31
Окт

Глобальные модели динамики растительности (DGVM)

Глобальные модели динамики растительности (DGVM) позволяют имитировать процессы в растительности на уровне всего мира на длительны периодах времени. Они являются важным компонентом моделей геосистемы, позволяющих воспроизводить динамику пулов углерода растительности и изменения ее альбедо, и их влияние на процессы в атмосфере и океане. Такие модели позволяют оценить динамику лесов России на десятки и сотни лет вперед в условиях разных сценариев изменения климата Земли.

Для оценки углеродного бюджета лесов России предлагается использовать глобальную модель динамики растительности LPJml4 (Schaphoff et al., 2017). Краткое описание модели представлено ниже. Модель выполняет моделирование на уровне клеток с разрешением 0,5 градусов. В данном проекте область моделирования была ограничена территорией России. В каждой клетке имитируется динамика некоторых функциональных типов растительности, представляющих объединение схожих по их свойствам растений. Всего модель включает 11 типов растительности, включая 3 типа травянистой растительности, а также древесную растительность, разделенную по типу фенологии (вечнозеленые, листопадные), а также на хвойные и лиственные типы. В каждой клетке моделируется только один, средний индивид каждого типа растительности, и для получения информации обо всей популяции учитывается плотность индивидов.

Модель ежегодно воспроизводит гибель растений, связанную с естественными причинами, с водными и температурными стрессами или пожарами. Погибшие растения уменьшают плотность данного типа и переходят в «пулы» отпада. Также происходит регулярное отмирание частей растения, листья переходят в наземный отпад, корни – в подземные пулы, а заболонь – в ядро. Моделирование отпада происходит на нескольких уровнях (наземный, быстрый и медленный подземный), отличающихся скоростью разложения (от 1 года до 1000 лет). После разложения углерод частично выделяется в атмосферу, и частично переходит в более медленный пул отпада.

Для моделирования использовались те же входные данные, что и в оригинальной работе по модели (Schaphoff et al., 2017). В частности, для оценки параметров почвы использовалась база данных Harmonized World Soil Database v 1.2 (Wieder et al., 2014), в качестве источника метеоданных применялась информация от Climatic Research Unit Великобритании (Harris et al., 2014).

Оценка точности проводилась на основе сравнения модели и данных ДЗЗ, в частности, продуктов, оценивающих тип растительного покрова, LAI и NPP. Для сравнения использовался критерий Kling–Gupta efficiency, предложенный в работе (Gupta et al., 2009). Метод основан на сопоставлении двух источников данных с оценкой трех характеристик их совпадения: по средним значениям (E), стандартному отклонению (Var) и корреляции (Corr).

Настройка модели производилась для параметров, связанных с биоклиматическими границами и фенологическими особенностями типов растительности, присутствующими на территории России. Изначально было выбрано 100 параметров для настройки. Проведение анализа чувствительности на основе случайной вариации параметров позволило выбрать 9 наиболее значимых параметров, для которых была осуществлена полноценная оптимизация. Выбранные параметры регулируют зависимость фенологии растения от различных факторов – температуры, доступности воды и света.

Оптимизация проводилась с помощью алгоритма differential evolution (Storn et al., 1997) из библиотеки SciPy (Virtanen et al., 2020), написанной на языке Python. На каждой итерации метода он стартует с определенной выборки, случайным образом осуществляет мутацию элементов выборки, оставляя в выборке следующей итерации только самые лучшие из получившихся элементов. В ходе оптимизации было выполнено 800 итераций моделирования.

Модель показывает устойчивый прирост углерода фитомассы (165 млн т в год), достаточно стабильный уровень мортмассы (баланс 13 млн т в год), суммарный баланс по оценке модели составил 178,6 млн тонн в год.

Рисунок 1.

В разрезе страны запас представлен на рисунках ниже. Видно, что основной запас по оценке модели концентрируется в поясе от центрально-европейской части страны, через юг Сибири и Дальнего Востока и до Приморья. Мортмасса немного более распределена по территории страны.

Запас углерода мортмассы на уровне клеток модели
Рисунок 2. Запас углерода мортмассы на уровне клеток модели
Запас углерода мортмассы на уровне клеток модели
Рисунок 3. Запас углерода мортмассы на уровне клеток модели

Динамика углерода по стране представлена на рисунках 4 и 5. На них видно, что основной прирост фитомассы наблюдается в центральной европейской части страны и на юге Сибири и Дальнего Востока. Основное падение углерода наблюдается в юго-западной части страны. Для мортмассы наблюдается обратная ситуация, ее уменьшение в центрально-европейской части страны, увеличение на юго-западе.

 

Прирост углерода фитомассы на уровне клеток модели
Рисунок 4. Прирост углерода фитомассы на уровне клеток модели
Прирост углерода фитомассы на уровне клеток модели
Рисунок 5. Прирост углерода фитомассы на уровне клеток модели

Стоит отметить, что используемая на данный момент версия модели не учитывает деятельность человека. Учет деятельности человека был проведен косвенно, посредством коррекции результатов моделирования на фактическую площадь растительности в клетке по картам растительного покрова, полученным в данном Проекте. Модель LPJml4 включает в явном виде возможность учета деятельности человека, эксперимент по использованию этой модельной возможности будет проведен в следующем отчетном периоде. Ожидается, что деятельность человека может повлиять на полученные тренды.