BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  24,605,743
  • Công bố khoa học và công nghệ Việt Nam

Quản lý và bảo vệ rừng

Phan Kiều Diễm(1), Nguyễn Kiều Diễm, Amnat Chithaisong

Đánh giá tổng sản lượng sơ cấp rừng rụng lá sử dụng mô hình quang hợp và ảnh viễn thám - Trường hợp nghiên cứu tại Thái Lan

Evaluating the gross primary productivity of dry dipterocarp forest using vegetation photosynthesis model and remote sensing data: Case study in Thailand

Khoa học (ĐH Cần Thơ)

2020

5A

42-51

1859-2333

Mô hình quang hợp, Rừng rụng lá, Tổng sản lượng sơ cấp

Vegetation photosynthesis model, Dry dipterocarp forest, Gross primary production, Ratchaburi province

Nghiên cứu này nhằm so sánh giá trị tổng sản lượng sơ cấp (GPP) của đối tượng rừng rụng lá tại Ratchaburi, Thái Lan sử dụng mô hình quang hợp thực vật (GPPVPM) và dữ liệu viễn thám MODIS MOD17A2 (GPPMODIS) với dữ liệu thực đo (GPPObs) giai đoạn 2010 – 2011. Số liệu quan sát thu được từ tháp quan trắc bao gồm các dữ liệu về lượng bức xạ tới dùng trong quang hợp (PAR), nhiệt độ được sử dụng để tính toán ảnh hưởng của yếu tố nhiệt độ trong mô hình quang hợp thực vật (VPM), tổng sản lượng sơ cấp thuần để tính toán GPPObs. Các chỉ số nước bề mặt (LSWI), chỉ số thực vật tăng cường (EVI) trích xuất từ dữ liệu viễn thám phục vụ cho tính toán ảnh hưởng của nước (Wscalar) và giai đoạn phát triển của cây (Pscalar) đến GPP trong mô hình VPM. Song song, GPPMODIS được trích xuất từ sản phẩm MOD17A2 và loại bỏ các điểm ảnh không đáng tin cậy. So sánh kết quả của hai phương pháp ước tính GPP với giá trị thực đo cho thấy mô hình VPM cho hiệu quả cao hơn (R 2 = 0,75; RMSE = 2,34; MAE = 2,06; p < 0,001) so với MODIS trong việc ước tính GPP (R 2 = 0,26; RMSE = 22,44; MAE = 18,45). Nghiên cứu tiếp theo về ứng dụng mô hình VPM tính toán GPP cho các đối tượng thực phủ khác nên được quan tâm.

This study aims to compare the estimated gross primary productivity (GPP) of dry dipterocarp forest at Ratchaburi, Thailand by using vegetation photosynthesis model (GPPVPM) and remote sensing data MODIS MOD17A2 (GPPMODIS) with observed GPP (GPPObs) in the period of 2010 – 2011. Data collected at eddy flux tower including the incident photosynthetically active radiation (PAR), temperature used to calculate temperature scalar in VPM model, net ecosystem exchange used to calculate the GPPObs. The land surface water index (LSWI) and enhance vegetation index (EVI) extracted from remote sensing imagery has been used to estimate water scalar (WScalar) and phenology scalar (Pscalar), respectively in GPP of VPM model. In the other hand, GPPMODIS has been extracted from MODIS MOD17A2 and removed the unreliable pixels. The results of comparation of GPPVPM and GPPMODIS with GPPObs showed that the VPM was more efficient (R2 = 0.75; RMSE = 2.34; MAE = 2.06; p < 0,001) than the MODIS in estimating the GPP (R2= 0.26; RMSE = 22.44; MAE = 18.45). The futher research on application of VPM to estimate GPP for different land use types should be concerned

TTKHCNQG, CVv 403

Xem toàn văn
  • [1] Yu, G.; Song, X.; Wang, Q., et al. (2008), Water‐use efficiency of forest ecosystems in eastern China and its relations to climatic variables,The New Phytologist. 177(4): 927-937. doi:10.1111/j.1469-8137.2007.02316
  • [2] Xiao, J.; Zhuang, Q.; Law, B. E., et al. (2010), A continuous measure of gross primary production for the conterminous United States derived f-rom MODIS and AmeriFlux data,Remote Sensing of Environment. 114(3): 576–591. https://doi.org/https://doi.org/10.1016/j.rse.2009.10.013
  • [3] Xiao, X.; Zhang, Q.; Braswell, B., et al. (2004), Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data,Remote Sensing of Environment. 91(2): 256–270. https://doi.org/10.1016/j.rse.2004.03.010
  • [4] Wolf, S.; Baldocchi, D.; Wolf, S., et al. (2016), Warm spring reduced carbon cycle impact of the 2012 US summer drought,Proceedings of the National Academy of Sciences, 24 May, 2016. National Academy of Sciences (NAS). USA. 113 (21): 5880-5885. doi: 10.1073/pnas.1519620113
  • [5] Wagle, P.; Xiao, X.; Torn, M. S., et al. (2014), Sensitivity of vegetation indices and gross primary production of tallgrass prairie to severe drought,Remote Sensing of Environment. Elsevier Inc. 152: 1–14. doi: 10.1016/j.rse.2014.05.010
  • [6] Wang, Q.; Zhu, X.; Yu, G., et al. (2014), Seasonal dynamics of water use efficiency of typical forest and grassland ecosystems in China,Journal of Forest Research. 19(1): 70-76. DOI: 10.1007/s10310-013-0390-5
  • [7] Wang, H.; Jia, G.; Fu, C.; Feng, J.; Zhao, T.,; Ma, Z. (2010), Deriving maximal light use efficiency f-rom coordinated flux measurements and satellite data for regional gross primary production modeling,Remote Sensing of Environment. 114(10): 2248–2258. https://doi.org/10.1016/j.rse.2010.05.001
  • [8] Sanwangsri, M.; Hanpattanakit, P.; Chidthaisong, A. (2017), Variations of energy fluxes and ecosystem evapotranspiration in a young secondary dry dipterocarp forest in Western Thailand,Atmosphere. 8(8):152. https://doi.org/10.3390/atmos8080152
  • [9] Potter, C. S.; Randerson, J. T.; Field, C. B., et al. (1993), Terrestrial ecosystem pro- duction—a process model-based on global satellite and surface data,Global Biogeochemical Cycles, 7, 811–841
  • [10] Nguyễn Văn Thêm (2008), Giáo trình Rừng và môi trường,Trường Đại học Bình Dương
  • [11] Mahadevan, P.; Matross, D. M.; Wofsy, S. C., et al. (2005), Modeling Large-Scale Biosphere NEE by Integrating Satellite Images and Climate Data – Vegetation Photosynthesis and Respiration Model (VPRM),In the AGU Fall Meeting Abstracts. 2005. A41C–0055
  • [12] Kumar, A.; Bhatia, A.; Fagodiya, R.K.; Malyan, S.K.; Meena, B.L. (2017), Eddy covariance flux tower: a promising technique for greenhouse gases measurement,Advances in Plants and Agriculture Research. 7(4): 337-340. DOI: 10.15406/apar.2017.07.00263
  • [13] Jia, W. X.; Liu, M.; She, Q. N., et al. (2016), Optimization and evaluation of key photosynthesis parameters in forest ecosystems based on FLUXNET data and VPM model,Chinese Journal of Applied Ecology. 27(4): 1095–1102. https://doi.org/10.13287/j.1001- 9332.201604.010
  • [14] (2007), Climate Change 2007: Synthesis Report. Contribution of Working Groups I, II and III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, Pachauri, R.K and Reisinger, A.],IPCC, Geneva, Switzerland, 104 pp
  • [15] Hoan, N. T.; Tateishi, R. (2013), Global MODIS 250 m dataset for 10 years (2003- 2012). User’s manual,Center for Environmental Remote Sensing (CEReS) Chiba University. pp. 20
  • [16] Hanes, J. M. (2014), Biophysical Applications of Satellite Remote Sensing. Remote Sensing of Forest Biomass,Springer. Berlin. 236. https://doi.org/10.1007/978-3-642-25047-7
  • [17] Friedl, M. a; Gray, J. M.; Melaas, E. K., et al. (2014), A tale of two springs: using recent climate anomalies to c-haracterize the sensitivity of temperate forest phenology to climate change,Environmental Research Letters. 9(5): 054006. https://doi.org/10.1088/1748-9326/9/5/054006
  • [18] Diem, P K.; Chidthaisong, A.; Varnakovida, P.; Kaewthongrach, R. (2018), Estimating the gross primary production of secondary dry dipterocarp forest using vegetation photosynthesis model,In 7th International Conference on Sustainable Energy and Environment (SEE 2018): Technology & Innovation for Global Energy Revolution 28-30 November 2018, Bangkok, Thailand. pp. 397–400
  • [19] Cavaleri, M. A.; Coble, A. P.; Ryan, M. G., et al. (2017), Tropical rainforest carbon sink declines during El Niño as a result of reduced photosynthesis and increased respiration rates,The New Phytologist. 216(1): 136–149. https://doi.org/10.1111/nph.14724
  • [20] Behrenfeld, M. J.; Randerson, J. T.; McClain, C. R., et al. (2001), Biospheric primary production during an ENSO transition,Science, 291, 2594–2597