1.简介
作为人类最重要的生存环境之一[1]，草地约占世界陆地面积的24%[2]. 草地生态系统每年累积高达全球陆地碳汇总量的18%，在全球碳循环中发挥着重要作用[三]. 然而，由于全球变暖和不合理的人类干扰[4]，它们受到严重的逐步退化[5]从而打破了草原生态系统碳循环的动态平衡[6]. 动态监测草原生态系统的生态环境变化，对于了解草原在全球碳循环中的作用至关重要，也是地方政府管理草原资源的需要。 初级生产是碳和能源对生态系统的主要投入[7]地上净初级生产力（ANPP）与动物生物量、次生生产力和养分循环有关，被认为是陆地生态系统功能的综合变量[8,9]. 草地ANPP是草地生态环境状况最直接的指标之一[10]. 从方法上讲，草地ANPP可以通过生态系统模型进行估算，因为生态系统模型能够描述草地生态系统对环境条件变化和人类干扰的响应，因此一直被视为模拟净初级生产（NPP）必不可少的工具[11]. 自20世纪80年代以来，人们开发了各种基于过程的生态模型来估算草原ANPP[12]. 其中，反硝化和分解（DNDC）被认为是应用最广泛和最成功的生物地球化学模型之一[13]它已被应用于模拟几乎所有陆地生态系统的碳量和动态[14]. 在2000年亚太地区全球变化国际研讨会上，DNDC模型被指定为适用于亚太地区的生物地球化学模型之一[15]. 尽管DNDC模型为估算ANPP提供了强有力的工具，但由于人为干扰，尤其是放牧影响，在用于模拟草原区域ANPP时仍存在很大的不确定性。 放牧会显著影响初级生产力、植被组成和根系生物量[16]在短期内，它对现存生物量的影响比其他因素，如管理措施、土壤条件和气候，更直接、更迅速[17]. 因此，如何量化放牧对草地ANPP影响的变化是模拟区域草地ANPP的关键。尽管有很多关于放牧是否会增加单个地点的草地ANPP的争论[18]由于缺乏足够的历史放牧数据，到目前为止，还没有对区域放牧效应进行足够系统和全面的调查，尤其是在游牧或半游牧牧区。虽然“世界网格牲畜”（GLW）数据中的放牧数据可以用来模拟放牧对干旱草原碳循环的影响，但它过于粗糙，无法反映放牧强度的空间变化[19]. 此外，由于牲畜放牧面积大，动植物之间的积极互动持续时间相对较长，以及测量自由放牧动物消耗的饲料时遇到的困难[20]在自由放牧系统中，甚至很难评估区域放牧效应。量化区域放牧效应的一个重大障碍是，难以通过大规模放牧实验获得放牧地点和放牧率的数据[21]. 此外，缺乏准确和可重复的技术来获得区域范围内放牧强度和放牧期的详细信息[22]. 有限的区域监测使得很难确定牲畜对草原ANPP的区域影响[23]. 随着卫星和计算机技术的发展，遥感技术已成为以较低成本快速获取数据，在区域尺度上监测草原生态系统时空变化的极具潜力的工具[24]. 鉴于放牧区和非放牧区的植被状况不同，植被指数与植被覆盖度之间存在良好的关系，植被指数通常用于探索遥感数据量化放牧强度或评估放牧效果的能力。例如，川村等人。（2005）基于植被指数归一化差值（NDVI）和全球定位系统（GPS）记录的跟踪数据调查了放牧强度的空间分布[25]. 布兰科等人。（2009）应用NDVI检测了两种不同放牧系统中植被的时空格局(即、连续和双加补习）[22]. 于等人。（2010）使用NDVI、地上生物量数据和理论牲畜承载力估算了放牧能力[26]. 锂等人。（2014）根据NDVI数据确定了割草和放牧区域，然后通过放牧草原区域和年度绵羊单位获得了放牧强度[27]. 这些研究表明，植被指数（如NDVI）的空间模式可用于识别由牲畜放牧引起的区域变化，而这些变化在当地监测中可能并不明显[23]. 因此，利用植被指数量化区域尺度上放牧强度的空间分布是可行的[28,29]. 然而，关于放牧期以及放牧强度在季节内和季节间的变化的研究很少[30]. 为了在自由放牧系统中模拟区域草地ANPP，特别是在短时间内，不仅需要量化区域放牧强度的空间分布，还需要获得放牧草地的放牧周期。 由于与植被物候高度相关且易于获取[31]基于中分辨率成像光谱仪（MODIS）NDVI产品（MOD13Q1）的时间序列，建立了一种直接估算区域放牧强度和放牧周期的方法。以中国若尔盖高原草原湿地生态系统为例，基于DNDC模型模拟了放牧条件下的草原ANPP，从而评估了放牧效应的时空变化以及放牧对草原ANPP的影响。本文的具体目标是（1）开发一种量化区域放牧参数的方法，包括放牧强度和放牧周期；（2）模拟草地ANPP并研究其对放牧活动的响应。 2.研究区域
若尔盖高原（101°30′-103°30′E，32°20′-34°00′N，3400 m a.s.l），位于中国青藏高原东部边缘(图1a） ，占地约4600公里2泥炭地[32]. 它被认为是世界上最大的高山泥炭沼泽之一，约占中国泥炭储量的40%[33]. 本文以若尔盖高原上一个重要的典型地区若尔盖县为例(图1b）[34]. 研究区主要为湿地和草原，在若尔盖县中部地区建立了国家级自然保护区，发挥生态保护功能(图1c） ●●●●。由于全球气候变化和人类干扰（如排水、放牧和泥炭收割），自20世纪70年代以来，该地区的湿地和草原经历了退化，典型的景观退化梯度以湿地、潮湿草原、干燥草原和沙漠为特征。在过去的几十年里，湿地面积以每年3.85%的速度减少[35]. 20世纪80年代中期后，畜牧等人类活动已成为影响该地区ANPP的最关键因素之一[36]. 这些情况使若尔盖县具有代表性，适合对高寒草地ANPP放牧效应进行模拟。 若尔盖县气候属典型的高寒地区，温度低，湿度高。根据佐伊格气象站1957年至2012年的气象数据，年平均温度为1.21°C，年平均降雨量为464.8至862.9 mm（主要集中在5月至8月）。生长期为3月下旬至9月上旬[34]NDVI将在7月底至8月初达到最大值。当地人将天然草地分为夏季牧场、冬季牧场和全年牧场[37]. 夏季牧场将持续放牧6月至10月，这是生产饲料的最佳季节。11月至次年5月的放牧牧场被定义为冬季牧场，放牧期将持续7个月甚至更长。在不同类型的牧场中，放牧系统的特点是游牧放牧。 3.方法
3.1. 总体描述
本文采用DNDC模型模拟了放牧对草地ANPP的影响。该模型中的放牧实践是通过指定放牧参数来定义的，例如牲畜类型、头数和放牧持续时间[38]. 考虑到NDVI比其他植被指数更好地预测牧场生物量[39]为了在区域尺度上获得这些输入参数，利用时间序列NDVI和牲畜头的统计数据计算放牧强度和放牧期。转换为正常绵羊单位后，将放牧强度作为每公顷牲畜头数和放牧期输入DNDC模型(即，两个相邻图像之间的时间间隔）将被视为放牧持续时间。然后，基于放牧参数和生态驱动因子(即，气象学、土壤、植被、坡度和土地覆盖），所有输入参数的光栅信息将被重新采样到250米中，并且DNDC模型将以每个像素为模拟地点运行。最后，利用若尔盖县田间实测的地上生物量对草地ANPP模拟结果进行验证。本研究的总体框架见图2. 3.2. 放牧参数检索
3.2.1. NDVI数据
用于探索描述放牧效应方法的时间序列NDVI数据来自2012年MODIS NDVI产品（MOD13Q1），包括23幅时间NDVI图像。MOD13Q1数据以250米的空间分辨率每16天提供一次，作为网格三级产品（可在[40]). 由于提供了全球植被条件的一致空间和时间比较，此类MODIS NDVI产品可用于监测植被条件和模拟地上生产力[26,41]. 然而，这些NDVI产品可能会受到云、大气和冰雪覆盖的影响。虽然NDVI时间序列数据集的处理采用了最大值合成和云检测方法，但仍然存在大量的残余噪声。由于成功提供了高质量的长时间序列NDVI来监测若尔盖高原的生态系统[42]在计算放牧参数之前，选择Savitzky–Golay（S–G）滤波器重建MODIS NDVI时间序列数据集。有关S–G滤波器的更多详细信息，请参阅之前的出版物[42]. 3.2.2. 放牧强度
畜牧业放牧是若尔盖县土地利用的一种主要形式，也是利用DNDC模型模拟草地西部生态系统的主要人类驱动因素[27]. 如所示图3应用S–G滤波器后，未扰动草地的NDVI时间序列剖面将近似为抛物线（见点线）。如果一个地区用于放牧，NDVI时间序列曲线应该与非放牧地区的NDVI曲线不同。为了获得研究区放牧强度的区域时空格局，基于不同的土地利用类型，将从每个模拟点获得的NDVI时间序列数据与非放牧区的NDVI数据进行比较。 如所示图2，本文设置了两个步骤来计算放牧强度的变化率。第一步是确定研究区域是否用于放牧。参考之前的研究[22,27]，我们使用时间序列NDVI开发了两个新的指数，包括比率指数（RI）和相对差异指数（RDI）（方程（1）和（2））。哪里NDVI公司我和NDVI公司j个分别为NDVI的时间值我和j个对于一个遥感像素，将判断其是否用于放牧。NDVI公司ugi公司和NDVI公司ugj公司是非放牧地区的NDVI值我和j个.ΔNDVI是NDVI之间的时差我和j个、和ΔNDVI微克是非放牧地区NDVI之间的时差我和j个值得注意的是，如果使用上述方法来确定研究区域是否发生了放牧，则需要了解该区域与非放牧相关的NDVI值。本文通过野外调查确定了非放牧区。根据非放牧区的位置，不同土地利用类型的NDVI值(即（湿地、湿润草原和干燥草原）将从NDVI产品中得出，作为非放牧地区NDVI的参考值。 RI通过比较一个像素的NDVI值与非放牧区的NDVI来判断该像素是否用于放牧。对于一个像素，如果RI小于一个或多个，我们不能简单地将该像素识别为掠射像素或非掠射像素。例如，如中所示图3在植被NDVI达到最大值之前，第113天的NDVI为0.2522，小于非放牧区的NDVI值（0.3038），第113天的RI小于1。仅仅依靠RI来确定第113天的放牧像素可能是不合理的。由于RDI约为1.43，因此第97天放牧后第97-113天可能没有牲畜放牧。此外，植被NDVI达到最大值后，第305天的RI也小于1，RDI大于1。这两个指标结合起来表明，第289天至第305天可能存在放牧干扰，放牧活动使观测到的NDVI值下降更快。 此外，RDI利用一个像素的NDVI变化来衡量放牧影响。同样，我们不应该仅仅依靠RDI来确定是否有一个像素用于放牧。例如，在植被NDVI达到最大值之前，第145天到第161天的RDI小于1（0.91）。然而，该像素不容易判断为掠入射像素。因为第161天的RI超过一（1.08），植被生长可能受到自然条件（如高温或水条件）的限制，而不是牲畜放牧的限制。
因此，需要结合RI和RDI来确定单个像素是否用于放牧。同时，如上所述，如果一个像素用于放牧，则RI必须小于一。然而，植被NDVI值达到最大值之前和之后，放牧区的RDI会有所不同。因此，如中所示图2、a*和b*的推导用于判断像素是否用于放牧，如下所示：- （a*）
在植被NDVI达到最大值之前，RI<1和RDI<1的区域将被视为放牧区；
- （b*）
植被NDVI达到最大值后，RI<1和RDI>1的区域将被确定为放牧区。
随后，第二步是计算放牧强度。在自由放牧草原中，我们可以根据NDVI在一定时间内的变化所支持的牲畜数量来获得一个像素的放牧强度。为了减去不同自然条件引起的NDVI变化，将放牧区NDVI与非放牧区的NDVI进行比较。放牧强度的计算公式可以表示为：哪里SU公司是指研究区域的年牲畜总头数，根据若尔盖县政府提供的若尔盖2012年统计年鉴中记录的牲畜头数计算得出[43]. 在本文中，SU公司需要按照四川省农业厅提供的“动物单位当量”标准换算成绵羊单位[44].GI公司是从时间开始的每个像素的掠射强度我到时间j个，以及的单位GI公司是指一天内每公顷的羊头单位（SUD/ha）。NDVI公司吉和NDVI公司吉分别为放牧区当时的NDVI值我和j个. ΔNDVI公司克− ΔNDVI公司微克是一个掠射像素的NDVI变化量。∑|ΔNDVI公司克− ΔNDVI公司微克|是总研究区域在特定时间段内NDVI变化的总和。 基于前人关于若尔盖高原放牧的研究成果[45]放牧可分为非常轻的放牧、轻度放牧、中度放牧、重度放牧和非常重度放牧(表1). 轻度放牧被定义为每公顷5 SUD，这是每公顷的最大绵羊数量（在1至5 SUD/公顷范围内），确保了很少的放牧利用率（低于30%）。适度放牧被定义为10 SUD/ha，这是放牧利用率低于60%的最大绵羊数量。重度放牧发生在10–20 SUD/ha的GI，并导致草原退化。轻度放牧和重度放牧分别定义为小于1 SUD/ha和大于20 SUD/ha。 3.2.3. 放牧期
放牧期通常定义为放牧牧场的天数。本文通过对放牧持续时间的累加，得出一年的放牧期。基于上述方法，从2012年1月1日至12月31日，从23幅MODIS NDVI时间序列图像中获得了22幅放牧强度图（2012年第一天除外）。放牧持续时间将根据两个相邻图像之间的时间间隔来计算，推断出有牲畜放牧。以一个像素为例，如果第17天的这个像素被识别为放牧，那么放牧持续时间将为16天(即，第1–17天）。否则，放牧时间将为零天。对于每个放牧强度图，将获得一个相应的放牧持续时间空间图。最后，将使用22张放牧持续时间地图来计算2012年的放牧期。
根据研究区的放牧持续时间结果，根据牲畜放牧时间的特点，分析了不同牧草类型的空间分布(即非放牧区、冬季牧场、夏季牧场和全年牧场）可以从整个研究区域中进行区分。
3.3. DNDC模型
3.3.1. 型号说明
DNDC模型（9.5版，可从[46])由新罕布什尔大学开发的是一种基于过程的生态系统模型，最初用于估算农业生态系统的碳封存和氮痕量气体排放[47]. 通过长期应用，该模型已被用于模拟几乎所有陆地生态系统的生物地球化学碳循环(即，农田、森林、湿地和草地），并被验证为世界上最广泛接受的生物地球化学模型之一[48]. 该模型由六个子模型组成（分别模拟土壤和气候、植被生长、分解、硝化、反硝化和发酵过程），主要由四个主要生态驱动因素（即气候、土壤、植被和管理实践）驱动(图2). DNDC模型具有六个子模型和大量的生态输入参数，可以直接模拟草地西部生态系统NPP的变化。根据NPP估算结果，改进了DNDC模型，通过方程（5）计算ANPP：哪里（f）粮食,（f）叶,（f）茎和（f）根分别是成熟时总生物量的粒级、叶级、茎级和根级，它们是从植被数据中获得的。 在DNDC模型中，放牧活动通过改变地上现存生物量和影响植被生长的氮需求，直接影响ANPP模拟结果。如所示图2将放牧参数输入过程模型，计算放牧后剩余生物量和植物材料的需氮量。 3.3.2. 输入参数
DNDC模型中通常有38个输入参数，没有考虑管理实践（例如牲畜放牧），包括气候、土壤、植被、坡度和土地利用数据。
研究区域周围28个气象站2012年（1月1日至12月31日）的气象数据（见图1b） 由中国气象局提供（网址：[49])，包括日温度、日降雨量、日风速、日辐射和日湿度数据。基于ANUSPLINE软件包[50]结合海拔变化，对五个气候数据库进行插值，得到250 m×250 m网格三和CO2浓度设置为DNDC模型的默认值。 土壤特性数据来源于1:1000000比例的中国土壤图（可在[51])包括土壤类型、土壤有机碳（SOC）、容重、土壤pH值和土壤粘土。若尔盖县的主要土壤类型为壤土，占研究区域的83.2%以上。主要土壤参数的值（列于表2)可以通过参考从1:1000000比例的中国土壤图中导出的参数值或DNDC模型的默认值来设置。 植被数据是根据四川省1:1000000植被类型图（由我们的研究团队提供）建立的。如中所示表3若尔盖县主要植被群落有山嵩草,木里苔草,高山嵩草,毛叶嵩草,类嵩草属,垂穗披碱草、和大叶蓼相关参数来自现场调查或参考相关论文和DNDC模型的默认值。 坡度数据由航天飞机雷达地形任务（SRTM）90m数字高程模型（DEM）数据集生成(图1b） ，可从国际科学技术数据镜像网站获取[52]. 我们的研究团队提供了空间分辨率为30米的土地覆盖图(图1c） ●●●●。利用物元模糊决策分类器从TM图像和DEM、时间序列NDVI等辅助数据中提取，总精度为89.89%[53]. 如所示图1c、 若尔盖县湿地和草地约占整个研究区域的77.2%，包括草本湿地、泥炭地、湿草地、草甸、草原和稀疏草地。根据DNDC模型的要求，这六种土地覆盖类型将分为三类：湿地（草本湿地和泥炭地）、潮湿草地（湿草甸）和干燥草地（草甸、草原和稀疏草地）。 3.4. 地面测量
由于草会在生长季节结束时积累最大的生物量[34]，我们于2012年8月中旬选择相对平坦的区域进行现场采样测量。如所示图1c、 在若尔盖县共采集了39个GPS记录的监测地块。在每个监测点，设计一个100 m×100 m的样地，其中9个1 m×1 m的样品均匀分布在样地中。对于九个样本，地上草将被收割并干燥。然后，通过乘以经验系数0.475，将地上生物量转换为ANPP[59]. 在每个样地中，有九个地上生物量样本，其平均值将分配给样地。 在所有监测地块中，有六块地块位于未用于放牧的围栏内(图1c） 包括一块湿地、一块潮湿草地和四块干燥草地。对于这些非放牧样地，基于每个NDVI图像，我们导出了每个土地利用类型的最小NDVI值，作为非放牧地区不同土地利用类型NDVI阈值。然后，从NDVI时间序列数据集中获得2012年非放牧地区的23个NDVI值，并生成湿地、湿草地和干草地非放牧区域的NDVI曲线。 4.结果与分析
4.1. DNDC模拟结果的验证
为了评估模型模拟结果的准确性，使用地面测量和模型模拟结果，我们计算了决定系数（R2)、均方根误差（RMSE）和相对误差（RE）来评估DNDC模型的性能。
如所示图4a、 如果考虑放牧，样地的ANPP模拟结果与观测数据非常接近，R20.75千克/公顷，RMSE为122.86千克/公顷。RE范围为0.51%～37.58%，平均RE为8.77%。这表明模型估计值与Zoige样本场的观测ANPP一致。有理由相信，DNDC模型可以用来模拟若尔盖县放牧条件下的ANPP。如果不考虑放牧，ANPP模拟值的准确性较差，RMSE为211.51 kgC/ha，平均RE为32.5%。如所示图4b、 DNDC模拟的ANPP与现场测量结果不同，R2第0.4页。因此，结合DNDC和遥感衍生放牧参数可以有效提高ANPP模拟结果的准确性。 4.2. 区域ANPP的空间变化
图5a说明了2012年若尔盖县湿地-颗粒地生态系统模拟ANPP的空间分布，并考虑了放牧活动。整个地区的地上总生产力高达3.815×105tC.区域平均ANPP计算为483.47 kgC/ha，数值范围从稀疏牧场最低的ANPP 7.67 kgC/ha到草本湿地最高的ANPP 3869.76 kgC/ha。如所示表4区域平均ANPP较高的地区主要位于草本湿地、泥炭地和湿草地。若尔盖县面积最大的草甸和大草原的ANPP通常为100-500 kgC/ha，区域平均ANPP分别为422.46 kgC/ha和389.71 kgC/ha。稀疏牧场面积较小，ANPP较低，区域平均ANPP为328.84 kgC/ha。 4.3. 放牧对ANPP的影响
如果不考虑放牧，如图5b、 ANPP模拟结果与考虑放牧活动的结果具有相似的空间格局，但前者的值略大于后者。不考虑放牧的ANPP最大值和最小值分别为3880.44和109.76 kgC/ha。就整个地区而言，若尔盖县的区域ANPP将被高估44.4%，高达5.51×105tC和区域平均ANPP为698.3 kgC/ha。 如中所示图5c、 非放牧和放牧情景下ANPP的区域平均差异约为214.84 kgC/ha，区域ANPP的总差异高达1.695×105tC.对于不同的土地覆盖类型(表4)不同放牧条件下的ANPP变化主要发生在干旱草原（如草甸、草原和稀疏草地），ANPP差异在200kgC/ha以上。与不考虑放牧的模拟ANPP相比，考虑泥炭地放牧的区域平均ANPP变化不大，差异为28.49 kgC/ha。 随着放牧强度水平的变化，如果考虑放牧，ANPP值将比不考虑放牧的ANPP值变化更大。正如在表5轻度至中度放牧会使ANPP降低100-300 kgC/ha，重度放牧会进一步降低ANPP。当牧草生长期的放牧强度小于1 SUD/ha时(表5)ANPP将增加或保持不变。特别是对于泥炭地，由于人类活动减少，泥炭地将几乎保持原始沼泽。 5.讨论
5.1. 导出放牧参数的可信度
利用时间序列遥感数据，提出了一种估算区域放牧参数的方法(即放牧强度和放牧期）。与以往的研究相比，本研究使用的方法具有一些特点，可以使得出的放牧信息可信。
与研究中使用的其他方法相比，这种结合RI和RDI的方法更适合于确定放牧区，例如[27]. 具体来说，由放牧和非放牧地区的NDVI构成的RI/RDI可以减少一些环境因素的影响，避免阈值设置带来的误差，并防止在一年中对一个地方使用一个放牧强度/周期。 值得注意的是，放牧强度的空间变化可以在本研究中体现出来。区域年平均放牧强度为2.745 SUD/ha，范围从泥炭地的0.559 SUD/ha到稀疏牧场的4.419 SUD/ha(表6)，与根据若尔盖县年载畜量计算得出的放牧强度（2.83 SUD/ha）接近[60]. 因此，有理由相信本文计算的放牧强度值是令人信服的。值得注意的是，该方法可以避免将低分辨率放牧强度输入到生态模型中来估计ANPP。例如，GLW（可在[61])由粮食及农业组织（FAO）与牛津环境研究小组（ERGO）合作开发，是关于牲畜分布的数据，空间分辨率为0.05°。尽管GLW数据已用于估算放牧强度[19]，由于分辨率低，无法反映若尔盖县的实际放牧强度(图6a） ●●●●。相反，本文利用时间序列遥感数据计算的放牧强度可以提供高质量的区域尺度数据，空间分辨率为250 m(图6b） ●●●●。显然，本文使用的放牧强度比FAO的数据更能说明放牧强度的空间分布。 同时，放牧强度和放牧期的时间序列，这在以前的研究中几乎没有报道[8,17,25,27,28]粮农组织无法提供(图6a） 本研究还提供了。它使我们能够量化游牧放牧模式中放牧强度的时间变化，并分析牧场类型。 若尔盖县一整年的平均放牧强度从2.58 SUD/ha到3.95 SUD/ha不等（第353天除外）（见图7)本文还通过若尔盖县的库存能力进行了验证[60]. 从第17天到第337天，放牧强度值先减小后增大，直到1月或12月达到峰值。其中，177天的平均放牧强度为3.687 SUD/ha，甚至高于1月份的放牧强度。这是合理的，因为它与以前的研究结果一致[62]这说明夏季放牧时间最长，夏季牧草放牧率过高。夏季放牧强度高的另一个原因可能是夏季储存了大量的粮食，以便在其他季节饲养牲畜。相反，根据计算，第353天的放牧强度超过300 SUD/ha，这显然是不合理的，因为若尔盖县一公顷的草产量无法养活这么多羊[60]. 这一误差与整个研究区域冬季生物量有限和植被NDVI变化较小有关，这可能会使放牧强度过高估计。 此外，若尔盖县放牧期的空间分布如图所示图6c、 平均放牧期118.82天。对于不同的土地覆盖类型，湿地和潮湿草原的放牧期通常小于其他土地覆盖类型的放牧周期(表6). 尤其是泥炭地，年放牧期为7.110天，比其他土地覆盖类型短得多。这也符合若尔盖县的实际情况。例如，泥炭地位于国家湿地自然保护区，那里的放牧受到严格限制。此外，泥炭地太湿，不适合牲畜放牧[32]. 因此，有理由相信，本文计算的放牧期可以用于监测游牧放牧系统中不同类型牧场的空间分布。如所示图6d、 若尔盖县全年牧场、夏季牧场和冬季牧场分别占73.4%、10.6%和8.3%。全年牧场的面积远大于其他类型的牧场。这些可能证实了若尔盖县每个家庭的平均牧场面积（小于10.15公顷）[63]面积不够大，无法划分为几个区域进行轮牧。 5.2. 区域ANPP模拟的误差来源
与不考虑放牧活动的模型模拟ANPP相比，尽管考虑放牧影响的模型模拟AN PP的准确性可以通过R显著提高20.75，模型模拟的ANPP与RMSE为122.86 kgC/ha的观测数据之间仍存在一些误差。这可能是因为在模拟过程中，初始输入参数会产生许多不确定性[64]. 在我们之前的工作中[65]，DNDC模型的一些输入参数，例如日温度[66]、根系生物量C/N比和年需氮量[67]，大气背景CO2浓度、土地利用类型和土壤类型对模型模拟结果的准确性有显著影响。这些输入参数的低分辨率或准确性将直接导致模型仿真结果不佳。例如，1:1000000比例尺地图上的土壤类型由于分辨率低，会给区域ANPP模拟结果带来误差，而插值方法得到的区域气象数据由于缺少观测站而无法提供足够的精确信息[68]. 因此，开发高质量的区域生态参数数据集对高精度区域模型模拟至关重要[19]. 此外，无论在什么情况下，由于模型缺陷、大面积的不确定参数或其他因素，特别是在区域范围内，在分析地球C动力学时仍然存在很大的不确定性[69]. 因此，数据同化方法可以有效地结合观测信息和基于过程的模型，以提高生物地球化学模型的参数化和模拟的准确性[70]，应在今后的工作中进行探索，以获得准确的模拟结果。 5.3. 当前工作的优点和局限性
由于缺乏足够的区域放牧数据，因此很少有研究放牧对区域ANPP的影响[71]. 本研究试图将时间序列遥感数据与过程模型相结合，开发一种方法来模拟区域尺度上放牧对草地ANPP的影响。与以往的研究相比，该方法在模拟放牧对ANPP的影响方面具有一定的优势。一方面，它可以避免受到野外观测的限制，并提供关于区域放牧强度和放牧期的高分辨率数据。此外，这将使我们能够监测游牧放牧模式中放牧强度的时间变化，并分析牧场的放牧周期。另一方面，它可以成功模拟放牧条件下的草地ANPP，研究草地ANPP对放牧的响应。例如，ANPP和放牧之间存在补偿或过度补偿增长[18]而过度放牧很容易在时间序列遥感数据中表现出来。此外，放牧将在短期内对地表覆盖产生影响[72]，非常轻的放牧可以改善ANPP[19]. 虽然上述方法已被证明在估算放牧对区域ANPP的影响方面具有许多优势，但在未来的工作中仍有一些问题需要解决。
根据方程式（1）–（3），放牧参数的计算假设，NDVI非放牧时间动态的偏差仅由放牧活动引起。然而，事实上，放牧区和非放牧区之间植被NDVI的变化可能是由于气象、土壤和地形条件所致[73]尤其是在不同的年份。而非放牧区NDVI时间序列剖面将直接影响放牧参数计算结果的准确性。因此，为了减少这些环境因素对植被NDVI的影响，并采用合理的NDVI阈值，需要每年对非放牧地区进行足够的实地调查，以确保非放牧区的参考NDVI曲线具有代表性，并适合于研究区。然而，对于较大的区域，不可能获得足够的现场样本。如果可以通过植物生长模型或其他方法在非放牧地区创建一个完美的NDVI曲线，则可能能够确保放牧强度/放牧周期更可靠。 显然，本文估算的放牧期的准确性会受到NDVI数据时间的影响。本文利用约束视角最大值合成（CV-MVC）方法生成的MOD13Q1植被指数产品作为放牧参数。CV-MVC方法倾向于选择NDVI值最高的像素观测值来代表整个周期（16天）。在极端情况下，相邻的两幅NDVI图像之间会有一天或30天的间隔，在放牧期间会有很大的误差。因此，建议将每日NDVI数据（例如MODIS MOD09GQ）作为估算放牧参数的替代数据。然而，由于云或云影的中断，气溶胶和数据传输错误，等。，可能也很难获得理想的放牧强度/放牧周期。因此，如何提高放牧参数的计算精度值得探讨(即放牧强度和放牧期）。
此外，若尔盖县缺乏放牧的时空信息，很难验证本文中放牧强度或放牧周期的准确性。在未来的工作中，需要开发现场实验，如GPS跟踪[25]、植物群落调查[74]、牲畜粪便物质评估[74]、牲畜调查[75]或其他方法获取放牧验证数据。此外，与ANPP和牲畜放牧相关的一些变化，例如土壤特性、微气象和水[76]在今后的工作中，还需要将遥感与野外采样相结合进行探索。 6.结论
本研究以中国若尔盖高原草原湿地生态系统为例，提出了一种利用时间序列遥感数据和基于过程的生态系统模型模拟放牧对ANPP影响的方法。与不考虑放牧的ANPP模拟结果相比，估计的ANPP与观察到的ANPP之间的关系更为显著，R20.75，RMSE为122.86 kgC/ha，平均RE为8.77%。因此，该方法可以在区域尺度上成功估算放牧条件下的草地ANPP。
若尔盖县2012年区域ANPP总量达到3.815×105tC.如果在模拟ANPP时不考虑放牧活动，区域ANPP将被高估44.4%，高达5.51×105tC.对于整个研究区域，牲畜放牧和ANPP将随着土地覆盖类型的变化而变化。例如，由于人类活动较少，泥炭地几乎保持着原始沼泽，平均ANPP为794.97 kgC/ha。草本湿地和湿草地的地上生产力也较高（超过800 kgC/ha）。对于较低的放牧强度（<2.6 SUD/ha）和较短的放牧期（小于82天），草本湿地和湿草地的ANPP分别为680.4 kgC/ha和733.32 kgC/ha。草甸、草原和稀疏牧场占研究区域的75%，被认为是主要的放牧牧场，年平均放牧强度超过3.3 SUD/ha，放牧期超过159天。
总之，时间序列遥感数据和基于过程的生态系统模型相结合，可以提供关于区域放牧强度和放牧期的高分辨率数据，监测放牧强度的空间变化，识别牧场的种类，模拟放牧条件下的草原ANPP，并调查了草地ANPP对放牧的响应。如果遵循我们的方法，那么如何在不受环境因素干扰的情况下获得非放牧地区的完美植被指数曲线值得关注。同时，有必要尝试使用适当的NDVI数据和区域尺度的高质量驱动数据（包括气象、土壤和植被数据）来模拟区域地上生物量。此外，应通过实地试验或其他手段（如遥感）进一步验证区域尺度的放牧数据和草地ANPP。此外，在未来的工作中，还需要将遥感与野外样品相结合来探索ANPP和放牧的机制。最后，应探索数据同化方法，以便在未来的研究中获得准确的模拟结果。
