錢釗暉,王紹強,*,陳敬華,周國逸,張雷明,李焱沐,孟 澤,陳蝶聰

1 中國科學院地理科學與資源研究所，生態(tài)系統(tǒng)網(wǎng)絡觀測與模擬重點實驗室，北京 100101 2 中國科學院大學資源與環(huán)境學院，北京 100049 3 中國科學院華南植物園，廣州 510650 4 廣東省生態(tài)氣象中心，廣州 510640

全球陸地生物圈與大氣圈之間氣體交換的90%都是由植物光合作用進行調節(jié)的，其中陸地植物總初級生產(chǎn)力(Gross Primary Productivity, GPP)是全球最大的碳通量，是定量化生態(tài)系統(tǒng)固碳能力的關鍵參數(shù)[1]。而我國南方亞熱帶森林生態(tài)系統(tǒng)具有較高的固碳能力，又處于對氣候變化反應較敏感的地區(qū)，對區(qū)域生態(tài)平衡起著巨大的調節(jié)作用[2]。因此，精確評估我國南方亞熱帶森林生產(chǎn)力對研究該地區(qū)森林植被對氣候變化的響應機制具有重要意義。

當前使用渦度協(xié)方差技術可以獲取GPP的動態(tài)變化，它可以精確觀測站點尺度生態(tài)系統(tǒng)與大氣間的碳水通量[3]。但是利用渦度協(xié)方差技術進行觀測的通量站點數(shù)量有限，觀測尺度也較小，只能通過其他的數(shù)據(jù)增補和空間擴展的方法估算區(qū)域和全球GPP。而利用植被的光譜特性與碳通量的相關關系，結合衛(wèi)星遙感觀測數(shù)據(jù)，能夠實現(xiàn)站點尺度GPP觀測的空間擴展。

基于光譜觀測的植被生產(chǎn)力GPP研究主要是依據(jù)地表植被反射率計算植被指數(shù)，分析其在時間序列上對物候變化的敏感性，從而探討其和植被生產(chǎn)力GPP的關系[4]。但用于研究GPP的傳統(tǒng)植被指數(shù)多為結構指數(shù)，如歸一化植被指數(shù)(normalized difference vegetation index, NDVI)、增強型植被指數(shù)(enhanced vegetation index, EVI)，它們隨著冠層結構的變化而變化[5]。但對由水、熱或光照等引起的日尺度植被葉片生理性變化并不敏感，僅能夠在長時間尺度上反映出植被功能的變化[6]。這些植被指數(shù)和GPP之間雖具有很強的季節(jié)性相關關系，但對常綠植物群落而言，這種關系并不顯著[7- 9]。在估算GPP的光能利用率模型[10]中，植物吸收的光合有效輻射(absorbed photosynthetic active radiation, APAR)和植物對于光能的利用效率(ε)是重要參數(shù)：

GPP =APAR ×ε

(1)

而APAR又是由400—700 nm波譜范圍的光合有效輻射(photosynthetic active radiation, PAR)及植物實際吸收的比例(fAPAR)計算而來：

APAR=fAPAR× PAR

(2)

式中，fAPAR與冠層結構關系緊密，PAR可由氣象觀測數(shù)據(jù)獲取[10- 11]。常綠林與落葉林的不同在于其冠層結構在不同季節(jié)幾乎保持穩(wěn)定，常綠林fAPAR值也就較落葉林fAPAR穩(wěn)定[11]。這使得由NDVI等冠層結構型植被指數(shù)所表示出的fAPAR信息難以準確描述常綠林光合作用季節(jié)動態(tài)變化。

另一方面，光能利用率模型中光能利用效率(ε)受環(huán)境狀況影響較大，動態(tài)調整過程復雜，使得精確捕捉ε的快速變化變得尤為困難[12]。植物葉片葉黃素循環(huán)能夠調整葉片內(nèi)部能量分配，將植物光合結構所接收的多余能量耗散，對植物加以保護[13]。利用光譜觀測獲取光化學植被指數(shù)(photochemical reflectance index, PRI)能夠監(jiān)測這種生物化學過程，繼而提供了直接獲取ε短時間變化的能力[14]。而在季節(jié)尺度上，葉片和冠層PRI的主要驅動因素是葉片類胡蘿卜素庫的變化，而不僅僅是葉黃素循環(huán)本身[15- 17]，因而葉綠素/類胡蘿卜素指數(shù)(chlorophyll/carotenoid index, CCI)[18]的變化可以更加直觀地反映葉片光合作用活動的變化。CCI由MODIS波段11(531nm)和波段1(645nm)構建而成，能夠有效反應植物葉片色素比值的變化，在北美常綠林通量站的研究中相較于MODIS NDVI，CCI與GPP相關性更強[18]。

另一種定量化ε的方法是利用遙感手段監(jiān)測光合作用中能量耗散的另一個途徑——葉綠素熒光釋放。熒光信號的強弱原則上與用做光合作用的能量成負相關，因此可以作為光合作用光轉化的指示器[19]，并能夠反映出植物光合作用速率及其有效程度[20- 22]。通過測定葉綠素熒光，可將遙感技術從對冠層生物物理和生物化學的探測轉移到對生態(tài)系統(tǒng)功能和光合活動變化的監(jiān)測[23]。植物葉片吸收光能后釋放的熒光峰值位于680 nm和760 nm左右[19]，日光誘導的葉綠素熒光(solar-induced fluorescence, SIF)包含了植物生化、生理和代謝功能以及 APAR 的信息，比傳統(tǒng)植被指數(shù)對環(huán)境變化具有更高的敏感性[24]，利用熒光波段所構建的簡單比值植被指數(shù)也對農(nóng)作物水熱脅迫具有很強的響應能力[6]。

本文以我國南方亞熱帶常綠針闊混交林為研究對象，利用地基高光譜觀測技術，獲取并計算與通量觀測數(shù)據(jù)同步的多種冠層植被指數(shù)，包括NDVI、CCI和位于熒光發(fā)射波段的全新指數(shù)NDFI。探討在不同生物物理化學機制下，各植被指數(shù)對于我國南亞熱帶常綠針闊混交林GPP的表征程度，分析各植被指數(shù)的優(yōu)缺點，并利用多指數(shù)構建多元回歸模型，進而提高GPP表征效果。

1 研究區(qū)及方法

此次觀測的針闊混交林樣地位于鼎湖山自然保護區(qū)核心區(qū)內(nèi)(23°10′24″N, 112°32′10″E)。保護區(qū)地處北半球南亞熱帶，受季風濕潤氣候影響，水熱資源豐富且同步，年太陽輻射約4665 MJ m-2a-1，年平均日照時數(shù)為1433 h；年平均氣溫21.0℃，最冷月平均氣溫約12℃，最熱月平均氣溫約28℃；年均降水量1956 mm，其中76%集中在汛期(4—9月)，10月到次年3月為相對少雨季節(jié)[25]。樣地森林為人工種植的馬尾松受到一些闊葉樹種入侵而自然形成的過渡類型，是目前保存下來的最為典型、最為完整的南亞熱帶常綠針闊葉混交林生態(tài)系統(tǒng)[25]。優(yōu)勢樹種為木荷(Schima superba Gardn. et Champ.)、錐栗(Castanea henryi (Skan) Rehd. et Wils.)和馬尾松( Pinus massoniana Lamb.)，樹齡約為100 a、樹高約17 m[25]。

1.1 通量數(shù)據(jù)采集和GPP計算

日GPP觀測值是通過渦度通量觀測反演計算獲得，其中主要觀測系統(tǒng)開路渦度相關通量觀測系統(tǒng)(Open Path Eddy Covariance, OPEC)安裝于針闊混交林樣地1.5倍冠層高度的27 m處，對生態(tài)系統(tǒng)/大氣界面的CO2和H2O通量進行觀測。OPEC系統(tǒng)主要包括三維超聲風溫儀(CSAT3, Campbell Scientific Ltd.)和快速響應紅外CO2/H2O分析儀(Li-7500,Li-Cor Inc.)，分別進行三維風速以及CO2/H2O濃度脈動的測量[26]。日尺度凈生態(tài)系統(tǒng)交換(net ecosystem exchange, NEE)由白天(PAR> 1.0μmol-1m-2s-1)半小時尺度CO2通量計算得到。日生態(tài)系統(tǒng)總呼吸(ecosystem respiration, Re)由夜間CO2交換量和5 cm土壤溫度之間關系獲得[27]，可將NEE拆分為Re和GPP。根據(jù)公式(3)計算獲得日尺度GPP：

GPP=- NEE+Re

(3)

1.2 冠層光譜觀測

植被反射率由冠層高光譜觀測系統(tǒng)獲得，采用的雙通道光譜儀(UniSpec-DC; PP Systems)安裝于通量觀測塔頂部，高約36 m(圖1)。其中一個通道連接裝有余弦矯正器(UNI435; PP Systems)的光纖探頭(UNI686; PP Systems)垂直向上測量太陽入射輻射，另一通道連接裝有15°視場角限制器(UNI688; PP Systems)的光纖探頭(UNI684; PP Systems)向下同時測量冠層反射輻射。光譜儀可以接受波段范圍長達330—1100 nm的輻射，同時光譜分辨率達到3 nm左右。另裝有自動角度旋轉云臺(PTU-D46; FLIR Systems)控制上行光纖的天頂角和方位角，使得光纖接收的冠層反射輻射盡可能來自通量塔周圍較大面積，單個觀測周期內(nèi)能都覆蓋通量塔周邊約7000 m2的范圍，同時減少通量塔自身對光譜觀測的影響。

圖1 森林冠層光譜觀測示意圖

雙通道光譜儀和旋轉云臺都連接到塔下控制端計算機，通過MATLAB 圖形用戶界面程序實現(xiàn)白天的自動觀測。光譜儀每2—3 s進行一次光譜采集，并于15 min保存一次文件。將每個文件中的數(shù)據(jù)進行觀測角度插值和異常值剔除，再經(jīng)過白色標準板參考輻射校正后計算光譜反射率。通過公式(4)、(5)、(6)、(7)計算得到NDVI、CCI和NDFI：

(4)

(5)

(6)

(7)

式中，R代表該波長下的反射率值。計算完植被指數(shù)后利用算數(shù)平均法將每日9：00—17：00時的共32個文件中的植被指數(shù)平均值作為當天的植被指數(shù)觀測值。

1.3 多元回歸模型構建

利用多個植被指數(shù)構建二元線性回歸模型去表征GPP動態(tài)變化時，先構建單一指數(shù)線性回歸模型，再使用輸入法加入第二個指數(shù)構建二元線性回歸模型，統(tǒng)計每個指數(shù)在加入不同指數(shù)后，R2值的變化情況ΔR2。通過比較ΔR2可以看出各指數(shù)表征GPP動態(tài)變化時的獨立性，尋找各指數(shù)合適的合作指數(shù)。使用多元回歸進行GPP的反演時，使用前進回歸法對NDVI、CCI、NDFI760和NDFI685與GPP進行回歸分析，逐步選擇顯著性最強的組合構建回歸模型，并排除出加入后導致顯著性較差的指數(shù)。

圖2 夏季和冬季不同波段冠層反射率及其差異

2 結果分析

2.1 歸一化熒光植被指數(shù)特征分析

在光照條件良好的亞熱帶森林冬季和夏季正午時分(12時—12時30分)，測定同一片森林冠層400—850 nm波段光譜反射率(圖2)。二者的波段反射率差值在531 nm、685 nm和760 nm處有明顯的峰值，其中760 nm波段差異最大，季節(jié)反射率差值達到0.8%。另外，在531 nm和685 nm波段附近也有0.2%—0.4%反射率的變化。位于760 nm與685 nm附近的遠紅光與紅光波段正好與葉綠素熒光發(fā)射波段相吻合，531 nm與葉黃素循環(huán)反射低谷波段相吻合。從光譜反射率的季節(jié)變化可以看出，在亞熱帶針闊混交林地區(qū)，光合作用活動中葉綠素熒光變化和色素含量比值變化同樣具有監(jiān)測光合作用季節(jié)變化的潛力。

利用760 nm和685 nm附近的熒光發(fā)射波段的植被冠層反射率構成的植被指數(shù)被證實具有反映光合作用的能力。Dobrowski等[6]利用740 nm和690 nm構建了簡單的熒光比值植被指數(shù)(fluorescence ratio indices)R690/R600 和 R740/R800，成功反演出作物環(huán)境脅迫下光合作用的變化。為追蹤森林光合作用的季節(jié)變化，參考熒光比值植被指數(shù)所用的光譜反射波段，將遠紅光和紅光波段的峰值與附近波段的峰谷作歸一化熒光指數(shù)(normalized difference fluorescence indices, NDFI)。

NDFI計算公式(6)、(7)中，位于685 nm附近歸一化熒光植被指數(shù)NDFI685由(R600-R685)與(R600+R685)的比值構建，位于760 nm附近歸一化熒光植被指數(shù)NDFI760由(R800-R760)與(R800+R760)的比值構建，其中600 nm和800 nm是參考波段。使用歸一化類型的指數(shù)能夠有效放大光譜信息在時間序列上的動態(tài)變化，形成更加直觀的季節(jié)變化特征。作為計算NDFI分子的(R600-R685)較(R800-R760)的動態(tài)變化稍大，它們主要控制指數(shù)的正負性；而分母(R600+R685)和(R800+R760)則能更多的顯示出反射率的季節(jié)變化(圖3)。

從2015年2月開始，(R600+R685)和(R800+R760)表現(xiàn)出顯著增加的趨勢。與此同時，兩個NDFI指數(shù)也迅速降低，直到3月到達谷底，之后在春季生長季來臨后便逐步回升。在4月春夏季生長季到來時，(R600+R685)和(R800+R760)都有一個峰值，但NDFI685與NDFI760則表現(xiàn)出不同的變化趨勢。這段時間R600小于R685，而R800大于R760，導致(R600-R685)與(R800-R760)呈現(xiàn)出不同的正負值，使得NDFI685有小幅的下降，而NDFI760則一直上升。

圖3 用于計算NDFI685, NDFI760的波段反射率和與差的時間變化序列圖

2.2 植被指數(shù)與GPP時間動態(tài)分析

利用通量觀測獲取的鼎湖山亞熱帶常綠林日GPP的季節(jié)波動在2 g C m-2d-1之間，整個觀測時間內(nèi)的最低值出現(xiàn)在2015年3月(圖4)。在3月，NDVI也表現(xiàn)出明顯的低值。由于NDVI所表示的是植被冠層結構所發(fā)生的變化，所以在該時間段GPP的動態(tài)變化受到冠層結構影響較大，可能是受低溫影響的冠層綠度較低，光合作用能力較弱所導致的。而GPP在高位發(fā)生短時動態(tài)變化時，NDVI會維持在0.7附近，其微弱地動態(tài)變化與GPP趨勢相同，但難以捕捉GPP的波動極值點。如在2014年9到11月之間，NDVI一直保持高位，只出現(xiàn)幾天的低值，難以捕捉GPP的整體變化，效果較差。而此時CCI卻能夠很好的表征出GPP一次明顯地下降過程，結合CCI和NDVI的變化，可以看出這段時間內(nèi)光合作用變化主要是由于季節(jié)變化引起的植物葉片葉綠素及類胡蘿卜素等色素庫發(fā)生變化，其冠層結構并未發(fā)生較大改變，通過CCI的變化較好地表現(xiàn)出來。但是，CCI在次年春季出現(xiàn)了較大的數(shù)據(jù)離散情況，而這段時間，NDFI685也同樣出現(xiàn)數(shù)據(jù)離散較大的情況。這段時間是溫度上升后的春季，降雨增多，光合作用強度增加，GPP已經(jīng)從冬季的低谷中恢復到較高值，而頻繁降雨會使得光譜觀測結果受到一定的影響，使得GPP與觀測CCI形成較大差異(圖4)。

圖4 NDVI、CCI、NDFI685和NDFI760與GPP的時間序列圖

在本文中新構建的歸一化熒光指數(shù)方面，NDFI685整體上與CCI在時間序列上表現(xiàn)相似。在經(jīng)過卷積平滑處理后的圖中可以看到，NDFI685在2014年9月到12月與GPP基本保持同步，捕捉GPP峰值和低值的效果比CCI更優(yōu)。但相較于CCI，NDFI685在次年春季到來后表現(xiàn)出更加地不穩(wěn)定，數(shù)據(jù)離散，數(shù)值波動浮動也遠大于GPP的短時間波動。NDFI760方面，在7—10月份的夏季，NDFI760較GPP的動態(tài)變化更加平緩，無法有效捕捉到GPP變化的極值，這一點與NDVI 的表現(xiàn)相似。而在11—12月和4—6月的晚秋末春季則保持相對同步，追蹤效果良好(圖4)。

2.3 各植被指數(shù)與GPP間相關性分析

在亞熱帶針闊混交常綠林地區(qū)，四種植被指數(shù)與GPP之間都具有顯著的相關性(圖5)，其中相關性最強的是傳統(tǒng)的植被指數(shù)NDVI，R2=0.60(P<0.01)。NDVI雖被認為在常綠林難以捕捉GPP的動態(tài)變化，但其與GPP之間緊密的生物物理機制，使其在GPP季節(jié)變化并不大的亞熱帶針闊混交常綠林地區(qū)仍具有較其他指數(shù)明顯的優(yōu)勢。NDVI在追蹤GPP變化時的主要問題在于其數(shù)據(jù)多集中于GPP高值的時間段，對GPP低值捕捉不足。這使得在全年GPP多位于高位的亞熱帶地區(qū)，NDVI并沒有失去自身的表征能力；而在北方受溫度脅迫較大的常綠林，GPP在夏冬季有較大差異，NDVI在捕捉GPP時就產(chǎn)生了明顯的缺陷[18](圖5)。

圖5 日尺度NDVI、CCI、NDFI685和NDFI760與GPP散點圖

CCI與GPP之間存在極顯著的關系(R2=0.55，P<0.01)，并且較NDVI能很好地捕捉不同大小的GPP值，尤其對GPP低值有很好的捕捉能力，說明通過光合生理過程中各種色素的光譜分析能夠在一定范圍內(nèi)解釋亞熱帶針闊混交常綠林GPP的季節(jié)變化。但CCI在亞熱帶針闊混交常綠林并沒有達到在追蹤北方常綠林GPP時極高的相關性，沒有優(yōu)于傳統(tǒng)的GPP估算指數(shù)NDVI。因此，在亞熱帶針闊混交常綠林地區(qū)，CCI難以代替NDVI來描述GPP的季節(jié)動態(tài)變化，但CCI能夠在一定季節(jié)內(nèi)具有追蹤GPP動態(tài)變化的能力，可以作為NDVI模擬GPP變化的補充(圖5)。

NDFI685與GPP的相關性與CCI接近，R2為0.54(P<0.01)，并且表現(xiàn)出與CCI相似的分布特征。NDFI760是四個指數(shù)中相關性最弱，其在數(shù)據(jù)分布上與NDVI相似，且與GPP仍具有極顯著的相關性，R2也達到了0.50(P<0.01)。利用685 nm和760 nm兩個熒光發(fā)射波段構建的反射光譜植被指數(shù)同樣具有反演GPP季節(jié)動態(tài)變化的能力。

從月尺度的相關性來看，利用NDVI來表征該地區(qū)的GPP動態(tài)變化具有較為明顯的優(yōu)勢(R2=0.77，P< 0.01)(圖6)。而CCI、NDFI685和NDFI760與GPP的相關性都有不同程度地減弱。這是由于這3個指數(shù)所表達的葉片色素變化、葉綠素熒光的變動都是較短時間尺度上的生物化學變化，長時間的統(tǒng)計計算會弱化其中的生物化學機制，從而導致了相關性的減弱。而NDVI則恰好相反，它所代表的森林冠層的變化時間稍長，在符合其變化時間的統(tǒng)計尺度上所體現(xiàn)出來的相關性就有所提升。所以，較慢頻率的NDVI觀測與較快頻率CCI及NDFI觀測有利于GPP動態(tài)變化的遙感估算。

圖6 月尺度NDVI、CCI、NDFI685和NDFI760與GPP散點圖

圖7 2014年7月到2015年9月NDVI、CCI、NDFI685和NDFI760與GPP的月度相關性

分季節(jié)來看，在氣溫較低的冬季，除1月的光譜觀測數(shù)據(jù)中斷導致有效數(shù)據(jù)不足之外，NDFI760都表現(xiàn)出一定的優(yōu)勢(圖7)。其中，在2014年11月，NDFI760在所有指數(shù)和月份中表現(xiàn)出與GPP最高的相關性，R2值達到0.93(P<0.01)，而此月CCI和NDFI685兩個指數(shù)也與GPP相關性最強，R2分別為0.89(P<0.01)和0.88(P<0.01)。此外，NDFI760與GPP相關性在全年的波動最大，可以看出NDFI760表征GPP的效果受季節(jié)變化影響最大。此外，4個光譜植被指數(shù)與GPP間的相關性表現(xiàn)出基本一致的變化趨勢，說明通過光譜觀測表征GPP動態(tài)變化會受季節(jié)差異所帶來的觀測環(huán)境差異的影響。另一方面，在不同月份，各指數(shù)表征GPP的效果又存在一定的差異，這說明不同光譜波段對季節(jié)變化帶來的觀測環(huán)境變化敏感度不一樣。這兩點造成了利用不同波段構建的、具有不同生物物理化學機制的植被指數(shù)難以在全年水平上獨立地精確捕捉亞熱帶常綠林GPP，需要同時利用不同指數(shù)來提高GPP的表征效果。

2.4 多元回歸模型下對GPP表征能力的優(yōu)化

每一個植被指數(shù)都有其獨特的機制去揭示GPP的動態(tài)變化，但在經(jīng)過相關性分析后發(fā)現(xiàn)，每個指數(shù)都有自身的一些缺陷，導致部分時段內(nèi)R2值不高。因此利用多個指數(shù)，構建多元線性回歸模型，提高GPP的反演精度。在二元線性回歸模型下，ΔR2最小的是將NDFI760加入到NDVI的回歸模型(表1)，說明在捕捉GPP動態(tài)變化方面，NDFI760對于NDVI的優(yōu)化很小，NDVI中已經(jīng)包含了近乎全部NDFI760中的信息。但是對于CCI來說，NDFI760的加入?yún)s能夠較好地提高對于GPP的捕捉精度(ΔR2=0.086)。同時，CCI對于NDFI760的改良效果也是其他指數(shù)中最優(yōu)的(ΔR2=0.169)，這表明在雙指數(shù)的線性GPP估算模型中，CCI與NDFI760相對表達出不同的信息，能夠形成良好的合作關系，有效提高GPP的估算精度，R2值較CCI提升23.45%，達到0.679(P<0.001)。此外，NDVI與NDFI685也能夠形成良好的互補關系，兩者共同估算GPP能將R2值提升到0.669(P<0.001)。

在多元線性回歸模型的構建中，NDVI、CCI和NDFI760逐步進入，形成最優(yōu)的多元線性回歸模型，NDFI685則因為在加入回歸模型后顯著性不強而被剔除(表2)。由NDVI、CCI和NDFI760三個指數(shù)共同組成的模型表征GPP動態(tài)變化的能力較NDVI提升了13.31%，R2值達到0.681(P<0.001)。

表1 GPP回歸模型加入第二個指數(shù)后的R2變化量

表2 四個指數(shù)與GPP構建的前進法回歸模型

NDVI：歸一化植被指數(shù)，Normalized Difference Vegetation Index；CCI：葉綠素/類胡蘿卜素指數(shù)，Chlorophyll/Carotenoid Index；NDFI：歸一化熒光指數(shù)，Normalized Difference Fluorescence Indices

3 討論

在落葉林生態(tài)系統(tǒng)，APAR是影響GPP動態(tài)變化的最重要的因素，這使得通過遙感手段計算獲取的NDVI是良好的GPP追蹤工具[11]。但在常綠林GPP的遙感估算中，因為其冠層結構較為穩(wěn)定，NDVI所代表的APAR被認為難以有效的捕捉GPP的動態(tài)變化[18]。因此在北美溫帶常綠林，NDVI無法準確捕捉GPP季節(jié)變化中的極值，擬合效果較差，而 CCI卻表現(xiàn)出明顯的優(yōu)勢[18]。這是由于CCI自身不受冠層結構的影響，它只和葉片中色素庫的變化相關。光合作用季節(jié)變化伴隨葉片色素庫的變化，所以CCI能夠體現(xiàn)出光合作用的強度，準確捕捉GPP的動態(tài)變化[18]。而在我國南方亞熱帶常綠林，豐富的水熱條件使得GPP在除冬季外都處于高位并表現(xiàn)相對穩(wěn)定，這使得NDVI仍然能夠較好地表征出GPP的動態(tài)變化。與此同時，CCI也與GPP存在顯著的正相關，具有一定的表征GPP季節(jié)變化的能力。但CCI在亞熱帶常綠林卻沒有如溫帶常綠林一般形成較NDVI顯著的優(yōu)勢，這可能是亞熱帶地區(qū)季節(jié)溫度變化較小，而色素變化卻與溫度的變化相關[18]，這使得CCI難以與光合作用保持良好的擬合優(yōu)勢。這也體現(xiàn)出在亞熱帶常綠林，利用植被指數(shù)進行的GPP遙感估算不能只依靠一種生物物理或化學過程，需要綜合運用多種植被指數(shù)的組合來提高GPP的表征精度。本文利用多元線性回歸模型在一定程度上提高了GPP的擬合效果，但仍需要進一步發(fā)揮各指數(shù)的特色，構建更加精確的多元模型。

通過分析不同月份上植被指數(shù)對GPP的追蹤效果(圖7)，發(fā)現(xiàn)不同波段構建的植被指數(shù)對于季節(jié)變化的敏感度是不同的，因而可以嘗試組合使用不同的植被指數(shù)，并給予不同的權重來表征植被不同的物候期，從而更加精確地捕捉不同季節(jié)的光合作用變化。也可將CCI和PRI作為能夠顯示光合作用調控過程的重要參數(shù)加入到模擬GPP的模型中，以此來提高模型對于常綠林的適用性[24]。

除利用多種植被指數(shù)進行合作模擬之外，根據(jù)亞熱帶常綠林自身特色改進或設計新型植被指數(shù)也是進一步提高GPP表征精度的有效途徑。本文利用了反射率季節(jié)變化較為明顯的685 nm和760 nm構建了新型的植被指數(shù)NDFI，經(jīng)過相關性分析，發(fā)現(xiàn)NDFI確實能夠與GPP形成顯著的正相關，對于優(yōu)化NDVI和CCI對GPP的表征效果也具有重要貢獻，但其仍無法完全取代NDVI和CCI。

此外，與NDFI位于相近光譜波段的SIF也被認為具有監(jiān)測光合作用動態(tài)的能力[28]。近年來，眾多學者利用 GOSAT、GOME-2 衛(wèi)星和無人機遙感數(shù)據(jù)反演的SIF熒光信息，結合渦度碳通量數(shù)據(jù)，優(yōu)化和發(fā)展GPP模型、動態(tài)植被模型和過程機理模型，提高對GPP的模擬精度[5, 29-30]。由于SIF衛(wèi)星遙感產(chǎn)品的空間和時間分辨率非常粗，使得與通量站的驗證數(shù)據(jù)匹配存在較大的差異，也難以有效揭示景觀尺度或區(qū)域尺度植被GPP動態(tài)變化的特征。因此，SIF與地基遙感觀測的反射光譜植被指數(shù)相互結合，將具有進一步提高森林冠層光合作用動態(tài)變化監(jiān)測效果的潛力。

4 結論

通過對亞熱帶常綠針闊混交林冠層光譜的連續(xù)觀測，分析運用多種植被指數(shù)表征光合作用季節(jié)變化的可靠性，得出以下結論：

(1)基于冠層光譜觀測所計算的結構型植被指數(shù)(NDVI)仍具有較好的描述亞熱帶常綠林GPP季節(jié)尺度動態(tài)變化的能力；色素型植被指數(shù)(CCI)能夠在一定程度上表征亞熱帶常綠林GPP的季節(jié)變化，但效果弱于結構型植被指數(shù)(NDVI)。這一結果與位于北美溫帶大陸氣候常綠林的研究結果并不一致。

(2)基于冠層光譜觀測所新構建的熒光型植被指數(shù)(NDFI)與GPP具有顯著的正相關，其表征GPP長時間動態(tài)變化的效果較NDVI和CCI差，但在冬季具有表征GPP動態(tài)變化的優(yōu)勢。

(3)將NDFI作為NDVI和CCI的輔助參量，構建兩元回歸模型，能夠將亞熱帶常綠林GPP的表征效果分別提高11.5%和23.45%。而綜合三種指數(shù)構建的多元回歸模型能夠描述最多68.1%的GPP動態(tài)變化。

(4)進一步提高亞熱帶常綠林光合作用的季節(jié)動態(tài)表征效果，需要考慮冠層結構對植被指數(shù)與光合作用的影響，以及植被指數(shù)在不同季節(jié)的特征，從而建立能反映生物物理化學機制的多元模型，并充分利用日光誘導葉綠素熒光(SIF)信息優(yōu)化模型，實現(xiàn)多源衛(wèi)星遙感信息的綜合集成。