袁艷斌 張城芳,2 黃 鵬 董 恒 楊敬豪

(1.武漢理工大學(xué)資源與環(huán)境工程學(xué)院，武漢 430070;2.武漢華夏理工學(xué)院土木建筑工程學(xué)院，武漢 430223)

0 引言

總初級(jí)生產(chǎn)力(Gross primary productivity,GPP)是指單位時(shí)間內(nèi)植物通過光合作用吸收CO2過程固定的有機(jī)碳量，是理解大氣-生物圈相互作用和全球變化的關(guān)鍵參數(shù)，也是目前全球碳循環(huán)研究中最大不確定性來源[1]。準(zhǔn)確估算全球和區(qū)域尺度的陸地GPP對(duì)于研究全球碳循環(huán)和對(duì)氣候變化的反饋具有重要意義[2]。

目前區(qū)域或者全球尺度的GPP估算主要有3種方法[3]：結(jié)合通量站點(diǎn)數(shù)據(jù)、遙感產(chǎn)品和網(wǎng)格化氣候產(chǎn)品等的機(jī)器學(xué)習(xí)方法；結(jié)合遙感獲取的植被綠度信息和氣象變量的光能利用率模型；氣象資料驅(qū)動(dòng)的生態(tài)過程模型。其中基于植被指數(shù)的光能利用率模型是當(dāng)前最主要的GPP估算方法。該類模型中最常用的如歸一化植被指數(shù)(NDVI)、增強(qiáng)植被指數(shù)(EVI)等基于反射率的植被指數(shù)可以代表植被的“綠度”和光合能力，但當(dāng)冠層葉綠素含量較高時(shí)會(huì)造成反射率信號(hào)飽和，導(dǎo)致基于遙感反射率數(shù)據(jù)估算植被冠層吸收的光合有效輻射比例(Fraction of absorbed photosynthetic active radiation，fAPAR)仍然是一個(gè)挑戰(zhàn)。另外，這些植被指數(shù)對(duì)尚未引起反射率數(shù)據(jù)變化的光合活動(dòng)(例如改變氣孔導(dǎo)度、光反應(yīng)中心開放比例、熱耗散比例調(diào)節(jié)等)極不敏感，與實(shí)際植物短期內(nèi)光合作用關(guān)聯(lián)性不強(qiáng)，單獨(dú)使用反射率數(shù)據(jù)并不能及時(shí)、準(zhǔn)確地反映植被的光合作用和受脅迫狀況的變化[4-5]。該模型中參數(shù)光能利用率(Light use efficiency,LUE)也是可變的，取決于物候狀態(tài)、結(jié)構(gòu)和物種組成等因素，目前LUE參數(shù)化不足被認(rèn)為是光能利用率模型不確定性的主要來源之一[6]。生態(tài)過程模型雖然有很強(qiáng)的植物生理機(jī)理，但是模型之間的物理機(jī)理差異很大，且輸入?yún)?shù)眾多難以獲取，運(yùn)行的空間分辨率很低，GPP估算精度較差。以上諸多模型參數(shù)化和解釋變量的不確定性限制了基于遙感進(jìn)行全球GPP估算的準(zhǔn)確性[3]。因此，需要探索一種新的能直接關(guān)聯(lián)植物光合作用的GPP估算方法。

葉綠素?zé)晒馐蔷G色植物在吸收光能后進(jìn)行光合作用時(shí)重新釋放的紅光和近紅外光子。植被在自然光照下發(fā)射日光誘導(dǎo)葉綠素?zé)晒?Solar-induced chlorophyll fluorescence，SIF)信號(hào)，可以看作植被瞬時(shí)光合作用活動(dòng)的理想探針[7-8]。由于SIF是由植被產(chǎn)生，相對(duì)于反射率數(shù)據(jù)來說，與植被光合作用具有更緊密的聯(lián)系。LEE等[9]發(fā)現(xiàn)，即使葉面積保持不變，SIF也可以捕獲干旱脅迫導(dǎo)致的森林光合作用的下降，從而證實(shí)被動(dòng)測(cè)量SIF可用于跟蹤大尺度下，沒有綠度和結(jié)構(gòu)變化時(shí)，植被生理活動(dòng)的變化。近些年隨著SIF遙感提取算法的發(fā)展，大量衛(wèi)星平臺(tái)上的高光譜分辨率光譜儀已用于提取近紅外波段的SIF，并提供了不同空間和時(shí)間尺度的SIF產(chǎn)品[10]，開辟了監(jiān)測(cè)植物實(shí)際光合作用和估算陸地生態(tài)系統(tǒng)GPP的新途徑[11]。目前基于SIF的GPP估算研究，多集中于驗(yàn)證來自于不同傳感器的大尺度范圍內(nèi)的SIF數(shù)據(jù)在不同植被類型上與GPP的高度相關(guān)性，證明了SIF估算陸地GPP具有巨大潛力[12-15]。建立SIF與GPP估算模型的研究，還處于起步研究階段。大多數(shù)估算方法是基于兩者之間較高的相關(guān)性，直接構(gòu)建SIF與GPP建立線性回歸模型。最有代表性的是GUANTER等提出的GPP-SIF線性估算模型[11,16]。然而，越來越多的實(shí)驗(yàn)證明，SIF與光合作用的直接聯(lián)系受到很多因素影響，熒光產(chǎn)率和光化學(xué)速率的關(guān)系復(fù)雜，且在不同的空間尺度和時(shí)間尺度的變化并不明確，SIF-GPP線性模型缺乏普適性[15]。關(guān)于SIF-GPP關(guān)系是否僅反映SIF和光合有效輻射(Absorbed photosynthetic active radiation,APAR)之間的關(guān)系，或者SIF是否還包含關(guān)于LUE的信息機(jī)理性問題也存在很大的爭(zhēng)議[17]。因此需要研究GPP-SIF的關(guān)聯(lián)關(guān)系在不同時(shí)空尺度上的變化，和其受到的環(huán)境脅迫、冠層結(jié)構(gòu)、植物功能型等多種因素的影響，在GPP-SIF經(jīng)驗(yàn)線性估算模型的基礎(chǔ)上，引入影響植被光合能力或者GPP-SIF關(guān)系的因素，以構(gòu)建更具普適性的GPP估算模型。本文從葉綠素?zé)晒獾陌l(fā)射機(jī)理出發(fā)，在GPP-SIF經(jīng)驗(yàn)線性估算模型的基礎(chǔ)上，引入一些影響植被光合能力或者冠層SIF發(fā)射的因素，以構(gòu)建更為精確的基于近紅外SIF的GPP估算模型，為更好地監(jiān)測(cè)GPP提供新的途徑。

1 基于近紅外葉綠素?zé)晒獾腉PP估算模型構(gòu)建

冠層尺度上紅光熒光的重吸收受冠層結(jié)構(gòu)和葉綠素濃度影響，葉片內(nèi)部的吸收率超過90%，其冠層逃逸率較難確定。近紅外熒光由于不處于葉綠素吸收光譜范圍內(nèi)，其基本上不受重吸收作用影響，當(dāng)冠層結(jié)構(gòu)愈復(fù)雜或葉綠素濃度增加時(shí)，近紅外熒光更是優(yōu)于紅光熒光。另外，目前大部分從衛(wèi)星平臺(tái)提取的SIF均集中在近紅外波段，紅光波段SIF的反演精度遠(yuǎn)低于近紅外SIF[18-19]。因此，本文選擇近紅外熒光建立GPP反演模型。

近紅外熒光SIFNIR表達(dá)式為

SIFNIR=PARfAPAR(aⅡΦFⅡFPSⅡ(λNIR)+
aⅠΦFⅠFPSⅠ(λNIR))(1-pr(λNIR,Chl))

(1)

式中PAR——光合有效輻射

fAPAR——植物冠層吸收的光合有效輻射比例

ΦFⅠ——PSⅠ的熒光發(fā)射產(chǎn)率

ΦFⅡ——PSⅡ的熒光發(fā)射產(chǎn)率

FPSⅡ(λNIR)——熒光發(fā)射光譜中波長(zhǎng)函數(shù)，代表PSⅡ的熒光發(fā)射光譜的形狀

FPSⅠ(λNIR)——熒光發(fā)射光譜中波長(zhǎng)的函數(shù)，代表PSⅠ的熒光發(fā)射光譜的形狀

aⅠ——光系統(tǒng)群Ⅰ的相對(duì)吸收截面積

aⅡ——光系統(tǒng)群Ⅱ的相對(duì)吸收截面積

pr(λNIR,Chl)——近紅外波長(zhǎng)的熒光在葉片內(nèi)和在冠層內(nèi)被重吸收的比例

λNIR——近紅外波長(zhǎng)

光能利用率模型的一般表達(dá)式為

GPP=APARLUEP=PARfAPARLUEP

(2)

式中LUEP——植物的光能利用率

APAR——植物在400～700 nm范圍內(nèi)吸收的光合有效輻射

聯(lián)立式(1)、(2)得到GPP與SIFNIR之間的關(guān)系為

(3)

對(duì)于光系統(tǒng)PSⅠ而言，其葉綠素?zé)晒庑试诠庹諚l件下一般比較低，且很少受光化學(xué)和非光化學(xué)淬滅過程的影響，故式(3)中的aⅠΦFⅠFPSⅠ(λNIR)可認(rèn)定為常數(shù)。另外，光系統(tǒng)PSⅡ是調(diào)節(jié)和影響植物光合效率的主要機(jī)構(gòu)。根據(jù)FRANKENBERG等[17]基于脈沖式調(diào)節(jié)熒光儀(Pulse amplitude-modulated fluorometers,PAM)主動(dòng)葉綠素?zé)晒鉁y(cè)量研究發(fā)現(xiàn)，當(dāng)未出現(xiàn)嚴(yán)重的脅迫情況致使調(diào)節(jié)性能量耗散量子產(chǎn)量ΦNPQ急劇增強(qiáng)時(shí)，光化學(xué)產(chǎn)率ΦP+ΦNPQ和熒光產(chǎn)率ΦF大致恒定，當(dāng)光照條件不是光合作用的限制因素時(shí)，ΦP的變化主要由kNPQ的調(diào)節(jié)機(jī)制控制，ΦF與ΦP的耦合關(guān)系不明顯。故在未出現(xiàn)嚴(yán)重脅迫情況下和在未出現(xiàn)光照條件限制光合作用的情況下(當(dāng)前衛(wèi)星平臺(tái)獲取的SIF均處于10：00或13：00左右，在晴朗天氣不會(huì)出現(xiàn)光合作用的光強(qiáng)限制)，PSⅡ的葉綠素?zé)晒猱a(chǎn)率可以認(rèn)為是恒量，因此式(3)中的aⅡΦFⅡFPSⅡ(λNIR)也可以認(rèn)為是常數(shù)。

1-pr(λNIR,Chl)表示近紅外熒光在離開冠層時(shí)受到重吸收和散射的影響。文獻(xiàn)[11,20]認(rèn)為近紅外熒光的重吸收比例很低，但冠層結(jié)構(gòu)對(duì)近紅外熒光的散射依然存在很大的影響。故本文引入能反映植被冠層結(jié)構(gòu)的植被指數(shù)來表達(dá)這種影響作用，且引入的植被指數(shù)應(yīng)盡量表達(dá)冠層的葉面積指數(shù)信息，而盡可能少地?cái)y帶冠層葉綠素濃度信息。

當(dāng)接收的光能超過自身的可利用能力，作物將通過葉黃素循環(huán)進(jìn)行調(diào)節(jié)，在色素轉(zhuǎn)換的過程中將激發(fā)能量以熱能的形式耗散，并改變以531 nm為中心的窄波段內(nèi)的反射率變化特征。光化學(xué)反射指數(shù)(Photochemical reflectance index，PRI)正是這變化特征的定量表示[21]。越來越多的研究表明，PRI可通過非光化學(xué)淬滅(Non-photochemical quenching，NPQ)的相關(guān)性來追蹤LUEP的變化[22]，在葉片、冠層和景觀尺度上基于遙感獲取的PRI與LUEP均存在良好的相關(guān)性，PRI可以作為L(zhǎng)UEP的遙感估算[23]。但兩者的關(guān)系同樣受到了冠層結(jié)構(gòu)和冠層葉綠素含量的影響。由于每一種植被類型的光合能力不同，其光能利用率的最大潛力隨著植物種類而變，故本文引用光能利用率模型中的最大光能利用率εmax，且在PRI與LUEP的關(guān)系中引進(jìn)能反映冠層光學(xué)結(jié)構(gòu)的植被指數(shù)。LUEP的計(jì)算公式為

LUEP=εmaxPRIf(VIs)

(4)

式中f(VIs)——植被冠層結(jié)構(gòu)特征的影響函數(shù)，這種影響主要是由冠層葉面積指數(shù)造成

PRI——光化學(xué)反射指數(shù)

εmax可以采用MODIS土地利用覆蓋產(chǎn)品MOD12Q1中的UMD分類標(biāo)準(zhǔn)確定。

綜上所述，本文構(gòu)建的基于近紅外熒光的GPP估算模型的表達(dá)式為

(5)

式中C——不同植被類型擬合常數(shù)

f1(VI)——利用植被指數(shù)構(gòu)建的PRI與LUE的合數(shù)關(guān)系

f2(VI)——利用植被指數(shù)構(gòu)建的冠層結(jié)構(gòu)對(duì)逃逸率的影響函數(shù)

2 數(shù)據(jù)與方法

2.1 GOME-2 SIF熒光數(shù)據(jù)

采用SIF數(shù)據(jù)是由搭載在MetOp-A衛(wèi)星上的GOME-2傳感器的第四通道(波長(zhǎng)范圍為734～758 nm，光譜分辨率為0.5 nm)所提取的GOME-2 SIF740熒光產(chǎn)品，版本為V27[19]。該產(chǎn)品分為level 2和level 3兩個(gè)級(jí)別，level 2是日尺度的葉綠素?zé)晒猱a(chǎn)品，分辨率在2013年7月之前為40 km×80 km，之后為40 km×40 km，level 3是在日尺度的SIF產(chǎn)品上進(jìn)行了時(shí)間上和空間上一系列處理得到的空間分辨率為0.5°×0.5°的月尺度葉綠素?zé)晒猱a(chǎn)品。

本文下載了2008—2014年日尺度和月尺度的GOME-2 SIF產(chǎn)品。一方面，由于月尺度SIF的空間分辨率與通量塔的輻射范圍存在巨大的不匹配，為了減少這種不匹配性，本文先采用像元分辨率為40 km×40 km的日尺度SIF，結(jié)合GOME_F算法對(duì)日尺度SIF進(jìn)行綜合后得到SIF月值產(chǎn)品，再根據(jù)通量站點(diǎn)坐標(biāo)信息批量提取各站點(diǎn)所處GOME-2像元的月尺度SIF數(shù)據(jù)。另一方面，在估算全球某年中每月的GPP分布時(shí)，采用level 3的月尺度SIF數(shù)據(jù)(https:∥avdc.gsfc.nasa.gov/pub/data/satellite/MetOp/GOME_F/)。

2.2 通量站點(diǎn)與數(shù)據(jù)

采用來自全球通量觀測(cè)網(wǎng)發(fā)布的FLUXNET2015數(shù)據(jù)集的2008—2014年的日尺度和月尺度的GPP數(shù)據(jù)，其產(chǎn)品標(biāo)識(shí)為“GPP_NT_VUT_REF”(http:∥fluxnet.fluxdata.org/)。由于通量塔觀測(cè)的范圍與GOME-2的粗分辨率(40 km×40 km)不匹配，為了選擇能較好代表GOME-2像元的通量站點(diǎn)，參照ZHANG等[24]的做法，采用空間分辨率為0.05°的土地覆蓋類型產(chǎn)品(MCD12C1)和月尺度EVI植被指數(shù)(MOD13C2)，用于確定像元內(nèi)的景觀同質(zhì)性。另一方面，為了植被類別和模型應(yīng)用的方便，參照FRANKENBERG等[25]做法將土地覆蓋類型產(chǎn)品MCD12C1中的國(guó)際地圈生物圈計(jì)劃(IGBP)全球植被分類方案進(jìn)行合并，形成7類植被覆蓋類型：針葉林(NF，包括常綠和落葉針葉林)、常綠闊葉林(EBF)、落葉闊葉林(DBF，包括混合森林)、灌木林(SHR，包括郁閉和稀疏灌木林)、熱帶稀樹草原(SAV)、耕地(CRO)和草地(GRA)。本文最終選用了19個(gè)站點(diǎn)，其空間位置和景觀同質(zhì)面積占比、EVI標(biāo)準(zhǔn)差等信息見表1。

表1 各通量站點(diǎn)的基本信息Tab.1 Basic information of each flux site

有些植被類型例如耕地、落葉闊葉林、草地等，在生長(zhǎng)季節(jié)之外往往是沒有綠色植物覆蓋地表的。處于生長(zhǎng)季之外的日期雖然通量站點(diǎn)依然會(huì)監(jiān)測(cè)GPP數(shù)據(jù)，但該數(shù)據(jù)由于模型自身局限性而多為負(fù)值，不能代表真實(shí)情況。所以本文先依據(jù)每個(gè)站點(diǎn)的日尺度GPP在一年中的分布情況，以大致確定不同站點(diǎn)所代表的植被類型的生長(zhǎng)季節(jié)，然后將不屬于生長(zhǎng)季內(nèi)的GPP數(shù)據(jù)刪除，不參與模型擬合。

2.3 植被指數(shù)和MODIS地表反射率數(shù)據(jù)

本文所構(gòu)建的模型采用兩種植被指數(shù)：一種是用來估算植被LUEP信息的光化學(xué)反射指數(shù)；另一種是用來表達(dá)植被冠層光學(xué)結(jié)構(gòu)的植被指數(shù)。對(duì)于近紅外SIF而言，主要受冠層葉面積指數(shù)、葉傾角分布等冠層結(jié)構(gòu)的影響，故選擇在反演冠層LAI上具有較好表現(xiàn)的植被指數(shù)，包括NDVI、EVI、修正土壤調(diào)節(jié)植被指數(shù)(Modified soil-adjusted vegetation index,MSAVI)以及近紅外植被反射率指數(shù)(Near-infrared reflectance of vegetation,NIRv)等[26-29]。本文選取空間分辨率為1 km的MODIS地表反射率和植被指數(shù)產(chǎn)品來計(jì)算或獲取植被指數(shù)。

對(duì)于PRI的計(jì)算，由于第11波段反射率(36～526 nm)數(shù)據(jù)暫時(shí)只提供日尺度產(chǎn)品(MCD19A1)，所以先計(jì)算每個(gè)站點(diǎn)的日尺度PRI，然后采用均值法得到月尺度PRI。值得注意的是由于MODIS的波段設(shè)置中沒有570 nm的波段，本文采用最靠近該波長(zhǎng)處的波段Band4(545～564 nm)來計(jì)算PRI。對(duì)于NDVI、EVI、NIRv等植被指數(shù)，采用月尺度植被指數(shù)產(chǎn)品(MOD13A3)，包括月尺度EVI、NDVI兩個(gè)植被指數(shù)和紅光、藍(lán)光、近紅外、中紅外4個(gè)波段的月尺度反射率數(shù)據(jù)。根據(jù)各站點(diǎn)的空間位置提取了站點(diǎn)所處像元2008—2014年月尺度上的各植被指數(shù)信息，其計(jì)算公式見表2。

表2 相關(guān)植被指數(shù)的計(jì)算公式Tab.2 Formula of vegetation index

2.4 模型的非線性擬合

在本文所構(gòu)建的模型中，PRI與LUEP的關(guān)系以及表征冠層結(jié)構(gòu)的植被指數(shù)對(duì)SIF的影響在大多數(shù)情況下均不是呈線性比例關(guān)系。支持向量機(jī)回歸以VC維理論和結(jié)構(gòu)化風(fēng)險(xiǎn)最小化作為基本原理，可以解決小樣本、非線性、高緯度和局部極小值點(diǎn)等常規(guī)回歸擬合算法所不能處理的問題。運(yùn)用向量機(jī)回歸算法，并選用粒子群優(yōu)化算法作為參數(shù)選擇的策略，將VIs作為輸入變量xk，將GPPEC/(SIFNIRεmaxPRI)作為輸出變量yk，擬合式(5)中的非線性關(guān)系f。

3 結(jié)果與討論

3.1 SIF740與通量站點(diǎn)GPPEC比較分析

圖1為不同決定系數(shù)R2下7種植被類型各站點(diǎn)在月尺度上GPP與SIF散點(diǎn)圖，不同顏色的點(diǎn)表示不同的站點(diǎn)，不同顏色的虛線表示線性回歸擬合線，無線型對(duì)應(yīng)的R2表示該植被類型全部數(shù)據(jù)的擬合精度，所有P<0.01。從圖中可以看出7種植被類型的通量塔觀測(cè)的GPP(GPPEC)和740 nm處熒光(SIF740)均呈現(xiàn)出一定的線性相關(guān)，不過不同的植被類型間兩者的線性關(guān)系表現(xiàn)出較大的差異?？傮w而言，落葉闊葉林的表現(xiàn)最好，R2高達(dá)0.815 1，其次是熱帶稀疏草原、灌木叢、耕地和草地R2均大于0.4，針葉林和常綠闊葉林表現(xiàn)最差，R2均小于0.4，該結(jié)果與現(xiàn)有GPP估算模型在不同植被類型上的估算精度大致類似[30]。

圖1 不同植被類型的通量站點(diǎn)月尺度GPP數(shù)據(jù)與月尺度SIF的線性關(guān)系Fig.1 Linear relationships between monthly GPP data and monthly SIF of flux sites for different vegetation types

另一方面，在同種植被類型不同站點(diǎn)之間，GPPEC和SIF740的線性關(guān)系也存在較為明顯的差異，例如在草地相關(guān)性最高的站點(diǎn)R2高達(dá)0.684 7，而最差的站點(diǎn)R2只有0.26，同樣的現(xiàn)象也出現(xiàn)在耕地、熱帶稀疏草原和灌木叢中。對(duì)于草地和耕地可以發(fā)現(xiàn)，不同站點(diǎn)線性擬合的斜率存在較大的差異，這主要是由不同的耕地種植的作物品種和不同草場(chǎng)的草種不同引起的。對(duì)于落葉闊葉林而言，不同站點(diǎn)的相關(guān)性均比較高，而且線性擬合的斜率很接近，這主要是因?yàn)槁淙~闊葉林帶的植被層次結(jié)構(gòu)簡(jiǎn)單，一般分為喬木層、灌木層和草本層，且植被覆蓋隨季節(jié)變化大，物候特征明顯且類似。對(duì)于常綠闊葉林而言，其結(jié)構(gòu)復(fù)雜，多處于高溫多雨地帶，受云量、干濕季節(jié)影響嚴(yán)重，目前所有GPP估算模型在常綠闊葉林的估算精度都不理想。對(duì)于稀疏熱帶草原而言，以木本低矮灌木為主，大多數(shù)生長(zhǎng)在植被稀疏地區(qū)或者荒漠戈壁等干旱地區(qū)，且存在范圍內(nèi)分布不均勻，成丘團(tuán)狀分布，其平均覆蓋度低于 30%，不同站點(diǎn)植被覆蓋的密度不同，這也是導(dǎo)致其GPPEC和SIF740在不同站點(diǎn)呈現(xiàn)差異的主要原因，另外由于其水分缺失，不利于光合作用，GPP較低，在通量測(cè)量時(shí)會(huì)帶來很大的不確定性。

從不同植被類型的站點(diǎn)GPPEC和SIF740散點(diǎn)圖可以發(fā)現(xiàn)：GPP-SIF關(guān)系對(duì)植被類型具有依賴性，也可以從某種程度上佐證在GPP-SIF的線性關(guān)系中引進(jìn)植被冠層結(jié)構(gòu)和光合能力等影響因素的必要性。

3.2 應(yīng)用不同植被指數(shù)的模型估算精度分析

本文應(yīng)用NDVI、EVI、MSAVI、NIRv和相關(guān)組合指數(shù)構(gòu)建第2節(jié)中提出的模型，分別利用各植被類型所有站點(diǎn)數(shù)據(jù)和單獨(dú)利用各植被類型中GPPEC和SIF740線性關(guān)系最佳站點(diǎn)數(shù)據(jù)，結(jié)合支持向量機(jī)回歸算法，驗(yàn)證了模型估算的GPPmodel與通量站點(diǎn)GPPEC的相關(guān)性，結(jié)果見表3?？梢园l(fā)現(xiàn)，與SIF-GPP經(jīng)驗(yàn)線性模型相比，無論是單個(gè)站點(diǎn)還是綜合了同種植被類型的多個(gè)站點(diǎn)，引進(jìn)了表示冠層結(jié)構(gòu)影響的植被指數(shù)和本文所構(gòu)建的PRI模型，除了在落葉闊葉林有稍微下降以外，在所有的植被類型上估算精度都有了很大的提高，特別是在耕地上，預(yù)測(cè)精度基本都有30%以上的提升。由于經(jīng)驗(yàn)線性關(guān)系能很好地表示落葉闊葉林的GPP與SIF協(xié)變特征，兩者相關(guān)性高達(dá)0.815，且不同站點(diǎn)之間的差異性不大，故本模型對(duì)其估算精度改進(jìn)不明顯，相關(guān)性處于0.757～0.797之間。不過本模型對(duì)常綠闊葉林的估算精度依然較低，GPPmodel與GPPEC的相關(guān)性處于0.15～0.3之間，這主要跟常綠闊葉林的生態(tài)結(jié)構(gòu)和受環(huán)境影響復(fù)雜性有關(guān)，準(zhǔn)確估算常綠闊葉林的GPP也是目前一個(gè)挑戰(zhàn)。

表3 不同植被指數(shù)模型對(duì)各植被類型GPPmodel與GPPEC的R2估算Tab.3 Application of different vegetation index models for various vegetation types to estimate R2 between GPPmodel and GPPEC

另一方面，本模型對(duì)將某植被類型所有站點(diǎn)作為整體的提升效果，明顯優(yōu)于將各植被類型中GPPEC和SIF740線性關(guān)系最佳單個(gè)站點(diǎn)的提升效果。這主要是因?yàn)棣舖axPRI和植被指數(shù)的引入，從某種程度上消除了單個(gè)站點(diǎn)由冠層結(jié)構(gòu)、覆蓋密度和植物種類等的不同對(duì)GPP-SIF關(guān)系帶來的差異性，從而使該植被類型內(nèi)各站點(diǎn)的GPP-SIF關(guān)系趨于相似，提高了GPP估算精度。但同時(shí)得指出，本模型在單個(gè)站點(diǎn)的估算精度遠(yuǎn)高于同種植被類型內(nèi)多個(gè)站點(diǎn)混合在一起的估算精度。以應(yīng)用NDVI為例，GPPmodel與GPPEC在耕地和落葉闊葉林上的決定系數(shù)高達(dá)0.8以上，在草地、稀疏草原上達(dá)0.7以上，即使是針葉林和常綠闊葉林也接近0.6。

本文選用不同的植被指數(shù)來構(gòu)建模型，總體而言，NDVI、EVI、MSAVI和NIRv在模型中應(yīng)用的效果差異性不大，這主要是因?yàn)檫@4個(gè)植被指數(shù)均能較好地表達(dá)植被冠層的葉面積指數(shù)信息。但是不同指數(shù)在個(gè)別植被類型中的表現(xiàn)有較大的差異，例如NDVI對(duì)常綠闊葉林估算精度的提升效果遠(yuǎn)優(yōu)于其他3個(gè)指數(shù)，NIRv對(duì)常綠闊葉林和熱帶稀疏草原的提升效果較差，EVI對(duì)灌木林的提升效果不明顯。

圖2為應(yīng)用本文模型估算各植被類型中GPPEC和SIF740線性關(guān)系最佳站點(diǎn)的GPPmodel和該站點(diǎn)實(shí)測(cè)GPPEC在季節(jié)上的變化曲線?？梢园l(fā)現(xiàn)，在所有單個(gè)站點(diǎn)中，本文模型都可以很好地體現(xiàn)各站點(diǎn)所代表的不同植被類型GPP的季節(jié)性變化特征。特別是在植被類型為落葉闊葉林的US-MMS站點(diǎn)上，GPPmodel和GPPEC隨時(shí)間變化的曲線高度吻合，這是由于落葉闊葉林明顯且穩(wěn)定的季節(jié)特征。在植被類型為耕地的DE-Geb站點(diǎn)上，GPPmodel和GPPEC變化區(qū)域吻合度也較高，但是在GPP峰值時(shí)間段內(nèi)，GPPmodel出現(xiàn)了峰值高估的現(xiàn)象。在針葉林的FI-HHY站點(diǎn)、灌木叢的US-Whs站點(diǎn)和熱帶稀疏草原的AU-DAS站點(diǎn)上，GPPmodel雖然表示了季節(jié)變化特征，但均出現(xiàn)了低估現(xiàn)象。

圖2 在單個(gè)站點(diǎn)上模型估算月尺度GPPmodel與地面監(jiān)測(cè)月尺度GPPEC的時(shí)間變化曲線Fig.2 Time changes of model estimated monthly GPPmodel and ground monitored monthly GPPEC at single site

綜上兩方面所述，本文在GPP-SIF經(jīng)驗(yàn)線性模型基礎(chǔ)上引入PRI和植被指數(shù)所提出的模型，無論是在同種植被類型多個(gè)站點(diǎn)還是在單個(gè)站點(diǎn)的估算精度，較經(jīng)驗(yàn)線性模型均有較大程度的提升，且估算結(jié)果可以很好地表示GPP的季節(jié)變化特征。故本文模型在月尺度的GPP估算方面在一定程度上取得成功，能提高GPP在空間分布和時(shí)間分布上的估算精度。

3.3 基于模型估算的GPP全球分布格局

為了驗(yàn)證本研究所提出的理論模型在全球尺度上的應(yīng)用效果，利用2010年的0.5°全球月尺度GOME-2 SIF產(chǎn)品和全球月尺度NDVI數(shù)據(jù)，估算了2010年各月的GPP數(shù)據(jù)集，并整理出2010年全球GPP分布情況，具體見圖3。其中用2010年各同種植被類型通量站點(diǎn)的PRI月平均值，表示全球范圍內(nèi)所有該種植被類型分布地區(qū)的月尺度PRI，并將模型在每月估算中產(chǎn)生的負(fù)值調(diào)整為零。本文模型對(duì)2010年全球的GPP估算結(jié)果為每年128.86 Pg。根據(jù)BEER等通過結(jié)合全球通量觀測(cè)數(shù)據(jù)和多種生態(tài)過程模型給出的全球GPP估算值的范圍(123±8)Pg[1]可知，本文模型估算結(jié)果具有可靠性。

圖3 基于本文理論模型估算的2010年GPP全球空間分布Fig.3 Estimated global spatial distribution of GPP in 2010 based on proposed theoretical model

4 結(jié)束語

本文模型與經(jīng)驗(yàn)線性估算模型類似，在落葉闊葉林上估算精度最高，在針葉林和常綠闊葉林上估算精度較差。但無論是在單個(gè)站點(diǎn)上還是在綜合同種植被類型的多個(gè)站點(diǎn)上，本文模型在所有植被類型上的估算精度都比經(jīng)驗(yàn)線性估算模型有了很大的提高，且在將某植被類型所有站點(diǎn)作為整體時(shí)的提升效果，明顯優(yōu)于最佳單個(gè)站點(diǎn)的提升效果。另一方面，本文模型能較好地體現(xiàn)各站點(diǎn)所代表的不同植被類型GPP的季節(jié)性變化特征。