = 74.9，低估），CASA-Opt使夏/秋RMSE分别降53%（至34.9）与30%（至17.8），R²升至0.66与0.805，春略有过补偿；CASA-N-Opt综合表现最佳，夏季RMSE降53.4%、秋季降30.5%，春季RMSE略升5.6%但R²改善至0.751，全生长季无显著退化。

3.3. Assessment of model transferability under cross-validation（交叉验证下模型可移植性评估）

LOSO CV显示CASA-N-Opt预测模式R²与模拟模式几乎一致（ΔR²≈ 0），时间解释力不因排除站点而损失。平均预测RMSE较模拟升5.4 g C·m^?2·mon^?1、Bias升3.4 g C·m^?2·mon^?1，处于可接受范围。森林（特别是长白山、帽儿山站点）与草地外推误差增幅较大，农田与湿地（盘锦湿地、长岭稻田）外推RMSE增量极小（≤0.7–1.7），表明模型对农田和湿地具优异空间外推稳健性。

3.4. Carbon sequestration（碳汇评估）

3.4.1. Carbon sequestration capacity（碳汇能力）

30 m细化NEP回聚合至500 m与原输出高度一致（R²= 0.9998）。2003–2020年均区域总固碳147.0 Tg C·yr^?1（130.4 g C·m^?2·yr^?1）：森林贡献93.7 Tg C·yr^?1（63.9%，211.4 g C·m^?2·yr^?1），农田53.5 Tg C·yr^?1（36.4%，145.2 g C·m^?2·yr^?1），湿地0.3 Tg C·yr^?1（0.2%，单位面积效率最高145.6 g C·m^?2·yr^?1），草地净源?0.5 Tg C·yr^?1（?1.4 g C·m^?2·yr^?1，?0.5%）。空间上强汇集中于东南部，碳源斑块在西及西南；2012–2020相较2003–2011源区收缩、汇更连续。季节上夏季主导吸收，春季次之，秋季近中性。

3.4.2. Carbon sequestration trends（碳汇趋势）

2003–2020全区总NEP与单位面积速率均无显著趋势（p = 0.773）。分类型：森林总汇无显著变化但单位面积速率边际显著下降（?0.952 g C·m^?2·yr^?1，p = 0.091），暗示林分水平固碳效率渐降；农田总量与速率均稳定；草地总汇边际显著增加（+0.455 Tg C·yr^?1，p = 0.053）且单位面积速率亦升（+1.325 g C·m^?2·yr^?1）；湿地总汇显著上升（+0.013 Tg C·yr^?1，p = 0.012）但单位面积速率不变，反映面积或生物量扩张而非单产提升。

3.5. Scale dependence of CASA optimization（CASA优化的尺度依赖性）

全国尺度标定参数具普适性但精度提升有限；生态气候分区尺度的区域重新校准（如本研究东北专属ε_max）可获显著精度突破（RMSE降36%，消除系统偏低），类比其他流域/区域定制CASA研究结论一致。大区域CASA应用宜先用全国数据定参数边界，再于生态气候分区耦合本地生物物理过程做精细校准。

3.6. Uncertainty, limitations and future work（不确定性、局限性与展望）

局限性含：涡度相关站点数量与分布不均可能未完全代表区域异质性；30 m NEP为500 m模拟经高分辨率NDVI与土地覆被代理分配的质量守恒细化，非真正30 m过程模拟（受限于气象与氮沉降较粗分辨率）；氮限制采用简化Michaelis–Menten标量未涉及完整氮循环，GSMSR耦合及未显式模拟干扰/管理过程引入结构不确定性。未来拟扩充独立验证、引入更高分辨率过程驱动、发展纹理感知或地质统计降尺度及碳汇—气候驱动关联分析，并做不确定性传播给出空间显式置信区间。

四、讨论与结论（翻译结论部分）

为降低参数不确定性并在稀疏涡度相关约束下提升区域净生态系统生产力（NEP）估算稳健性，研究人员发展了观测约束、尺度明确的基于CASA的框架并应用于2003–2020年中国东北。相比基线CASA，优化配置与站点观测吻合度提高，R²由0.807升至0.873，RMSE降低36%；位点块Bootstrap推断表明这些增益具统计稳健性而非采样假象。在两处改动中，基于收缩估计的ε_max参数化对整体一致性与空间可移植性的提升最大，而氮限制标量虽未使CASA-Opt以外的R²进一步明显升高，但有效降低了RMSE与偏差（Bias），在基线模型倾向于低估碳吸收的情境中改善了拟合保真度。区域尺度上，中国东北为持续净碳汇，高汇区集中于东南及东部，西及西南局部为碳源斑块；相较于2003–2011年，2012–2020年碳源区范围缩小，吸收季节集中于夏季。质量守恒30 m细化产品在高分辨率代理变量引导下呈现了像元内空间异质性，强化了城乡梯度与破碎景观对比的刻画，提升了NEP图谱在空间规划导向碳汇评估中的实用价值。残留不确定性主要来自站点约束有限且不均衡、气象与氮沉降等粗分辨率驱动因子决定的有效分辨率，以及氮限制简化处理与GSMSR耦合引入的结构不确定性。未来工作将优先扩展独立约束、在可靠时纳入更高分辨率过程驱动变量、发展异质性感知（纹理信息或地质统计）细化方法及不确定性传播至空间显式置信表征，以更好支撑碳核算与规划应用。