晓相厷
范文一：生产力的计算
生产力的计算
先谈公司的目标到底是什麼? 看法?? 非常简单公司的目标就是在於赚钱 “一个组织存在有许多目的” 提供工作机会 消费原物料 增加销售 ?等这些都只是达成目标的工具 无法保证公司的长期生存能力 因此公司必须要有赚钱才能强调其它的目标 例如: 员工福利 生活区改善?..
生产力表达的涵义是什麼？生产力就是把一个组织带向目标的行动。每个能让公司更接近目标的行动都是有生产力的行动。每个不能让公司更接近目标的行动都没有生产力！ 重点:你必须知道目标是什麼，否则生产力就 毫无意义可言。
学习重点: 何谓生产力 ? 计算生产力必需参考的范围 影响生产力变化主要因素 提高生产力的方法 运用计算及预估生产力创造价值
何谓生产力? 生产力其实就是泛指有效的产能生产力亦是指达成有效的目的生产力也是一种经济成长力
计算生产力前先学会生产管理生产力包含： 持有、接收、储存、容纳的能力企业观点在特定时间内，系统所能完成的总产量制造业观点在特定时间(一天)内，能产出成品总数服务业观点在特定时间内，能被服务的顾客数作业管理观点强调长期、中期、短期产能不同作业管理阶层有不同产能规划
先学会区分生产预测 分类设计产能理想状态下之最大产出有效产能在特定的产品组合，排程安排上及品质因素下之最大可能产出。(扣除保养、休息、排程?后的最高产能) 实际产能指实际的产出率它不能大於有效产能
产能效率与产能利用率作业系统的绩效指标效率＝实际产出÷ 有效产能产能利用率＝实际产出÷ 设计产能设计产能有效产能实际产出设计产能 ＞ 有效产能 ＞ 实际产出
产能管理有效产能设施环境：厂址布置产 品：设计种类制 程：量产品质人 为：经验能力作 业：排程料管物料人力财力限制产能因素 影响产能因素 应该先求提高有效产能再求实际产出的提高，否则即使效率高但有效产能太低，而导致无法大幅增加实际产出。
产能管理生产力规划的目标产能规画主要是针对现场的生产资源，例如人力或设备资源，加以规画以符合产出需求。产能规画如有缺陷则会直接影响生产活动，过高的产能显然是资源的浪费，是所有企业极力避免的现象；而若产能过低则会影响交货日程，降低竞争力而将商机拱手让人。然而在做产能规画时，身为管理者必须要能认知产能规画的目标以及定义产能规画优劣的衡量指标。事实上，对於各种管理行为，如果能够明确定义所要管理的目标以及衡量指标，则管理将会变得较有效率同时也较有效能。
规划观念最佳生产水准设计制程时所设定的产能水准平均单位成本最小的产能水准固定费用、加班、设备损耗、不良率及其他成本产能 – 可以达到的产出率 已使用产能(实际达到产能) 产能利用率 = 设计产能(最佳生产水准) 300 辆汽车: 最大产出? 六个月平均值?
Underutilization 最佳生产水准 Overutilization 产量 产出的平均单位成本最佳生产水准 - Best Operating Level
一个工厂在一个星期内产出了83个单位的产品,该工厂曾经最高或最佳利用效能的记录是每个星期120个单位.这间工厂的产能利用率是多少? 产能利用的例子 已使用产能(实际达到产能) 产能利用率 = 设计产能(最佳生产水准) = 83 / 120 = 0.69 = 69%
思考方向:经济与不经济规模经济产量逐渐增加，产出的单位成本必降低规模不经济产量过大，故需适度降低售价，以维持足够的需求(汽车制造商- 供过於求) 高度自动、高产出的机器(停机时间最小化) 直接人工费用低维修人工成本高 原物料与成品的运输成本
学习(经验)曲线来表示变化学习(经验)曲线随产出量增加，能获得较佳的生产方法及经验，生产成本会按一定比例下降
规模经济与学习曲线较大工厂的成本优势 – 竞争策略 1.规模经济 2.学习曲线建立有潜在规模的大工厂利用低成本订定低价格低价格导致销售增加（产出量增加）经验曲线比竞争者降的更快成功的条件产品需符合顾客需求需求必须大到可以支持产量
焦点焦点式工厂- 集中在某些特定工作时，生产设备往往能做的最好，达成生产目标公司不应期望在所有制造绩效都很杰出, 选择对公司目标贡献最大的方向-注重在一个焦点. PWP(Plant Within Plant)透过厂内厂的机制来落实次级组织-设备,制程政策,人员管理政策 及生产控制方法. 寻求部门最佳作业标准.
产能利用需有弹性迅速增加或降低生产水准的能力快速地从一种产品或服务转换到另一种藉由以下完成弹性工厂、弹性制程或弹性工作者利用其它组织产能
产能弹性弹性工厂:零换线时间(Zero Changeover Time) 可移动的设备,组合式的墙,容易出入且可变更布线路径的公共设施适应随时、任意的改变. 弹性制程：弹性制造系统可简易地重新配置设备,迅速、低成本转换生产线同时制造多样产品，达到规模经济弹性工作者：多能工工作者拥有多样技能，可轻易的转换工作利用其它组织产能租设备、转包厂商代工、加班
产能规划产能弹性产能会议 后勤接单(make-to-order) 机器设备能力 人员产能 其他资源产能 产能配置 – 最佳化弹性产能弹性工厂、弹性制程或弹性工作
者利用其它组织产能 2. ACS – 及时监控 Daily review 3. Review 产能 per week
产能规画增加产能的考虑因素：维持系统的平衡产能增加的频率使用外部产能确定产能需求 使用决策树评估产能方案
产能规画增加产能的考虑因素维持系统的平衡系统不可能平衡每一个生产阶段的最佳作业水准是不同的产品需求和制程的变异性处理不平衡的方法暂时增加瓶颈作业的产能加班 租设备 转包瓶颈阶段之前使用缓冲库存品 （同步制造 ）再投资一套瓶颈作业设备
产能规画产能增加频率小量、频繁地提高产能直接成本高搬动和重置设备新设备的人员训练 大量、不频繁地提高产能超额产能未被利用之前，皆为固定成本
小量 小幅度大量 大幅度产能规画
产能规画-需有支援外部产能外包 分享产能结盟
细说产能规画确定产能需求预测个别产品的销售量估计符合产品预测的设备和人力需求预估规划期间人工和设备的取得保留缓冲产能：预定需求和实际产能的差异 ㄧ般工厂是以行销单位预估出货需求 FCST
产能规画确定产能需求 公司生产了两种味道的果汁－苹果和柳橙 ，两者的包装都有瓶装或塑胶袋装。 问题: 公司希望确定未来五年设备和劳动力的需求量。各位会如何去做?
产能规画确定产能需求 步骤1：预测未来五年需求量
产能规画确定产能需求 步骤2：计算满足所预测的生产线设备和人力需 求量 1.瓶装作业 机器：3部瓶装机器，均可生产Paul和Newman的包装 产能：每部机器可包装150,000瓶/年，需要2个操作员 人力：目前有6个作业员 2.塑胶袋装作业 机器：5部塑胶袋装机器，均可生产Paul和Newman的包装 产能：每部机器可包装250,000袋/年，需要3个操作员 人力：目前有20个作业员
产能规画确定产能需求 步骤2：计算满足所预测的生产线设备和人力需 求量(续) 依此计算出总生产线的预测量，与年需求量(下表)比较：
产能规画确定产能需求 步骤2：计算满足所预测的生产线设备和人力需 求量(续) 计算第一年设备和人力的需求： 1.瓶装机器的总可用产能为： 3部机器*150,000/部=450,000瓶/年， 第一年我们只使用135/450=0.3的可用产能， 或说只用了0.3*3=0.9部机器及0.9*2=1.8个操作员 。 2.塑胶袋装机器的总可用产能为： 5部机器*250,000/部=1,250,000袋/年， 第一年我们只使用
300/1,250=0.24的可用产能， 或说只用了0.24*5=1.2部机器及1.2*3=3.6个操作员 。
产能规画确定产能需求 步骤3：计画实施期间，人力及设备的需求 瓶装作业： 塑胶袋作业： 4.62 3.96 3.24 2.46 1.81 3.劳力的需求(人) 2.31 1.98 1.62 1.23 0.9 2.塑胶袋作业(台) 77 66 54 41 30 1.产能利用率(%) 5 4 3 2 1 年项目 14.1 12.6 10.8 7.2 3.6 3.劳力的需求(人) 4.7 4.2 3.6 2.4 1.2 2.塑胶袋作业(台) 94 84 72 48 24 1.产能利用率(%) 5 4 3 2 1 年项目
产能规画工具使用决策树(decision tree)评估产能方案以决策节点及连结节点的分枝线组合而成方格代表决策点圆圈代表机率事件决策点的分枝线决策者可能的选择机率事件的分枝线事件发生的机率
产能规画工具使用决策树评估产能方案求解由后往前解将每一个步骤的期望值计算出来留下报酬 (payoff)最大的分枝线将决策点上其余的分枝线删除这个程序一直继续进行到第一个决策点
产能规画工具使用决策树评估产能方案 Hackers电脑公司的老板正思考，公司五年内应该如何经营。 过去两年销售量成长尚称良好 。 在邻近的地区，设立一个大型电器商店的计划，如果准时完工，将会带来更多的商机。 Hackers 的老板有三个可能的选择： 1.扩大目前的店 2.迁到一个新地方 3.什麼都不改变 扩张及迁移不用花太多时间，因此不会有收入损失。 若第一年不改变，而市场高度成长，还是可以再考虑扩张。 等待时间若超过一年，会使竞争者进入，扩张则不可行。
产能规画工具使用决策树评估产能方案 假设条件： 1.由於电子公司设立，使得爱用电脑的人增加，高成长 的机率为55%。 2.若移到新址且高成长，将造成每年$195,000的报酬， 迁移新址及弱成长，则有$115,000的报酬。 3.扩张且高成长会带来每年$190,000的报酬，扩张及弱 成长则有$100,000。 4.继续留在现址且高成长，将带来每年$170,000的报酬， 弱成长则有$105,000的报酬。 5.原地扩张成本为$87,000。 6.迁至新址的成本为$210,000。 7.如果成长很强且现址於第二年扩张，成本为$87,000。 8.作业成本都相同。
产能规画 A B 机率事件 E(A)=$585,000 强成长收入$195,000/年 5年机率=0.55 弱成长收入$115,000/年 5年 E(B)=$660,500 强成长收入$190,000/年 5年机率=0.55 弱成长收入$100,000/年 5年机率=0.45 机率=0.55 决策点收入$19,000/年 4年收入$170,000/年 4年 $760,000-87,000=673,000 $680,000 结论：最后的选择是C什麼事都不做，因期望值$703,750最高机率=0.45 Ｃ:不改变成本=0 B:扩大目前店面成本$87,000 2:一年后再扩张店面,成本87,000 1 决策点 A:迁新地址成本$210,000 强成长收入$170,000/年 5年机率=0.45 弱成长收入$105,000/年 5年 E(C)=$703,750 A期望收入
$195,000*5*0.55+$115,000*5*0.45-210,000=$585,000 B期望收入
$190,000*5*0.55+$100,000*5*0.45-$87,000=$660,500 C期望收入
$170,000*5*0.55+$105,000*5*0.45=$703,750 2 C 2:一年后仍不扩张店面 65 定义计算生产力的参数主要的参数 1.时间 : 月 . 周 . 日 . 小时 . 分 .
秒 . 2.设备能力 3.生产人力 4.生产品质.物料供给 5.生产效率 6.环境因数??????.. 65 区分种类与定义整备时间( Setup time ) ：零件等候一资源 进行准备工作的时间 作业时间( Process time ) ：零件投入作业的时间 排队时间( Queue time ) ：当资源忙於其他作业时， 花费等候该资源的时间 等候时间( Wait time ) ：零件花费在等候 另一零件(非资源)的时间 闲置时间( Idle time ) ：乃设备没有实质使用的时间 ，即周期时间减去整备时间、 制程时间、排队时间、等候时 间的总和
计算产能法则与技术单机对n项作业 术语：n项工作—单机问题 or n/1 问题的困难度是随所考虑的机器数的增加而增加，与工作数目之增加较无关系；所以，对n唯一的限制，就是它必须是一个指定的有限数目。
计算产能法则与技术先到先服务（FCFS；first-come,first-served）：订单依照它们到达作业部门的先后顺序来作业最短操作时间（SOT；shortest operating time）：优先处理完成时间最短的工作订单，在依次完成时间次短的订单交期（due date）：交期最早的优先处理 65 计算产能法则与技术开始日期（start date）：交期减正常的前置时间（作业开始日期最早的先处理）剩余宽裕时间（STR；slack time remaining）：计算至交期前之时间减去剩余加工时间之差额即可得到STR。剩余闲置时间最短的订单优先处理每项作业之剩余宽裕时间（STR/OP；slack time remaining per operation）：STR/OP最短之订单优先处理。STR/OP之计算公式：STR/OP=(交期前之时间-剩余之加工时间)/剩余之作业数 65 计算产能法则与技术重要比率（CR；critical ratio）：计算交期减去目前日期之差额，再除以剩余工作天数，比率最小的订单优先处理等候比率（QR；queue ratio）：计算排程中剩余之闲置时间除以预计等候时间，等候比率最小的订单优先处理
计算产能法则与技术后到先服务（LCFS；last-come,first-served）：这法则常发生在不使用任何法则的时候。当订单到达时，他们是被放置在整堆的最上层，而作业人员通常是挑取最上层的订单优先处理随机或随兴（random order or whim）：管理者或作业人员通常选择任何他们感觉喜欢的工作开始作业
计算产能法则与技术工作群 处理时间 交期 流程时间 （天） （从现在起之天数） （天） SMT 3 5 0+3=3 DIP 4 6 3+4=7 TEST 2 7 7+2=9 ASSY 6 9 9+6=15 PACKING 1 2 15+1=16
-------------------------------------------------------------------------------------------------------- 流程时间合计=3+7+9+15+16=50(天) 平均流程时间=50/5=10(天) 平均一项工作延误时间=(0+1+2+6+14)/5=4.6 65 计算产能法则与技术 2项或超过2项工作，必须以相同的顺序经过2部机器目的：让第一项工作的开始，至最后一项工作的结束为止，其间的流程时间最小化
计算产能法则与技术列每项工作在2台机器上之作业时间 2.选择最短之作业时间 3.如果最短之作时间是在第1台机器上作 业，则优先处理该工作；如果最短之作业时间是在第2台机器上作业，则最后处理该工作 4.对所有剩余之工作重复步骤2和3，直到排程完全结束
计算产能法则与技术工作 在机器1上之作业时间 在机器2上之作业时间 A 3 2
B 6 8 C 5 6 D 7 4
---------------------------------------------------------------------------------------------------- 1.表列作业时间 2.选择最短的作业时间并将其分派。工作A在机器2上作业时间最短，故应优先被分派与最后被执行重复上述动作。工作D在机器2上之作业时间是次短，所以被排在倒数第二执行。工作C在机器1上有最短的作业时间，故被安排在第一个执行。仅剩工作B，而其在机器1上的作业时间最短，故被安排在第二个执行。执行顺序：C—B—D—A 65 计算产能法则与技术指派方法（assignment method）：被应用於有n项供给来源、和n项需求时使用目的：使一些衡量绩效值最大化或最小化指派方法对於解决具有下列特徵的问题颇为适当： 1.有n项「东西」被分派至n个「目的地」 2.每项东西必须被分派至一个，而且仅有一个目的地 3.仅使用一个准则（如：最小成本、流程时间、最大利润）
计算产能法则与技术若有n项工作在m台机器上处理，而且全部的工作都必须经过所有的机器，则会有（n!）m种可选择之排程结果电脑模拟是唯一可行的方法所使用的优先法则应具备下列几项原则： 1.它应该是动态的。也就是说，在工作的过程，不断的计算来反应工作条件之改变 2.大体而言，它应该是以闲置时间（一项工作之剩余工作时间与所允许之剩余作业时间之差额）为基础 3.较新方法是在个人电脑上，结合模拟与排程人员去创造排程
现场主管主要功能 指定每项工作订单之分派优先顺序。维持在制品数量之资讯。传送工作订单之现况资讯至办公室。提供确实产出之资料以利能控制。依照储位或工作订单之分类，提供在制品库存及会计上之所需之数量资料。提供效率、利用率、人力及机器的生产力等衡量指标。
结论(1) 产能规画系企业经营最重要的一环产能规画的得失将影响到企业经营的成败产能的规画与市场的需求吻合产能的规画能达到全公司整体的最佳化产能的规画应充份考虑到将来环境变迁的适用性
在「竞争策略」一书，认为企业的一般化竞争策略，应以低成本，差异化或集中化(low cost ，differentiation ，focus)之一为其竞争优势的主轴，全力发展，才能显著的领先竞争者，提高获利能力。建购低成本优势，并能维持领先的三大来源：经验曲线(experience curve)或学习曲线(learning curve) 经学习而熟悉经熟悉而改良制程或产品设计规模经济(scale economies) 经济规模指的是企业因营运规模扩大所伴随而来的效率提升，而最后反应在单位之固定成本分摊及变动成本的降低。规模不经济(scale diseconomies)指的是当规模扩大时，企业同时也面临了内部管理复杂性增加、协调困难度增加及成本升高。 专业化(specialization) －企业可能选择的经营模式(Wal-Mart 、台积电) 专注在少数的价值产品专注在某特定的产品线或服务结论(2)
结论(3) 绩效＝决策力 × 执行力不论是企业或是政府，任何组织的绩效都可用下列公式来表达：绩效＝决策力 × 执行力，凡是由两个变数相乘所构成的公式，它的基本特性是：其中任一变数的数值如果是零的话，那麼不管另一变数的数值
有多大，它们的乘积都必定是零。换句话说，一个组织要有A＋的绩效，它除了要有A＋的决策力之外，同时也必须要有100％的执行力。100％的执行力，碰到C－的决策力，整体绩效必然不会高於C－，这就是「格局决定结局」的意思，这时执行力被浪费了；反之，A＋的决策力，碰到50％的执行力，整体绩效也不可能及格，这是一种「力不从心，心余力拙」的局面，这时决策力被糟蹋了。 决策是一套「见、识、谋、断」的功夫。对企业来说，「见识」是一种「如何盱衡环境、审时度势，为企业诊断问题、发掘机会」的工作。它的原则是「了解全局、洞察趋势、把握重点」；它的重点在「为企业定义正确的问题」。至於「谋断」则是一种「针对问题与机会，拟定经营策略、确立组织目标」的工作。它讲究的是「创意性、有效性、可行性」；它的重点在「把一个既定的问题，用最漂亮的方式解决。」
课后作业: 假设你现在已经是一位年轻有为的老板: 你会如何规划设立一间工厂? 用来满足每年满足生产5百万片的网路卡出货 赚钱? 规划参考之数据如下: 产品出货订单需求量及季节分配: 1Q -- 1100000 2Q -- 1000000 3Q -- 1400000 4Q -- 1500000
作业:参数产品每单位固定物料成本 50 RMB 每1条生产线设备成本 1000000 RMB 每条生产线人力: 30人平均人工成本: 人/月薪:1000RMB 每条线月平均产出: 100000 PCS 委外生产获利每PCS会降低 10 RMB 单位产品销售金额 65 RMB
作业:参数你现在拥有资金 50000000 RMB 每条生产线每月固定开销 50000 RMB 收货款 60天请问 1.你会设计多少条生产线以供出货? 2.你的资金如何配置运用? 3.多久可以回收资金? 4.你公司的获利能力?
范文二：南方草地净初级生产力(NPP)评价
Journal of Integrative Agriculture 2016, 15(7): 1638–1644
RESEARCH ARTICLE
Available online at www.sciencedirect.com
ScienceDirect
Evaluating the grassland net primary productivity of southern China from 2000 to 2011 using a new climate productivity model
SUN Cheng-ming1*, ZHONG Xiao-chun2*, CHEN Chen1, GU Ting1, CHEN Wen1
1 Jiangsu Key Laboratory of Crop Genetics and Physiology/Co-Innovation Center for Modern Production Technology of Grain Crops, Yangzhou University, Yangzhou 225009, P.R.China
2 Institute of Agriculture Information, Chinese Academy of Agricultural Sciences, Beijing 100081, P.R.China
Abstract
Grassland is the important component of the terrestrial ecosystems. Estimating net primary productivity (NPP) of grassland ecosystem has been a central focus in global climate change researches. To simulate the grassland NPP in southern China, we built a new climate productivity model, and validated the model with the measured data from different years in the past. The results showed that there was a logarithmic correlation between the grassland NPP and the mean annual temperature, and there was a linear positive correlation between the grassland NPP and the annual precipitation in southern China. All these results reached a very significant level (P <0.01). there="" was="" a="" good="" correlation="" between="" the="" simulated="" and="" the="" measured="" npp,="" with="" r="" 2="" of="" 0.8027,="" reaching="" the="" very="" significant="" level.="" meanwhile,="" both="" root="" mean="" square="" errors="" (rmse)="" and="" relative="" root-mean-square="" errors="" (rrmse)="" stayed="" at="" a="" relatively="" low="" level,="" showing="" that="" the="" simulation="" results="" of="" the="" model="" were="" reliable.="" the="" npp="" values="" in="" the="" study="" area="" had="" a="" decreasing="" trend="" from="" east="" to="" west="" and="" from="" south="" to="" north,="" and="" the="" mean="" npp="" was="" 471.62="" g="" c="" m?2="" from="" 2000="" to="" 2011.="" additionally,="" there="" was="" a="" rising="" trend="" year="" by="" year="" for="" the="" mean="" annual="" npp="" of="" southern="" grassland="" and="" the="" tilt="" rate="" of="" the="" mean="" annual="" npp="" was="" 3.49="" g="" c="" m?2="" yr?1="" in="" recent="" 12="" years.="" the="" above="" results="" provided="" a="" new="" method="" for="" grassland="" npp="" estimation="" in="" southern="">
Keywords: grassland NPP, estimation model, annual precipitation, mean annual temperature, southern China
ical cycle and energy transformation process (Chen and Zhang 2000). The impacts of the climate on grasslands are quite complicated. On one hand, different types of grasslands have their own spatial distributions controlled by temperature and precipitation; on the other hand, the rise in temperature will alter some processes in the ecosystem (such as evapotranspiration, decomposition and photosyn-thesis), placing a significant impact on biological community productivity (Niu 2001). The net primary productivity (NPP) is an indicator that measures the production capacity of the plant community in the natural conditions. The changes of NPP directly reflect the responses of ecosystems to environmental climate conditions, therefore it can be used as a research index in the study of relationship between ecosystem function and climate changes (Gu et al.2007). Received 15 June, 2015 Accepted 22 December, 2015
Correspondence SUN Cheng-ming, Tel: +86-514-87979381,
E-mail: cmsun@yzu.edu.cn
* These authors contributed equally to this study.
? 2016, CAAS. All rights reserved. Published by Elsevier Ltd.
doi: 10.1016/S2095-3119(15)61253-9
1. Introduction
Grassland is one of the major biological communities in the
world. It takes more than 40% of the total land area on the
planet, playing an important role in the global biogeochem-
1639 SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
It has an important theoretical and practical significance for evaluating the environment quality of terrestrial ecosystem, regulating the ecological process and estimating the terres-trial carbon sink to master the interannual variation rule of terrestrial NPP (Lei et al. 2015; Hou et al. 2007; Mao et al. 2010; Zhang et al. 2011; Xu et al. 2012).
There are different estimation methods to calculate grass-land NPP. Most of the methods are based on the estab-lishment of the model. An estimation model demonstrates more exceeding advantages than any other methods in the study of global, regional and other large scales, becoming an important way in the macro-ecological research of grasslands. Therefore, in order to provide theoretical and technical support for grasslands’ ecological improvement and recovery, some researchers use a grassland NPP estimation model for dynamic monitoring and forecasting (Shi et al.2008). Many domestic and foreign scholars carried out a large number of studies on impacts of climate change to the ecosystem processes, including grassland productivity and grassland C circulation. Although many scholars have studied the influences on the national or regional scale (Cao and Woodward 1998; Fang et al. 2001; He et al. 2007; Li et al. 2008; Gao et al 2013; Zhao et al. 2013; Ouyang et al. 2014; Pachavo and Murwira 2014), the research on relationships between the grassland NPP and climate factors in southern China was rarely conduct-ed. Grassland resources are abundant in China, with an area of nearly 400 million ha. There are about 60 million ha of grasslands located in southern China, near 1/6 of the area of total grasslands in China. As the grassland in northern areas are continuously suffering from deterioration and desertification, the ecological system of grassy hills and slopes in southern China are becoming increasingly important. The study of relationship of NPP and climatic factors, together with their dynamic simulation, will put significant meanings on the effective management and reasonable utilization of grasslands in southern China, and the promotion of global change research.
2. Materials and methods
2.1. Research area
The grassy hills and slopes in southern China were chosen as the research object. The central position of the region was in about 110°0′E, 27°30′N, covering 17 provinces/ autonomous regions including Yunnan, Guizhou, Sichuan, Guangxi, Jiangxi, Anhui, etc. The total area reached about 60 million ha, containing multiple territories including hilly and mountainous area. The grasslands of southern Chi-na were mainly composed of typical grassland, wetland grassland, lowland meadow and upland meadow. The layouts of southern grasslands were scattered and stag-gered distribution with forest land and cultivated land, and they mostly located in all kinds of sloping fields. The most regions of southern grasslands were managed with grazing and some regions with enclosure and cutting. The climate characteristics in this area were high temperature and rainy in summer, and mild temperature and rainy in winter, with the frost-free period being more than 300 days all year around. The annual mean precipitation was between 800–1600 mm and the annual mean temperature was greater than 15°C in most areas, suitable for the grass growth (Xu et al. 2004). 2.2. Data acquirement and processing
NPP data acquirement In July of 2009, 2010 and 2011, 66 sample plots were investigated in several provinces including Anhui, Guizhou, Sichuan, etc. Large quadrates were set in each representative sample plot (10 m×10 m), and five small squares (1 m×1 m) were set on corners and in the center of large quadrates. Above-ground biomass and the latitude and longitude information were investigated in each small quadrate, with an average level calculated after sampling. Every 2.2 g dry matter was converted into 1 g carbon, leading to the grass NPP in each sample area, represented in the form of carbon (g C m?2).
Climate data acquirement The mean month temperature and month precipitation data from year 2000 to 2011 were acquired from ground stations of China Meteorological data sharing service system (http://cdc.cma.gov.cn/) (Fig. 1). By using geographic information system (GIS) interpo -lation tool, Kriging interpolation (it is a good interpolation method for meteorological data) was applied to those meteorological data according to the latitude and longitude information of each station, followed by the application of image projection transformation to the data which was all then converted to latitude and longitude network projected raster image with a spatial resolution of 1000 m. Finally, the temperature and precipitation information was extract-ed according to the latitude and longitude corresponding to the investigation points.
2.3. Model establishment and validation
Modeling methods According to statistical analysis on the relationships between measured NPP and precipitation and temperature, the model’s preliminary structure was put forward. Then the nonlinear fitting algorithm was applied to the model parameter for optimization and determination. Model validation In order to verify the reliability of simu-lation results, both root mean square errors (RMSE) and
1640SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
relative root-mean-square errors (RRMSE) were applied to the model for the test and evaluation simulation effects.
RMSE (1)
RRMSE =
/O a
∑ =? n i i i S O n 1
2) (1 (2)Where, O i was the real value, S i was simulated value, O a was average of real value, n was the total number of samples. 3. Results
3.1. Relationship between grassland NPP and tem-perature
The formation of grassland NPP is the joint result from re-gional light, temperature, precipitation, soil and other natural factors, which is reflected as the ability of grassland to use natural environmental resources (Li et al. 2008). Under the previously mentioned natural conditions, temperature and precipitation were the two main factors influencing grassland NPP , which was especially obvious in southern China. This study analyzed the relationship between grassland NPP and temperature in southern China, and the results showed that the NPP value mainly fell within 10 to 20°C, and the relationship between grassland NPP and temperature was linear positive correlation. From 20 to 30°C, there was a
curve relationship between grassland NPP and temperature. Generally the relationship between temperature and grass-land NPP was a logarithmic one with correlation coefficient r 0.4629, reaching a very significant level (P <0.01). as="" a="" result,="" the="" relationship="" could="" be="" presented="" as="" a="" logarithmic="">
3.2. Relationship between grassland NPP and pre-cipitation
Precipitation is not the only one important factors that affects the grassland NPP, but a key factor in many NPP estimation models (Su et al. 2010). The relationship between precip-itation and grassland NPP in southern China showed that there was a large span in the mean monthly precipitation throughout a year of southern grassland ecological system, with minimum precipitation being 40 mm and maximum be-ing over 200 mm. NPP also showed a regular distribution according to the precipitation, with a typical linear positive correlation. The correlation coefficient r was 0.7836, reaching a very significant level (
P <0.01), so="" the="" influences="" of="" precipitation="" on="" grassland="" npp="" could="" be="" expressed="" by="" linear="">
3.3. Estimation model of grassland NPP
Model establishment According to the analysis results, there was a positive correlation between the grassland NPP
Fig. 1 Study area and meteorological stations.
1641 SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
and mean annual temperature and annual precipitation in
a year in southern China. Thus it would be feasible to ex-
press the relationship with logarithmic and linear equations,
respectively. However, the results varied greatly when
temperature was directly used as the equation factor and
any data below zero degree would fail to be processed.
This was why a temperature adjustment coefficient was
introduced here, being described as:
T a =Ln(T /t
1
+a
1
) (3)
Where, T
a
was the temperature adjustment coefficient, T was the mean annual temperature in a year (°C, t <>
t 1 was the model parameter, a
1
was a constant, and it was
set to 2.5 in the paper.
For the same reason, in order to prevent great variations in the results from precipitation, another adjustment coeffi-cient was introduced, expressed as following:
W a =Sqrt(W /w
1
+a
2
) (4)
Where, W
a
was the adjustment coefficient, W was the
annual precipitation in a year (mm), w
1
was the model pa-
rameter, a
2
was a constant and being set to 0.5 in the paper. According to the above information, the estimation model of grassland NPP in southern China could be written as following:
NPP =T a ×W
a
×(T +W /6) (5)
Calculation of model parametersThe acquisition of model parameters was a quite complicated process, and would directly affect the accuracy of final results. Based on the measured data from year 2009 and 2010, by adopting the contraction expansion algorithm of the nonlinear fitting and Matlab programs, those parameters were calculated
as t 1 =5.8, w 1
=560.4
Model validationThis study used measured grassland NPP data from year 2011 in southern China to validate the simulation results. The results indicated that there was good correlation between simulated and measured NPP, and the R 2 was 0.802 (P <0.01), reaching="" a="" very="" significant="" level.="" the="" rmse="" of="" simulation="" was="" 58.351="" g="" c="" m?2,="" the="" rrmse="" was="" 0.326,="" and="" the="" both="" were="" quite="" small.="" all="" those="" results="" showed="" that="" the="" simulation="" of="" precipitation="" and="" temperature="" model="" for="" southern="" grassland="" npp="" was="" feasible.="" also="" from="" the="" 1:1="" diagram="" of="" simulated="" and="" measured="" grassland="" npp="" (fig.="" 2),="" the="" trends="" of="" two="" series="" of="" results="" were="" similar,="" indicating="" that="" the="" results="" were="">
3.4. Spatial-temporal variations of grassland NPP during 2000–2011
The spatial distribution map of grassland NPP produced by estimation model was useful for monitoring grassland resource. This paper built the spatial distribution map of southern grassland NPP using the estimation model of grassland NPP based on climate conditions (Fig. 3-A). Known from Fig. 3-A, the minimum of mean annual NPP of southern grassland was 57.83 g C m?2 and the maximum was 1328.06 g C m?2 in recent 12 years. The inversion NPP of southern grassland had obvious zonal distribution. The NPP value is lower in northwest regions and higher in southeast and south regions, especially in Jiangxi, Guang-dong and Hainan provinces.
Fig. 3-B showed the variation of mean annual NPP of southern grassland in recent 12 years. It was known from the Fig. 3-B that there was a rising trend of the mean annual NPP of southern grassland (it was similar to the trend of MODIS-NPP from 2000 to 2001). The variation range of the mean annual NPP was from 430.31 to 519.82 g C m?2, and the mean was 471.62 g C m?2. The minimum of the mean annual NPP appeared in 2003, and the maximum value appeared in 2010. The tilt rate of the mean annual NPP of southern grassland in recent 12 years was 3.49 g C m?2 yr?1 in the Fig. 1-B, and the increasing rate of NPP was about 3.49 g C m?2 every year.
4. Discussion
The research on the relationships between global or re-gional ecological system NPP and climate factors started in early 1850s. As revealed in studies, it was found that the vegetation index showed periodic variations with climate indexes including temperature and precipitation, during the growth process of most plants. There were big differences in temporal and spatial variations in grassland NPP, since climatic factors, especially the precipitation and temperature
factors, were the most direct factors for periodic variations R 2=0.802
RMSE=58.351
RRMSE=0.326
100
200
300
400
500
600
0100 200 300 400 500 600 Observed NPP (g C m–2 yr–1)
S
i
m
u
l
a
t
e
d
N
P
P
(
g
C
m
–
2
y
r
–
1
)
Fig. 2 Comparison between the simulated and observed grassland net primary productivity (NPP) in southern China. RMSE, root mean square errors; RRMSE, relative root-mean-square errors. The same as below.
1642SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
(Long et al. 2010). This study showed that, in southern China, a temperature rise would cause a certain level rise in the grassland NPP, especially in the high temperature zones, but it differed from the results of He et al. (2007), Li et al. (2008) and Long et al. (2010). In addition, there was a significant positive correlation between the precipitation and NPP. When the mean annual precipitation in a year increased, the grassland NPP would also increase sig-nificantly. This conclusion goes consistent with previous studies (Sala et al. 2000; Knapp and Smith 2001; Nemani et al. 2003; Mohamed et al. 2004).
The final goal of those studies on the relationship be-tween climate change and terrestrial ecosystem NPP was to predict the possible impacts on climate change and to take scientific countermeasures. Therefore, establishing models should be the best way for prediction. Through modeling and simulation, one could reveal the quantitative
changes and trends of NPP caused by climate changes. It Fig. 3 Spatial-temporal variations of grassland NPP during 2000–2011. A, spatial distribution. B, interannual variation.
1643 SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
was why the research of NPP model had attracted a vast amount of attention (Li et al. 2015). This study establishes an estimation model for southern grassland NPP by using the statistical analysis results of southern grassland NPP and precipitation and temperature combined with biological process. Through validation with measured NPP data in different years, the relationship between simulated and ob-served values reached a very significant level, with addition-ally low RMSE. Those indicated that the simulation results of the model were reliable, and it was feasible to estimate the grassland NPP in southern China by using the model. However, the estimation research of grassland NPP was a complex process. It was not only affected by climatic fac-tors such as precipitation and temperature, but also by the grassland vegetation and geographical factors. Grassy hills and slopes in southern China had a wide distribution and many vegetation types, so the NPP distribution was uneven. Although the model estimation worked well, there still existed some imperfects. Firstly, a classification for grass hills and slopes was needed, without of which the NPP estimation fell into a single type. Secondly, the NPP estimation results were representative to the entire year, while arbitrary NPP estimation for a single month had not been verified yet. The last was the sensitivity issue. The study indicated that the simulation results were generally large in the areas with relatively low NPP, while small in the areas of high NPP. It may be caused by the limited time span, and other factors including the influences from different types of grasslands. Hence, there may be some uncertainty to estimate the lower or higher grassland NPP using the estimation model. Those problems require further study.
5. Conclusion
(1) There was a logarithmic correlation between the grass-land NPP and the mean annual temperature, and there was a linear positive correlation between the grassland NPP and the annual precipitation in southern China. All these results reached a very significant level (P <>
(2) The estimation model of southern grassland NPP was built as follow:
NPP =Ln(T /5.8+2.5)×Sqrt(W /560.4+0.5)×(T +W /6) (3) The NPP values in the study area had a decreasing trend from east to west and from south to north, and the mean NPP was 471.62 g C m?2 from 2000 to 2011. Acknowledgements
We are grateful to the chief editor and anonymous reviewers for illuminating comments. This work was mainly funded by the Priority Academic Program Development of Jiangsu Higher Education Institutions, China (PAPD), and the Sci- ence and Technology Innovation Project Fund of Chinese Academy of Agricultural Sciences (2015). References
Cao M K, Woodward F I. 1998. Dynamic responses of terrestrial ecosystem carbon cycling to global climate change. Nature , 393, 249–252.
Chen Z X, Zhang X S. 2000. The value of Chinese ecological system benefit. Chinese Science Bulletin, 45, 17–22. (in Chinese)
Fang J Y, Chen A P, Peng C H, Zhao S Q, Ci L J. 2001. Changes in forest biomass carbon storage in China between 1949 and 1998. Science , 292, 2320–2322.
Gao Y H, Zhou X, Wang Q, Wang C Z, Zhan Z M, Chen L F, Yan J X, Qu R. 2013. Vegetation net primary productivity and its response to climate change during 2001–2008 in the Tibetan Plateau. Science of the Total Environment, 444, 356–362.
Gu X P, Huang M, Ji J J, Wu Z P. 2007. The influence of climate change on vegetation net primary productivity in southwestern China during recent 20 years period. Journal of Natural Resources, 22, 451–259. (in Chinese)
He Y, Dong W J, Guo X Y, Dan L. 2007. The terrestrial growth and its relationship with climate in China based on the MODIS data. Acta Ecologica Sinica, 27, 5086–5092. (in Chinese)
Hou Y Y, Liu Q H, Yan H, Tian G L. 2007. Variation trends of China terrestrial veget ation net primary productivity and its responses to climate factors in 1982–2000. Chinese Journal of Applied Ecology, 18, 1546–1553. (in Chinese)
Knapp A K, Smith M D. 2001. Variation among biomes in temporal dynamics of aboveground primary production. Science , 291, 481–484.
Niu J M. 2001. Impacts prediction of climatic change on distribution and production of grassland in Inner Mongolia. Acta Agrestia Sinica, 9, 277–282. (in Chinese)
Lei T J, W u J J, Li X H, Geng G P, Shao C L, Zhou H K, Wang Q F, Liu LZ. 2015. A new framework for evaluating the impacts of drought on net primary productivity of grassland. Science of the Total Enviroment, 536, 161–172.
Li G, Zhou L, Wang D L, Xin X P, Yang G X, Zhang H B, Chen B R. 2008. Variation of net primary productivity of grassland and its response to climate in Inner Mongolia. Ecology and Environment , 17, 1948–1955. (in Chinese)
Li S S, Lv S H, Zhang Y J, Liu Y P, Gao Y H, Ao Y H. 2015. The change of global terrestrial ecosystem net primary productivity (NPP) and its response to climate change in CMIP5. Theoretical and Applied Climatology, 121, 319–335. Long H L, Li X B, Huang L M, Wang H, Wei D D. 2010. Net primary productivity in grassland ecosystem in Inner Mongolia and its relationship with climate. Chinese Journal of Plant Ecology, 34, 781–791. (in Chinese)
Mao J F, Dan L, Wang B, Dai Y J. 2010. Simulation and evaluation of terrestrial ecosystem NPP with M-SDGVM over continental China. Advances in Atmospheric Sciences,
1644SUN Cheng-ming et al. Journal of Integrative Agriculture 2016, 15(7): 1638–1644
27, 427–442.
Mohamed M A, Babiker I S, Chen Z M, Ikeda K, Ohta K, Kato K. 2004. The role of climate variability in the inter-annual variation of terrestrial net primary production (NPP). Science of Total Environment, 332, 123–137.
Nemani R R, Keeling C D, Hashimoto H, Jolly W M, Piper S C, Tucker C J, Myneni R B, Running S W. 2003. Climate-driven increases in global terrestrial net primary production from 1982 to 1999. Science , 300, 1560–1563.
Ouyang S, Wang X P, Wu Y L, Sun O J. 2014. Contrasting responses of net primary productivity to inter-annual variability and changes of climate among three forest types in northern China. Journal of Plant Ecology, 7, 309–320. Pachavo G, Murwira A. 2014. Remote sensing net primary productivity (NPP) estimation with the aid of GIS modelled shortwave radiation (SWR) in a Southern African Savanna. International Journal of Applied Earth Observation and Geoinformation , 30, 217–226.
Sala O E, Chapin Ⅲ F S, Armesto J J, Berlow E, Bloomfield J, Dirzo R, Huber-Sanwald E, Huenneke L F, Jackson R B, Kinzig A, Leemans R, Lodge D M, Mooney H A, Oesterheld M, Poff N L, Sykes M T, Walker B H, Walker M, Wall D H. 2000. Global biodiversity scenarios for the year 2100. Science , 287, 1770–1774. Shi X M, Huang F, Chen X G, Shang Y S, Wu Y P, Zheng P F. 2008. Effects of the climate change to the grass ecosystem in Ningxia. Journal of Arid Land Resources and Environment , 22, 65–69. (in Chinese)
Su Q H, An S Z, Zhao L. 2010. Computation and analysis of NPP in vorthern slope of Tianshan Mountain based on 5 kinds of climate-productivity model. Xinjiang Agricultural Sciences , 47, 1786–1791. (in Chinese)
Xu L L, Bao S M, Li R T. 2004. Analysis on social and economical benefit of flourishing pasturage by grassplanting in the south of China. Journal of East China Institute of Technology , 23, 93–96. (in Chinese)
Xu X, Niu S L, Sherry R A, Zhou X H, Zhou J Z, Luo Y Q. 2012. Interannual variability in responses of belowground net primary productivity (NPP) and NPP partitioning to long-term warming and clipping in a tallgrass prairie. Global Change Biology , 18, 1648–1656.
Zhang G G, Kang Y M, Han G D, Sakurai K. 2011. Effect of climate change over the past half century on the distribution, extent and NPP of ecosystems of Inner Mongolia. Global Change Biology, 17, 377–389.
Zhao D S, Wu S H, Yin Y H. 2013. Responses of terrestrial ecosystems’ net primary productivity to future regional climate change in China. PLOS ONE, 8, e60849.
(Managing editor ZHANG Juan)
范文三：净初级生产力(NPP)论文：净初级生产力(NPP) NPP-EMSC模型 光合有效辐射(PAR) 遥感 青海
净初级生产力 (NPP)论文:基于光能利用率模型的青海植被 净初级生产力模拟研究
【中文摘要】 陆地生态系统碳循环是全球碳循环研究中最重要的 组成部分 , 同时也是全球变化科学研究的核心科学问题 , 在全球碳收 支研究中占有重要地位。陆地生态系统净初级生产力的模拟 , 是研究 区域甚至全球尺度初级生产力、 估算碳通量的空间分布信息以及预测 生态环境变化的重要手段 , 是碳循环中最重要的环节之一 , 直接关系 到植被对大气 CO2的固定 , 并进一步影响碳循环的其他环节。本文以 光能利用率的理论为基础 , 构建了区域尺度陆地生态系统净初级生产 力模型 (NPP.EMSC),旨在从资源平衡的观点分析青海地区陆地生态系 统净初级生产力的时空分布格局。 利用插值得到的每 8天气象数据遥 感数据 (MODIS和 HJ-1B) 、高精度 DEM 等数据 , 模拟得到了青海地区 2008、 2009年陆地生态系统净初级生产力。模拟结果表明:2009年 青海地区植被总 NPP 为 58.23 Tg C, 平均值为 92 g C ·m-2·a-(?),NPP的总体分布趋势为自东南向西北呈递减趋势。 其中青海地区东部及东 南部森林生态系统 NPP 明显高于其他地区 , 一般在 300~700 g C ·m-2·a-1之间; 南部及中部部分地区主要分布高原草甸和灌丛 ,NPP 一般在 100~300 g C·m-2·a-1中部 ...
【英文摘要】 Terrestrial ecosystem carbon cycle is one of the key content of global change research, while terrestrial ecosystem productivity is the core problem of global change
research. Net Primary Productivity (NPP) plays an important
role in global biogeochemical cycle, and is one of the most important component in the process of carbon cycle. NPP
directly indicates the amount of CO2 fixed by terrestrial vegetation, thus influences other processes in carbon cycle and global climate change.Based on Light Use Eff...
【关键词】净初级生产力 (NPP) NPP-EMSC模型 光合有效辐射
(PAR) 遥感 青海
【英文关键词】 Net Primary Productivity(NPP) NPP-EMSC model Photosynthetically Active Radiation(PAR) remote sensing
Qinghai
【索购全文】联系 Q1:138113721 Q2:139938848 同时提供论文写作一对一辅导和论文发表服务 . 保过包发
【目录】 基于光能利用率模型的青海植被净初级生产力模拟研究
摘要 3-4Abstract 4-51 绪论 8-251.1 研
究背景及意义 8-91.2 陆地生态系统净初级生产力的相关概
念 9-101.3 陆地生态系统净初级生产力的研究方法
10-161.3.1 生物量调查法 111.3.2 微气象学涡度相
关通量观测法 11-121.3.3 陆地生态系统生产力模型
12-161.4 陆地生态系统净初级生产力研究存在的主要问题
16-171.5 遥感在大尺度陆地生态系统生产力研究中的作用
17-181.6 光能利用率模型参数的遥感提取
18-221.6.1 光合有效辐射 (PAR)18-191.6.2 植被光 合有效辐射吸收比例 FPAR 19-201.6.3 光能利用率
(ε) 20-221.7 NPP研究中存在的问题 221.8 本文研 究目标与技术路线 22-251.8.1 研究目标 22-231.8.2 论文结构 23-252 研究区概况及模型所用数据
25-362.1 研究区概况 25-272.2 气候区划
272.3 遥感数据 27-302.3.1 环境小卫星数据
27-302.3.2 MODIS数据 302.4 高程数据
30-322.5 气象数据 32-362.5.1 气象数据的预处理 332.5.2 气象数据的插值 33-363 陆地生态系统净初 级生产力 (NPP)模型的构建 36-423.1 光能利用率模型概述 36-373.2 光能利用率模型的关键参数 37-393.2.1 植被光合有效辐射参数 (PAR)383.2.2 FPAR参数
383.2.3 最大光能利用率 (ε_(max))参数
38-393.2.4 胁迫因子 K 393.3 NPP-EMSC模型的构建 39-423.3.1 模型结构 39-403.3.2 模型参数计算方 法 40-424 结果与分析 42-594.1 模型模拟结果验证 分析 42-464.1.1 MOD17A3和 GLPEM-CEVSA 模型
42-444.1.2 不同尺度 NPP 模拟分析 44-464.2 青海 净初级生产力空间分布 46-494.2.1 青海净初级生产力的地 理分布 46-474.2.2 青海净初级生产力与地形的关系
47-494.3 青海陆地生态系统净初级生产力季节变化
49-514.4 模型参数敏感性分析 51-564.4.1 空气温 度敏感性分析 524.4.2 植被可进行光合作用最低温度敏感性 分析 52-534.4.3 植被可进行光合作用最高温度敏感性分析 53-544.4.4 植被进行光合作用最适温度敏感性分析
544.4.5 空气湿度敏感性分析 54-554.4.6 光合有效 辐射比例 (FPAR)敏感性分析 55-564.5 青海净初级生产力与 气温、 降水的关系 56-595 总结与展望 59-615.1 主要 研究结论 595.2 研究存在的不足与展望 59-61参考文 献 61-68附录 68-69攻读学位期间发表的学术论文 69-70致谢 70-71
范文四：生产力,标准工时题 生产力的计算
生产力的计算
先谈公司的目标到底是什麼? 看法?? 非常简单公司的目标就是在於赚钱 ―一个组织存在有许多目的‖ 提供工作机会 消费原物料 增加销售 ?等这些都只是达成目标的工具 无法保证公司的长期生存能力 因此公司必须要有赚钱才能强调其它的目标 例如: 员工福利 生活区改善?..
生产力表达的涵义是什麼,生产力就是把一个组织带向目标的行动。每个能让公司更接近目标的行动都是有生产力的行动。每个不能让公司更接近目标的行动都没有生产力～ 重点:你必须知道目标是什麼，否则生产力就 毫无意义可言。
学习重点: 何谓生产力 ? 计算生产力必需参考的范围 影响生产力变化主要因素 提高生产力的方法 运用计算及预估生产力创造价值
1
何谓生产力? 生产力其实就是泛指有效的产能生产力亦是指达成有效的目的生产力也是一种经济成长力
计算生产力前先学会生产管理生产力包含: 持有、接收、储存、容纳的能力企业观点在特定时间内，系统所能完成的总产量制造业观点在特定时间(一天)内，能产出成品总数服务业观点在特定时间内，能被服务的顾客数作业管理观点强调长期、中期、短期产能不同作业管理阶层有不同产能规划
先学会区分生产预测 分类设计产能理想状态下之最大产出有效产能在特定的产品组合，排程安排上及品质因素下之最大可能产出。(扣除保养、休息、排程?后的最高产能) 实际产能指实际的产出率它不能大於有效产能
产能效率与产能利用率作业系统的绩效指标效率,实际产出? 有效产能产能利用率,实际产出? 设计产能设计产能有效产能实际产出设计产能 , 有效产能 , 实际产出
产能管理有效产能设施环境:厂址布置产 品:设计种类制 程:量产品质人 为:经验能力作 业:排程料管物料人力财力限制产能因素 影响产能因素 应该先求提高有效产能再求实际产出的提高，否则即使效率高但有效产能太低，而导
2
致无法大幅增加实际产出。
产能管理生产力规划的目标产能规画主要是针对现场的生产资源，例如人力或设备资源，加以规画以符合产出需求。产能规画如有缺陷则会直接影响生产活动，过高的产能显然是资源的浪费，是所有企业极力避免的现象;而若产能过低则会影响交货日程，降低竞争力而将商机拱手让人。然而在做产能规画时，身为管理者必须要能认知产能规画的目标以及定义产能规画优劣的衡量指标。事实上，对於各种管理行为，如果能够明确定义所要管理的目标以及衡量指标，则管理将会变得较有效率同时也较有效能。
规划观念最佳生产水准设计制程时所设定的产能水准平均单位成本最小的产能水准固定费用、加班、设备损耗、不良率及其他成本产能 – 可以达到的产出率 已使用产能(实际达到产能) 产能利用率 = 设计产能(最佳生产水准) 300 辆汽车: 最大产出? 六个月平均值?
Underutilization 最佳生产水准 Overutilization 产量 产出的平均单位成本最佳生产水准 - Best Operating Level
一个工厂在一个星期内产出了83个单位的产品,该工厂曾
3
经最高或最佳利用效能的记录是每个星期120个单位.这间工厂的产能利用率是多少? 产能利用的例子 已使用产能(实际达到产能) 产能利用率 = 设计产能(最佳生产水准) = 83 / 120 = 0.69 = 69%
思考方向:经济与不经济规模经济产量逐渐增加，产出的单位成本必降低规模不经济产量过大，故需适度降低售价，以维持足够的需求(汽车制造商- 供过於求) 高度自动、高产出的机器(停机时间最小化) 直接人工费用低维修人工成本高 原物料与成品的运输成本
学习(经验)曲线来表示变化学习(经验)曲线随产出量增加，能获得较佳的生产方法及经验，生产成本会按一定比例下降
规模经济与学习曲线较大工厂的成本优势 – 竞争策略 1.规模经济 2.学习曲线建立有潜在规模的大工厂利用低成本订定低价格低价格导致销售增加(产出量增加)经验曲线比竞争者降的更快成功的条件产品需符合顾客需求需求必须大到可以支持产量
焦点焦点式工厂- 集中在某些特定工作时，生产设备往往能做的最好，达成生产目标公司不应期望在所有制造绩效都
4
很杰出, 选择对公司目标贡献最大的方向-注重在一个焦点. PWP(Plant Within Plant)透过厂内厂的机制来落实次级组织-设备,制程政策,人员管理政策 及生产控制方法. 寻求部门最佳作业标准.
产能利用需有弹性迅速增加或降低生产水准的能力快速地从一种产品或服务转换到另一种藉由以下完成弹性工厂、弹性制程或弹性工作者利用其它组织产能
产能弹性弹性工厂:零换线时间(Zero Changeover Time)
可移动的设备,组合式的墙,容易出入且可变更布线路径的公共设施适应随时、任意的改变. 弹性制程:弹性制造系统可简易地重新配置设备,迅速、低成本转换生产线同时制造多样产品，达到规模经济弹性工作者:多能工工作者拥有多样技能，可轻易的转换工作利用其它组织产能租设备、转包厂商代工、加班
产能规划产能弹性产能会议 后勤接单(make-to-order) 机器设备能力 人员产能 其他资源产能 产能配置 – 最佳化弹性产能弹性工厂、弹性制程或弹性工作
者利用其它组织产能 2. ACS – 及时监控 Daily review 3.
Review 产能 per week
产能规画增加产能的考虑因素:维持系统的平衡产能增加
5
的频率使用外部产能确定产能需求 使用决策树评估产能方案
产能规画增加产能的考虑因素维持系统的平衡系统不可能平衡每一个生产阶段的最佳作业水准是不同的产品需求和制程的变异性处理不平衡的方法暂时增加瓶颈作业的产能加班 租设备 转包瓶颈阶段之前使用缓冲库存品 (同步制造 )再投资一套瓶颈作业设备
产能规画产能增加频率小量、频繁地提高产能直接成本高搬动和重置设备新设备的人员训练 大量、不频繁地提高产能超额产能未被利用之前，皆为固定成本
小量 小幅度大量 大幅度产能规画
产能规画-需有支援外部产能外包 分享产能结盟
细说产能规画确定产能需求预测个别产品的销售量估计符合产品预测的设备和人力需求预估规划期间人工和设备的取得保留缓冲产能:预定需求和实际产能的差异 ㄧ般工厂是以行销单位预估出货需求 FCST
产能规画确定产能需求 公司生产了两种味道的果汁,苹
6
果和柳橙 ，两者的包装都有瓶装或塑胶袋装。 问题: 公司希望确定未来五年设备和劳动力的需求量。各位会如何去做?
产能规画确定产能需求 步骤1:预测未来五年需求量
产能规画确定产能需求 步骤2:计算满足所预测的生产线设备和人力需 求量 1.瓶装作业 机器:3部瓶装机器，均可生产Paul和Newman的包装 产能:每部机器可包装150,000瓶/年，需要2个操作员 人力:目前有6个作业员 2.塑胶袋装作业 机器:5部塑胶袋装机器，均可生产Paul和Newman的包装 产能:每部机器可包装250,000袋/年，需要3个操作员 人力:目前有20个作业员
产能规画确定产能需求 步骤2:计算满足所预测的生产线设备和人力需 求量(续) 依此计算出总生产线的预测量，与年需求量(下表)比较:
产能规画确定产能需求 步骤2:计算满足所预测的生产线设备和人力需 求量(续) 计算第一年设备和人力的需求: 1.瓶装机器的总可用产能为: 3部机器*150,000/部=450,000瓶/年， 第一年我们只使用135/450=0.3的可用产能， 或说只用了0.3*3=0.9部机器及0.9*2=1.8个操作员 。 2.塑胶袋装机器的总可用产能为: 5部机器*250,000/部=1,250,000袋
7
/年， 第一年我们只使用
300/1,250=0.24的可用产能， 或说只用了0.24*5=1.2部机器及1.2*3=3.6个操作员 。
产能规画确定产能需求 步骤3:计画实施期间，人力及设备的需求 瓶装作业: 塑胶袋作业: 4.62 3.96 3.24 2.46 1.81
3.劳力的需求(人) 2.31 1.98 1.62 1.23 0.9 2.塑胶袋作业(台) 77 66 54 41 30 1.产能利用率(%) 5 4 3 2 1 年项目 14.1 12.6 10.8
7.2 3.6 3.劳力的需求(人) 4.7 4.2 3.6 2.4 1.2 2.塑胶袋作业(台) 94 84 72 48 24 1.产能利用率(%) 5 4 3 2 1 年项目产能规画工具使用决策树(decision tree)评估产能方案以决策节点及连结节点的分枝线组合而成方格代表决策点圆圈代表机率事件决策点的分枝线决策者可能的选择机率事件的分枝线事件发生的机率
产能规画工具使用决策树评估产能方案求解由后往前解将每一个步骤的期望值计算出来留下报酬 (payoff)最大的分枝线将决策点上其余的分枝线删除这个程序一直继续进行到第一个决策点
产能规画工具使用决策树评估产能方案 Hackers电脑公司的老板正思考，公司五年内应该如何经营。 过去两年销
8
售量成长尚称良好 。 在邻近的地区，设立一个大型电器商店的计划，如果准时完工，将会带来更多的商机。 Hackers 的老板有三个可能的选择: 1.扩大目前的店 2.迁到一个新地方 3.什麼都不改变 扩张及迁移不用花太多时间，因此不会有收入损失。 若第一年不改变，而市场高度成长，还是可以再考虑扩张。 等待时间若超过一年，会使竞争者进入，扩张则不可行。
产能规画工具使用决策树评估产能方案 假设条件: 1.由於电子公司设立，使得爱用电脑的人增加，高成长 的机率为55%。 2.若移到新址且高成长，将造成每年$195,000的报酬， 迁移新址及弱成长，则有$115,000的报酬。 3.扩张且高成长会带来每年$190,000的报酬，扩张及弱 成长则有$100,000。 4.继续留在现址且高成长，将带来每年$170,000的报酬， 弱成长则有$105,000的报酬。 5.原地扩张成本为$87,000。 6.迁至新址的成本为$210,000。 7.如果成长很强且现址於第二年扩张，成本为$87,000。 8.作业成本都相同。
产能规画 A B 机率事件 E(A)=$585,000 强成长收入$195,000/年 5年机率=0.55 弱成长收入$115,000/年 5年 E(B)=$660,500 强成长收入$190,000/年 5年机率=0.55 弱成长收入$100,000/年 5年机率=0.45 机率=0.55 决策点收入
9
$19,000/年 4年收入$170,000/年 4年 $760,000-87,000=673,000 $680,000 结论:最后的选择是C什麼事都不做，因期望值$703,750最高机率=0.45 ,:不改变成本=0 B:扩大目前店面成本$87,000 2:一年后再扩张店面,成本87,000 1 决策点 A:迁新地址成本$210,000 强成长收入$170,000/年 5年机率=0.45 弱成长收入$105,000/年 5年 E(C)=$703,750 A期望收入
$195,000*5*0.55+$115,000*5*0.45-210,000=$585,000 B
期望收入
$190,000*5*0.55+$100,000*5*0.45-$87,000=$660,500 C
期望收入
$170,000*5*0.55+$105,000*5*0.45=$703,750 2 C 2:一年后仍不扩张店面 65 定义计算生产力的参数主要的参数 1.时间 : 月 . 周 . 日 . 小时 . 分 .
秒 . 2.设备能力 3.生产人力 4.生产品质.物料供给 5.生产效率 6.环境因数??????.. 65 区分种类与定义整备时间( Setup time ) :零件等候一资源 进行准备工作的时间 作业时间( Process time ) :零件投入作业的时间 排队时间( Queue time ) :当资源忙於其他作业时， 花费等候该资源的时间 等候时间( Wait time ) :零件花费在等候 另一零件(非资源)的时间 闲置时间( Idle time ) :乃设备没有实质使用的时间 ，即周期时间减去整备时间、 制程时间、排队时
10
间、等候时 间的总和
计算产能法则与技术单机对n项作业 术语:n项工作—单机问题 or n/1 问题的困难度是随所考虑的机器数的增加而增加，与工作数目之增加较无关系;所以，对n唯一的限制，就是它必须是一个指定的有限数目。
计算产能法则与技术先到先服务(FCFS;first-come,first-served):订单依照它们到达作业部门的先后顺序来作业最短操作时间(SOT;shortest operating time):优先处理完成时间最短的工作订单，在依次完成时间次短的订单交期(due date):交期最早的优先处理 65 计算产能法则与技术开始日期(start date):交期减正常的前置时间(作业开始日期最早的先处理)剩余宽裕时间(STR;slack time
remaining):计算至交期前之时间减去剩余加工时间之差额即可得到STR。剩余闲置时间最短的订单优先处理每项作业之剩余宽裕时间(STR/OP;slack time remaining per
operation):STR/OP最短之订单优先处理。STR/OP之计算公式:STR/OP=(交期前之时间-剩余之加工时间)/剩余之作业数 65 计算产能法则与技术重要比率(CR;critical ratio):计算交期减去目前日期之差额，再除以剩余工作天数，比率最小的订单优先处理等候比率(QR;queue ratio):计算排
11
程中剩余之闲置时间除以预计等候时间，等候比率最小的订单优先处理
计算产能法则与技术后到先服务(LCFS;last-come,first-served):这法则常发生在不使用任何法则的时候。当订单到达时，他们是被放置在整堆的最上层，而作业人员通常是挑取最上层的订单优先处理随机或随兴(random order or whim):管理者或作业人员通常选择任何他们感觉喜欢的工作开始作业
计算产能法则与技术工作群 处理时间 交期 流程时间 (天) (从现在起之天数) (天) SMT 3 5 0+3=3 DIP 4 6
3+4=7 TEST 2 7 7+2=9 ASSY 6 9 9+6=15 PACKING 1 2
15+1=16
---------------------------------------------------------------------------
----------------------------- 流程时间合计=3+7+9+15+16=50(天) 平均流程时间=50/5=10(天) 平均一项工作延误时间=(0+1+2+6+14)/5=4.6 65 计算产能法则与技术 2项或超过2项工作，必须以相同的顺序经过2部机器目的:让第一项工作的开始，至最后一项工作的结束为止，其间的流程时间最小化
计算产能法则与技术列每项工作在2台机器上之作业时间 2.选择最短之作业时间 3.如果最短之作时间是在第1台机器上作 业，则优先处理该工作;如果最短之作业时间是在第2
12
台机器上作业，则最后处理该工作 4.对所有剩余之工作重复步骤2和3，直到排程完全结束
计算产能法则与技术工作 在机器1上之作业时间 在机器2上之作业时间 A 3 2
B 6 8 C 5 6 D 7 4
---------------------------------------------------------------------------
------------------------- 1.表列作业时间 2.选择最短的作业时间并将其分派。工作A在机器2上作业时间最短，故应优先被分派与最后被执行重复上述动作。工作D在机器2上之作业时间是次短，所以被排在倒数第二执行。工作C在机器1上有最短的作业时间，故被安排在第一个执行。仅剩工作B，而其在机器1上的作业时间最短，故被安排在第二个执行。执行顺序:C—B—D—A 65 计算产能法则与技术指派方法(assignment method):被应用於有n项供给来源、和n项需求时使用目的:使一些衡量绩效值最大化或最小化指派方法对於解决具有下列特徵的问题颇为适当: 1.有n项「东西」被分派至n个「目的地」 2.每项东西必须被分派至一个，而且仅有一个目的地 3.仅使用一个准则(如:最小成本、流程时间、最大利润)
计算产能法则与技术若有n项工作在m台机器上处理，而
13
且全部的工作都必须经过所有的机器，则会有(n!)m种可选择之排程结果电脑模拟是唯一可行的方法所使用的优先法则应具备下列几项原则: 1.它应该是动态的。也就是说，在工作的过程，不断的计算来反应工作条件之改变 2.大体而言，它应该是以闲置时间(一项工作之剩余工作时间与所允许之剩余作业时间之差额)为基础 3.较新方法是在个人电脑上，结合模拟与排程人员去创造排程
现场主管主要功能 指定每项工作订单之分派优先顺序。维持在制品数量之资讯。传送工作订单之现况资讯至办公室。提供确实产出之资料以利能控制。依照储位或工作订单之分类，提供在制品库存及会计上之所需之数量资料。提供效率、利用率、人力及机器的生产力等衡量指标。
结论(1) 产能规画系企业经营最重要的一环产能规画的得失将影响到企业经营的成败产能的规画与市场的需求吻合产能的规画能达到全公司整体的最佳化产能的规画应充份考虑到将来环境变迁的适用性
在「竞争策略」一书，认为企业的一般化竞争策略，应以低成本，差异化或集中化(low cost ，differentiation ，focus)之一为其竞争优势的主轴，全力发展，才能显著的领先竞争
14
者，提高获利能力。建购低成本优势，并能维持领先的三大来源:经验曲线(experience curve)或学习曲线(learning curve)
经学习而熟悉经熟悉而改良制程或产品设计规模经济(scale economies) 经济规模指的是企业因营运规模扩大所伴随而来的效率提升，而最后反应在单位之固定成本分摊及变动成本的降低。规模不经济(scale diseconomies)指的是当规模扩大时，企业同时也面临了内部管理复杂性增加、协调困难度增加及成本升高。 专业化(specialization) ,企业可能选择的经营模式(Wal-Mart 、台积电) 专注在少数的价值产品专注在某特定的产品线或服务结论(2)
结论(3) 绩效,决策力 × 执行力不论是企业或是政府，任何组织的绩效都可用下列公式来表达:绩效,决策力 × 执行力，凡是由两个变数相乘所构成的公式，它的基本特性是:其中任一变数的数值如果是零的话，那麼不管另一变数的数值
有多大，它们的乘积都必定是零。换句话说，一个组织要有A，的绩效，它除了要有A，的决策力之外，同时也必须要有100,的执行力。100,的执行力，碰到C,的决策力，整体绩效必然不会高於C,，这就是「格局决定结局」的意思，这时执行力被浪费了;反之，A，的决策力，碰到50,的执行力，整体绩效也不可能及格，这是一种「力不从心，
15
心余力拙」的局面，这时决策力被糟蹋了。 决策是一套「见、识、谋、断」的功夫。对企业来说，「见识」是一种「如何盱衡环境、审时度势，为企业诊断问题、发掘机会」的工作。它的原则是「了解全局、洞察趋势、把握重点」;它的重点在「为企业定义正确的问题」。至於「谋断」则是一种「针对问题与机会，拟定经营策略、确立组织目标」的工作。它讲究的是「创意性、有效性、可行性」;它的重点在「把一个既定的问题，用最漂亮的方式解决。」
课后作业: 假设你现在已经是一位年轻有为的老板: 你会如何规划设立一间工厂? 用来满足每年满足生产5百万片的网路卡出货 赚钱? 规划参考之数据如下: 产品出货订单需求量及季节分配: 1Q -- 1100000 2Q -- 1000000 3Q --
1400000 4Q -- 1500000
作业:参数产品每单位固定物料成本 50 RMB 每1条生产线设备成本 1000000 RMB 每条生产线人力: 30人平均人工成本: 人/月薪:1000RMB 每条线月平均产出: 100000 PCS
委外生产获利每PCS会降低 10 RMB 单位产品销售金额 65 RMB
作业:参数你现在拥有资金 50000000 RMB 每条生产线每月固定开销 50000 RMB 收货款 60天请问 1.你会设计多
16
少条生产线以供出货? 2.你的资金如何配置运用? 3.多久可以回收资金? 4.你公司的获利能力?
百度搜索―就爱阅读‖,专业资料,生活学习,尽在就爱阅读网92to.com,您的在线图书馆
17
范文五：陆地植被净第一性生产力的研究
应用生态学报 1999年12月 第10卷 第6期 CHINESEJOURNALOFAPPLIEDECOLOGY,Dec.1999,10(6)!757~760
陆地植被净第一性生产力的研究*
孙 睿
**
朱启疆
(北京师范大学资源与环境科学系,北京100875)
摘要 回顾了当前国内外陆地植被净第一性生产力(NPP)的研究现状,分析了3种生产力模型(气候相关模型、过程模型和光能利用率模型)在应用于全球和区域生产力研究时的长处及不足:气候相关模型在气候变化研究中应用比较多,但计算的只是潜在NPP;过程模型着重于植物生长的生理生态过程,但过于复杂,模型中的参数不易获得;光能利用率模型因为可直接利用遥感数据成为NPP模型发展的一个主要方面.对国内NPP的研究及遥感手段在NPP研究中的应用进行了分析.关键词 净第一性生产力 植被 遥感 全球变化
Netprimaryproductivityofterrestrialvegetationareviewonrelatedrsearches.SunRuiandZhuQijiang(DepartmentofResourcesandEnvironmentSciences,BeijingNormalUniversity,Beijing100875). Chin.J.Appl.Ecol.,1999,10(6):757~760.
Netprimaryproduction(NPP)ofterrestrialwegetationissignificantinglobalchangestudy.DifferentNPPmodelsweredevelopedtosimulatethedistributionofglobalandregionalNPPinthelasttwodecades,ofwbich,climaterelativemodels,processmodelsandenergyuseefficiencymodelswerethemainones.EachkindoftheseNPPmodelshaditsadvantagesanddisadvantages.Climaterelativemodelswereattractivefortheirapplicabilitytoclimate changeproblems,butlittleinsightintononequlibriumphenomenawasprovided.Processmodelsemphasizedonthephysiologicalandecologicalprocessesofplantgrowth,buttheyweretoocomplicatedtogetsomeparameters.Energyuseefficiencymodelswereattractivebecausethevegetationindexdatafromsatelliteremotelysensedobservationscouldbedirectlyusedtoestimatethefractionofabsorbedphotosyntheticallyactiveradiation.TheNPPresearchstatusandtheapplicationofremotesensinginNPPresearchinChinawerealsoreviewedinthispaper.Keywords Netprimaryproductivity,Vegetation,Remotesensing,Globalchange.
1 引 言
植被净第一性生产力(简称NPP,指绿色植物在单位时间、单位面积上由光合作用所产生的有机物质总量中扣除自养呼吸后的剩余部分)是表示植被活动的关键变量,也是大气CO2浓度季节变化的主要原因;NPP与异养物呼吸速率的平衡(即净生态系统生产力NEP)决定了是否有生物圈对过量大气CO2的累积,所以准确估计NPP有助于了解全球C循环.另外,NPP也是陆地生态系统中物质与能量运转研究的基础,除了供给植物本身外,还为所有有机体生命提供了能量和物质,因而陆地NPP的研究也为合理开发、利用自然资源提供科学依据.鉴于以上原因,国内外学者采用不同方法对全球或区域净第一性生产力进行了研究.本文的目的是对NPP的研究进行回顾和分析.2 NPP模型研究
植被生产力受到许多包括气候、土壤、植物特性及其它自然和人为因素的影响.由于数据资料以及研究,的侧重点有很大的差别,模型在方法和复杂度上也显著不同.根据模型对各种调控因子的侧重点及对NPP
调控机理的解释,可将现有模型大体分为3类:气候相关模型、过程模型和光能利用率模型.2.1 气候相关模型
在自然环境条件下,植被群落的生产能力除受植物本身的生物学特性、土壤特性等限制外,主要受气候因子的影响.因此,可以通过对气候因子(如气温、降水、光照等)与植物干物质生产的相关性分析来估计植被的净第一性生产力.相关模型就是根据植物生长量与环境因子相关原理,用建立起的数学模型估算植物净第一性生产力.
相关模型用的最多的是Miami模型、ThornthwaiteMemorial模型和Chikugo模型.其中Miami模型是Lieth根据世界各地约50个点的NPP实测值与年平均温度和年平均降水量之间关系做出来的[2]:
NPPm.t=3000/(1+e1.315-0.119t
)
*国家自然科学基金资助项目(39990490和49871055). **通讯联系人.
08-,1997-12-接受.
758应 用 生 态 学 报 10卷
0.000664R
NPPm.R=3000(1-e-
)(1)特征参数必须利用地表覆盖分类图获得,但是,由于当前缺乏大多数生态系统的参数,并且一些随物候期变化的变量(如叶面积指数及其有关的参数)随时空分布的定量化也很困难,所以效果不十分满意.这意味着要么人为指定某些参数,要么对模型进行简化.2.3 光能利用率模型
光能利用率模型以资源平衡观点作为其理论基础.资源平衡观点假定生态过程趋于调整植物特性以响应环境条件.这种观点认为植物的生长是资源可利用性的组合体,物种通过生态过程的排序和生理生化、形态过程的植物驯化,应趋向于使所有资源对植物生长有平等限制作用.在某些极端情况下,如果完全适应不可能时,NPP则受最紧缺资源的限制.在资源平衡观点成立的前提下,就可利用植被所吸收的太阳辐射以及其它调控因子来估计植被净第一性生产力.
光能利用率模型建立在农作物研究的基础上.Monteith[16]首先提出用植被所吸收的光合有效辐射APAR和光能转化效率 计算作物NPP,其表达式:
NPP= ?APAR(4)式中,APAR可由植被对光合有效辐射的吸收比例FPAR与入射光合有效辐射求得.而FPAR可由遥感资料获得,由于 的变化范围比较小,所以可将其近似看作一个常数,这样由遥感所获得的FPAR可直接用于NPP的监测.
Heimann等首先发表了基于APAR的全球NPP模型,在其模型中, 的取值不随时间和地表覆盖类型变化,他们发现,将 在全球范围内看为一个常数会引起很大的误差.最近的研究结果表明 随环境条件的变化、植物生物合成途径及呼吸速率的不同而变化.Ruimy等[21]在其NPP模型中考虑了 的可变性,给不同生态系统分配以不同的 值,但没有考虑 随时间的变化,也没有考虑 在群落内部的变化.CASA模型中, 随季节的变化以及群落内部的变化通过温度及土壤水分的可利用程度来调节[18].Prince[19]则提出了一个考虑了植物呼吸及其它生理胁迫的模型.由于光能利用率模型将所有NPP调控因子以相对简单的方法组合在一起,并且这种观点提出了在计算NPP时可以直接利用遥感数据,使得其成为NPP模型的一个主要发展方向.
3 遥感在NPP研究中的应用
航天卫星由于具有周期性及观测面广的特点,很适合于对地球的全球性观测,尤其是NOAA系列卫星[13]
NPP=min(NPPm,t,NPPm,R)(g?m-2?a-1)其中,t为年平均气温(#),R为年降水量(mm).实际上植被净第一性生产力还受其它气候因子的影响,用该模型估算的结果可靠性仅为66%~75%.于是Lieth又提出了ThornthwaiteMemorial模型,将NPP与年平均蒸散量ET(mm)联系在一起[2]:
NPPm,ET=3000[1-e-0.0009695(ET-20)
](2)
由于蒸散受多种气候因素的影响,且与光合作用有一定关系,所以对NPP的估计比较合理.
Chikugo模型起初建立在生理、生态学理论基础上,后又结合数学相关方法建立了NPP(t?hm?a)与净辐射Rn和辐射干燥度RDI之间的相关模型[23]:NPP=a(RDI)?Rn(3)其中,a(RDI)是辐射干燥度的函数.该模型综合考虑了多种因素的影响,可以较好地估算NPP,但是该模型是建立在土壤水分供给充分的条件下,所估计的NPP实际上是潜在或最大NPP,与实际情况有所差距.
相关NPP模型由于可以直接用于气候变化的研究而受到重视,但这些模型或者由于缺乏严密的生理、生态理论做依据,或者只能对潜在NPP进行研究,所以不能很好地反映现实,有以点代面的缺点.2.2 过程模型
过程模型根据植物生理、生态学原理来研究植物生产力,以下述观点作为其理论基础:光合作用是NPP的第一驱动者,气候、生态系统类型以及资源的重要性可根据它们对光合作用、生物量分配及呼吸作用的影响来评价.这种模型的时间尺度都比较短,通常以1天或小于1天作为模拟步长.由于温度、光合有效辐射、大气CO2浓度、土壤水分、大气水分等影响光合作用和生长的生理过程,模型中须综合考虑这些调控因子.如FOREST-BGC[22]、DEMETER[12]、TEM都考虑了最基本的光合作用、呼吸作用以及同化物的分配等过程.这些研究证明了用简单的生理假设可以对大气候梯度下的季或年NPP进行合理的模拟,并且根据冠层生理和能量交换所形成的CO2通量解决了陆地CO2交换模型中简单的参数化法与地表模型中详细的参数化法在时间分辨率和机理细节上的不匹配.
这种模型的优点是机理性强,可以与大气环流模式(GCM)相耦合,有利于研究全球变化对陆地植被净第一性生产力的影响,同样可用来研究植被分布的变.[14,15,20]
-2
-1
6期 孙 睿等:陆地植被净第一性生产力的研究 759
量的估计.其中卫星平台上传感器的红光和近红外通道数据特别适用于植被研究,这两个波段的组合即植被指数可以比较好地反映地表植被状况.
遥感在NPP研究中应用最多的是光能利用率模型,在这种模型中,可从对地表辐射的多波段观测提取植被对光合有效辐射的吸收比例FPAR以及其它环境因子.全遥感模型GLO-PEM在这方面做了有益的尝试,因此,我们以该模型为例对遥感在NPP研究中的应用加以分析.
GLO PEM模型形式如下:
NPP=%t( T,t e,t s,t t
*
*
度植被指数比值法)来确定气温和土壤水分状况,并根据AVHRR第4和第5通道辐射温度差、地表温度及气温确定水汽压差.GLO PEM模型的成功,证明了用
纯粹遥感手段可以实现NPP的估计,为以后NPP模型的发展及植被NPP的估计提供了一种全新的方法.
卫星遥感作为当前唯一能重复获取在空间、时间和光谱分辨率上适合于全球环境数据的工具,由于其现势性好,可以对地表生物量进行实时或准实时监测,所以很适于作为NPP计算的一个信息来源.但是,由于大气状况、地气系统对太阳辐射反射的非各向同性会影响到植被指数的准确计算;同样,影响FPAR的因素也很多,如入射辐射方向、漫射辐射在全球辐射中所占比例以及全球分布、叶片的光谱特性及空间分布、冠层结构等,所以将植被指数转换为FPAR比较困难,且由于光能转化效率 的多变性使得遥感在NPP研究中的应用受到一定程度的限制.另外,由于用遥感资料无法模拟植被指数的未来变化,所以无法模拟气候或植被变化后的NPP.在卫星数据不适合的情况下,如气候变化、CO2浓度升高时,将会改变植物的生长和分配,它们很有可能改变植被指数,因而限制了对现有数据的利用.所以,如何修改基于卫星的模型,将卫星资料的时间和空间信息与其它有关响应气候变化的模型相结合将会有很大的发展潜力.4 植被NPP研究的现状
国内生物生产量测定工作的开展比较晚,在70年代后期开始进行了一些不同植被的生产量研究,取得了一些成果,但是数据精度不一,且用来推算大面积NPP有一定困难,于是多借用国外一些比较成功的NPP模型或对模型进行改进来研究我国陆地植被NPP的分布,如陈国南[6]、侯光良[11]、张宪洲[4]等利用Miami模型、ThornthwaiteMemorial模型和Chikugo模型对我国自然植被的净第一性生产力进行了分析;朱志辉[1]用由Chikugo模型加以改进而得来的北京模型估计了全国NPP的分布.肖乾广等则利用NOAA AVHRR的累积NDVI与NPP的统计关系估算了中国的NPP.测算结果,我国陆地的年生物生产总量约为8.27?109t[6].NPP的基本分布趋势是东南沿海地区最高,依次向西北内陆递减,西北沙漠荒漠区最低,其中热带地区的净第一性生产力为18~23t?hm-2?a-1,亚热带地区为10~18t?hm-2?a-1,温带地区4~10t?hm-2?a-1,西北半干旱、干旱地区为0~5t?hm-2?a-1,青藏高原地区由高原东南部的8往西北部-2-1[11]
[3]
fPAR,tSt)YgYm(5)
式中, t表示最大光能转化效率, T,t、 e,t和 s,t分别
*表示气温、水汽压差及土壤水分状况对 t的影响,St
表示入射光合有效辐射,fPAR,t表示植被对光合有效辐射的吸收比例,Yg、Ym表示植物生长呼吸和维持呼吸对NPP的影响[19].
在一定范围内,FPAR与归一化差值植被指数NDVI之间存在线性关系.Myneni等[17]用辐射传输方法研究了该关系随冠层、土壤及大气参数的变化情况,他们发现,FPAR与NDVI之间的关系与像元异质性无关,但对背景、大气和二向反射特性比较敏感.如果研究局限于星下点附近,大气和二向反射特性的影响可以忽略,甚至在土壤是中等反射情况下,背景的影响也可以忽略.因此,他们认为,FPAR与NDVI之间的线性关系成立的条件是:太阳天顶角小于60&,星下点附近,土壤或背景是中等亮度,在550nm处大气光学厚度小于0.65.GLO PEM模型正是利用FPAR与NDVI之间的线性关系,由NOAA气象卫星的AVHRR资料估计全球FPAR的分布.
GLO PEM模型中光合有效辐射PAR由TOMS(TotalOzoneMappingSpectrometer)的紫外波段反射值估计.这是由于云在紫外和PAR波段的反射率比较稳定,并且对这两个波段的辐射吸收比较小,从而可以将云对PAR的影响用TOMS紫外反射值的线性函数来估计,利用这种方法可以去除云的影响从而达到估计PAR的目的.
环境因子如气温、土壤水分状况以及大气水汽压差等会通过影响植物的光合能力而调节植被NPP,在GLO PEM模型中这些因子对NPP的调控是通过对
*
最大光能转化效率 t加以订正而实现的(即式5中的 T,t、 e,t和 s,t),其中 T,t、e,t和 s,t又是利用
AVHRR传感器的热辐射和光学辐射资料估计:模型首先利用?劈窗(方法,由AVHRR第4、5两个热红处(
760应 用 生 态 学 报 10卷
产力也不同,热带雨林为20.0t?hm-2?a-1左右,热带季雨林在17t?hm
-2
?a
-1
左右,亚热带常绿林、温带落
参考文献
1 朱志辉.1993.自然植被净第一性生产力估计模型.科学通报,38
(15):1422~1426.2 里 思、惠特克等.1985.生物圈的第一性生产力.北京:科学出版
社.217~242.3 肖乾广、陈维英等.1996.用NOAA气象卫星的AVHRR遥感资料
估算中国的第一性生产力.植物学报,38(1):35~39.
4 张宪洲.1993.我国自然植被净第一性生产力的估算与分布.自然
资源,1:15~21.5 张新时、杨奠安、倪**.1993.植被的PE(可能蒸散)指标与植被
气候分类(三)几种主要方法与PEP程序介绍.植物生态学与地植物学学报,17(2):97~109.
6 陈国南.1987.用迈尔密模型测算我国生物生产量的初步尝试.自
然资源学报,2(3):270~278.7 周广胜、张新时.1995.自然植被净第一性生产力模型初探.植物生
态学报,19(3):193~200.8 周广胜、张新时.1996.全球气候变化的中国自然植被的净第一性
生产力研究.植物生态学报,20(1):11~19.9 周广胜、张新时、高素华等.1997.中国植被对全球变化反应的研
究.植物学报,39(9):879~888.10 郑元润、周广胜、张新时等.1997.中国陆地生态系统对全球变化的
敏感性研究.植物学报,39(9):837~840.11 侯光良、游松才.1990.用筑后模型估算我国植物气候生产力.自然
资源学报,5(1):60~65.
12 Foley,J.A.1994.Netprimaryproductivityintheterrestrial
biosphere:Theapplicationofaglobalmodel.J.Geophys.Res.,99(D10):20773~20783.
13 Heimann,M.,Keeling,C.D.1989.Athree dimensionalmodelof
atmosphericCO2transportbasedonobservedwinds:2.Modeldescriptionandsimulatedtracerexperiments.In:D.H.Peterson,(ed.).ClimateVariabilityinthePacificandtheWesternAmericas,AmericanGeophysicalUnion.pp.237~275.
14 McGuire,A.D.andMelillo,J.M.etal.1992.Interactionsbetween
carbonandnitrogendynamicsinestimatingnetprimaryproductivityforpotentialvegetationinNorthAmerica.GlobalBiogeochem.Cycles,6:101~124.
15 Melillo,J.M.andMcGuire,A.D.etal.1993.Globalclimate
changeandterrestrialnetprimaryproduction.Nature,363:234~240.
16 Monteith,J.L.1972.Solarraditionandproductivityintropical
ecosystems.J.Appl.Ecol.,9:747~766.
17 Myneni,R.,Williams,D.1994.Ontherelationshipbetween
FAPARandNDVI.RemoteSensingofEnvironment,49:200~211.
18 Potter,C.S.andRanderson,J.T.etal.1993.Terrestrial
ecosystemproduction:Aprocessmodelbasedonglobalsatelliteandsurfacedata,GlobalBiogeochem.Cycles,7(4):811~841.
19 Prince,S.D.,Goward,S.N.1995.Globalprimaryproduction:a
remotesensingapproach.J.Biogeogr.,22:815~835.
20 Raich,J.W.,Rastetter,E.B.etal.1991.Potentialnetprimary
productioninSouthAmerica.Ecol.Appl.,1:399~429.
21 Ruimy,A.,Saugier,B.1994.Methodologyfortheestimationof
terrestrialnetprimaryproductionfromremotelysenseddata.J.Geophys.Res.,99(D3):5263~5283.
22 Running,S.W.,Coughlan,J.C.1988.Ageneralmodelof
ecosystemprocessesforregionalapplicationsI.Hydrologicbalance,canopygasexchangeandprimaryproductionprocesses.Ecol.Modelling,42:125~154.
23 Uchijima,Z.,Seino,H.1985.Agroclimaticevaluationofnet
primaryproductivityofnaturevegetation(1)Chikugomodelforevaluatingprimaryproductivity.J.Agri.Meteorol.,40:343~352.
叶林、北方森林、温带草原及荒漠分别为13、11.5、7.0、5、0.5t?hm-2?a-1左右[1].
对于CO2浓度倍增、气候变化对我国自然植被有多大的影响,张新时等[5]采用Holdridge生命地带系统与Chikugo模型首次对全球变化后中国陆地生态系统的植被地理分布及净第一性生产力进行了预测.周广胜等建立了联系植物生理生态特性和水热平衡关系的自然植被净第一性生产力模型,并利用该模型对中国自然植被的净第一性生产力现状及全球变化后自然植被的净第一性生产力进行了分析[7~
10]
.这些研究结果
表明,在年均气温增加4#,年降水量增加20%的情况下,自然植被净第一性生产力均有所增加,在湿润地区增加幅度较大,而在干旱及半干旱地区增加幅度较小,这说明限制我国植被净第一性生产力的主要原因在于水分供应不足.这些研究的不足之处是:气候变化对植被NPP的影响只是根据气温和降水的变化给出,未考虑植被对气候的滞后[7~更深入的研究.5 结 语
现有植被NPP模型在估算区域、短期、气候变化及种群分布变化情况下的NPP时都存在一定的问题.气候相关模型形式简单,但估算的是潜在NPP;过程模型有着较强的理论依据,但比较复杂,其中的参数不易获得;光能利用率模型因为与卫星资料相联系成为当前NPP研究的一个主要发展方向,但由于将植被指数转换为吸收辐射比例比较困难,且由于光能转化效率的多变性而受到一定程度的限制.
NPP研究的发展趋势可归纳为3个方面:第一,遥感在光能利用率模型中的作用越来越大,将会实现由全遥感信息对地表NPP的实时或准实时估计;第二,遥感手段与过程模型相结合,最终实现由从遥感信息所获取的地表气候和植被结构,在包含有地形和位置的地理信息系统支持下驱动模型的运行;第三,NPP模型与其它有关响应气候变化的模型相结合进行气候变化研究将会有很大的发展潜力.
我国关于植被产量方面的资料比较少,因此极有必要继续加强植物生产量方面的研究,建立适合我国实际情况,基于气候变化、资源及多种扰动因素的NPP模型,尤其要强化遥感数据在NPP研究中的作用
10]
.因此,要正确地评估全球
气候变化后植物净第一性生产力的变化,有必要进行
作者简介 孙 睿,男,29岁,博士,主要从事遥感和地理信息系统在地表过程和全球变化中的应用研究,发表论文7篇.E mail:rui sun@263.net
