邱博,郭維棟

自工業(yè)革命以來,受人類活動影響,大氣中二氧化碳(CO2)的濃度持續(xù)上升。作為重要的溫室氣體之一,CO2濃度的上升被認為是引發(fā)全球變暖的主要原因。陸地生態(tài)系統(tǒng)通過光合作用可以吸收約30%的人為碳排放(Le Quéré et al.,2013;Piao et al.,2022),因此植被在調節(jié)全球碳平衡、減緩大氣中CO2濃度上升等方面具有不可替代的作用(于貴瑞等,2011;袁文平等,2014;Ryu et al.,2019)。植物通過光合作用在單位時間內所固定有機碳的量是植被總初級生產力(Gross Primary Productivity,GPP),它決定了進入陸地生態(tài)系統(tǒng)的初始物質和能量,直接影響植被凈初級生產力及其在各碳庫的分配量。因此,GPP是聯(lián)系植被和大氣之間碳交換的重要紐帶,在陸地生態(tài)系統(tǒng)碳循環(huán)研究中具有重要的作用。

植被光合作用直接影響植被與大氣之間的物質和能量交換,近半個世紀以來,如何準確估算全球尺度GPP是陸地碳循環(huán)領域的研究熱點之一。植被的光合作用受到溫度、降水、輻射、大氣中CO2濃度等很多因素的影響(Ryu et al.,2019),目前對植被光合作用只能實現葉片尺度的觀測,但是無法實現更大尺度上的直接觀測,因此需要一些代用指標來估算區(qū)域和全球尺度植被光合作用的速率(Tucker,1979;Frankenberg et al.,2011;Badgley et al.,2017)。隨著遙感技術的發(fā)展,區(qū)域和全球尺度植被光合作用的代用指標逐漸發(fā)展起來,其中應用最為廣泛的就是植被指數。植被指數是根據植被的光譜特性,將衛(wèi)星可見光和近紅外波段進行組合而形成的指數,可以簡單、有效地反映地表植被的生長狀態(tài)及其對于環(huán)境變化的響應(Goward et al.,1985;Justice et al.,1985;Tucker et al.,1985)。20世紀80年代開始,基于AVHRR衛(wèi)星光譜數據構建的歸一化植被指數(Normalized Difference Vegetation Index,NDVI)開始用來監(jiān)測全球植被的生長狀況,是目前陸地碳循環(huán)領域應用最為廣泛的植被指數之一(Goward et al.,1991;Tucker et al.,2001)。隨后越來越多的植被指數,如增強植被指數(Enhanced Vegetation Index,EVI),開始應用于全球植被監(jiān)測和GPP的估算。這些植被指數(如NDVI和EVI)的發(fā)展極大地促進了陸地生態(tài)系統(tǒng)生產力及其對氣候變化響應的研究(Turner et al.,2003;Running et al.,2004),但是傳統(tǒng)的植被指數只能反映植被潛在的光合作用能力,并不與光合作用過程直接相關,在全球植被光合作用監(jiān)測中還存在一些問題(van Leeuwen et al.,2006;Meroni et al.,2008),因此需要一種更直接反映光合作用的指數來監(jiān)測區(qū)域和全球尺度植被的生長狀況。

葉綠素熒光是植物在光照條件下,由植物的光合作用中心在650～800 nm波段發(fā)射的光譜信號,在紅光(690 nm左右)和近紅外(740 nm左右)波段有兩個波峰,能直接反映植被實際光合作用的動態(tài)變化(Porcar-Castell et al.,2014)。在植物生理學領域,利用實驗室中觀測到的葉綠素熒光來研究光合作用已經有幾十年的歷史(Krause and Weis,1991),葉綠素熒光可以用于研究植物對環(huán)境和養(yǎng)分條件變化的響應過程(Maxwell and Johnson,2000;Baker 2008;Ashraf et al.,2013)。但是在區(qū)域和全球尺度上,由于植被吸收的太陽輻射只有0.5%～2%用于發(fā)射熒光(Maxwell and Johnson,2000;Porcar-Castell et al.,2014),光譜信號非常弱,大大增加了葉綠素熒光遙感反演的難度。Frankenberg et al.(2011)首次實現了全球尺度日光誘導葉綠素熒光(Solar-Induced chlorophyll Fluorescence,SIF)的反演,并發(fā)現SIF與GPP之間存在顯著的線性相關關系(Frankenberg et al.,2011;Joiner et al.,2011)。由于早期反演的SIF數據空間分辨率都是幾十至上百公里,在更精細的空間尺度上SIF與GPP之間的線性關系是否成立仍不清楚。2017年,基于OCO-2衛(wèi)星的高分辨率SIF數據,發(fā)現在通量站點尺度上SIF與GPP之間的線性關系仍然成立,這項研究也成為葉綠素熒光遙感領域的又一個“里程碑”(Sun et al.,2017)。隨后越來越多的研究都表明在不同的時空尺度上SIF與GPP之間的變化高度一致(Guanter et al.,2014;Sun et al.,2018;Taylor et al.,2020;Li and Xiao,2022)。NDVI和EVI等傳統(tǒng)的植被指數只能反映植被潛在的光合作用能力,葉綠素熒光遙感是植被實際光合作用能力的探測方法,為全球植被光合作用的監(jiān)測提供了新的思路和方法(Frankenberg et al.,2011;Joiner et al.,2013;Guanter et al.,2014)。

葉綠素熒光遙感是近10年來陸地碳循環(huán)領域最具突破性的研究。中國科學院科技戰(zhàn)略咨詢研究院每年會發(fā)布研究前沿報告,遴選和展示各個學科領域中的熱點前沿和新興前沿,“基于衛(wèi)星數據的日光誘導葉綠素熒光”在2020和2021年連續(xù)兩年入選地球科學領域的10大熱點前沿(科睿唯安,2021,2022)。本文將梳理葉綠素熒光遙感發(fā)展及其在陸地生態(tài)系統(tǒng)碳循環(huán)和陸氣相互作用中的應用研究進展,討論該領域研究面臨的挑戰(zhàn)和未來發(fā)展方向。

1 葉綠素熒光遙感研究進展

1.1 衛(wèi)星葉綠素熒光遙感產品的發(fā)展

葉綠素熒光是光合作用過程中重新釋放的微弱能量,是植物本身的一種“發(fā)光”現象(Maxwell and Johnson,2000;Baker,2008)。許多研究都表明,相對于傳統(tǒng)的植被指數,SIF在陸地生態(tài)系統(tǒng)監(jiān)測中具有優(yōu)勢。一方面,SIF包含植物生理相關的信號,而基于反射率構建的植被指數并沒有包含植物的生理信息(Porcar-Castell et al.,2014)。另一方面,植被指數的反演受到土壤背景和云的影響較大(van Leeuwen et al.,2006;Montandon and Small,2008),SIF的信號主要來自植被,土壤和云并不會發(fā)射熒光信號,因此SIF數據受土壤背景和云的影響較小(Doughty et al.,2021)。

由于SIF是相對微弱的信號,SIF的反演對于傳感器的光譜分辨率和信噪比要求很高。隨著遙感技術的發(fā)展,最初設計用于反演大氣中CO2和甲烷濃度的溫室氣體衛(wèi)星傳感器具備了反演SIF所需的高光譜數據,使得利用衛(wèi)星反演全球的SIF成為可能。Frankenberg et al.(2011)基于GOSAT衛(wèi)星的數據,首次反演得到了全球尺度的SIF數據。基于不同衛(wèi)星平臺SIF的成功反演(Joiner et al.,2011;Du et al.,2018;K?hler et al.,2018;Sun et al.,2018;Eldering et al.,2019;Doughty et al.,2021),極大地促進了SIF數據在植被光合作用監(jiān)測中的應用。

1.1.1 衛(wèi)星SIF遙感數據

GOSAT衛(wèi)星是由日本宇宙航空開發(fā)機構與日本環(huán)境省、國立環(huán)境研究所等合作開發(fā)的全球首顆溫室氣體觀測衛(wèi)星,該衛(wèi)星在日本當地時間2009年1月發(fā)射升空。GOSAT的溫室氣體傳感器光譜分辨率為0.012 nm,Frankenberg et al.(2011)利用GOSAT衛(wèi)星的758～775 nm這一較窄波段的高光譜數據反演得到全球SIF產品。GOSAT衛(wèi)星運行周期為98 min,過境時間為當地時13:00左右,每3 d就可以覆蓋全球,像元大小約為82 km2(直徑約為10 km),數據覆蓋時段為2009年12月至今。由于GOSAT衛(wèi)星空間分別率較粗,同時使用的是空間非連續(xù)的間斷采樣模式,因此SIF數據的空間覆蓋率較低。

GOME-2是搭載在歐空局MetOp-A衛(wèi)星上的傳感器,GOME-2傳感器的光譜分辨率為0.2～0.5 nm,利用該傳感器的高光譜數據反演得到740 nm波段的SIF。衛(wèi)星過境時間為當地時09:30左右,每3 d可以覆蓋全球,像元大小為40×80 km2,2013年7月之后像元大小變?yōu)?0×40 km2,GOME-2 SIF數據覆蓋時段為2007年1月至今(Joiner et al.,2011,2013)。由于傳感器衰減的原因,GOME-2 SIF數據有較為明顯的下降趨勢,因此使用時需要進行去線性趨勢的方法來減少傳感器衰減造成的影響(Zhang et al.,2018b;Qiu et al.,2019b)。

OCO-2是美國航空航天局在2014年7月發(fā)射的碳衛(wèi)星(Sun et al.,2017),OCO-3是OCO-2的姊妹星,從2019年5月開始搭載在國際空間站上(Eldering et al.,2019)。OCO-2和OCO-3都可以反演757 nm波段的SIF,兩顆衛(wèi)星像元大小非常接近,分別為1.3×2.25 km2和1.6×2.2 km2。相比于GOSAT和GOME-2,OCO-2和OCO-3大大提高了SIF數據的觀測精度和空間分辨率。雖然OCO-2和OCO-3的傳感器類似,由于搭載的平臺不同,各自的SIF產品有很大的不同。OCO-2是極軌衛(wèi)星,過境時間為當地時13:36左右,每16 d可以覆蓋全球,OCO-2 SIF數據覆蓋時段為2014年7月至今(Sun et al.,2018)。OCO-3衛(wèi)星搭載在國際空間站上,軌道范圍在南北緯52°之間。多數衛(wèi)星的過境時間是固定的,而OCO-3的過境時間并不固定,能夠在一天內不同時間對某一點進行觀測,可以在日尺度上研究植被光合作用的變化特征(Xiao et al.,2021)。

TanSat是由中國研制的首顆全球大氣二氧化碳觀測科學實驗衛(wèi)星,于2016年12月發(fā)射升空。利用衛(wèi)星搭載的高光譜二氧化碳探測儀(ACGS),我國也首次實現了全球SIF數據的反演(Du et al.,2018;Yao et al.,2021)。TanSat在758～778 nm波段的光譜分辨率為0.044 nm,可以反演758 nm波段的SIF,衛(wèi)星過境時間為當地時13:30左右,每16 d可以覆蓋全球,像元大小為2×2 km2。TanSat SIF數據與OCO-2 SIF之間有較好的一致性(Du et al.,2018)。

2017年10月,歐洲航天局發(fā)射了搭載TROPOMI傳感器的Sentinel-5P衛(wèi)星,TROPOMI傳感器具有更高的信噪比和光譜分辨率,可以同時反演紅光(683 nm)和近紅外(740 nm)兩個波段的SIF(K?hler et al.,2018;Guanter et al.,2021)。衛(wèi)星過境時間為當地時13:30左右,像元大小為3.5×7.5 km2。相比于之前的SIF產品,TROPOMI可以提供高分辨率的SIF數據,使得研究更精細時空尺度上植被光合作用的變化成為可能(Doughty et al.,2021)。

圖1給出了基于不同衛(wèi)星平臺的SIF數據全球空間分布,可以看到,GOSAT數據空間連續(xù)性較差,在季節(jié)尺度上全球觀測數據有限,因此數據的空間覆蓋度很低。GOME-2空間分辨率較粗,季節(jié)尺度上數據的全球覆蓋度較好,但是數據反演精度較低。OCO-2、OCO-3和Tansat數據雖然空間分辨率較高,但是采用的是空間非連續(xù)的間斷采樣模式,空間連續(xù)性較差,因此在季節(jié)尺度上,數據仍然能看到與衛(wèi)星軌跡類似的條帶狀分布。TROPOMI提供了全球連續(xù)覆蓋的高質量SIF數據,空間連續(xù)性較好,在月尺度、周尺度上都有較高的空間覆蓋度。

圖1 不同產品6—8月平均的SIF全球空間分布(單位:mW·m-2·nm-1·sr-1;空間分辨率為0.5°;GOSAT、OCO-2和OCO-3的740 nm波段SIF的計算方法參見Doughty et al.(2022)):(a)2018年GOSAT的740 nm波段SIF;(b)2018年TanSat的758 nm波段SIF;(c)2018年GOME-2的740 nm波段SIF;(d)2018年TROPOMI的740 nm波段SIF;(e)2018年OCO-2的740 nm波段SIF;(f)2020年OCO-3的740 nm波段SIF

1.1.2 SIF降尺度數據

目前大部分SIF產品受空間分辨率和數據連續(xù)性等問題的影響,使得數據的應用范圍受到限制。近年來,隨著機器學習算法的發(fā)展,基于不同衛(wèi)星的SIF降尺度數據開始出現。Gentine and Alemohammad(2018)利用機器學習算法,結合MODIS地表反射率和光合作用有效輻射的數據,對GOME-2 SIF數據進行降尺度,得到了時空分辨率更高的RSIF(Reconstructed SIF)數據。在季節(jié)和年際尺度上,RSIF數據與通量站點觀測的GPP之間的相關系數都優(yōu)于原始的GOME-2 SIF數據,特別是在干旱和寒冷地區(qū)。這主要是因為在植被覆蓋度較低的地區(qū),遙感信號中的內部噪聲會給SIF的反演帶來較大的不確定性(Joiner et al.,2011;Frankenberg et al.,2014),而基于機器學習的降尺度數據可以減少這種信號噪聲帶來的誤差(Gentine and Alemohammad,2018)。Zhang et al.(2018a)利用神經網絡算法,結合MODIS的地表反射率的數據,對OCO-2 SIF數據進行降尺度,得到了空間分辨率更高(0.05°)、時間連續(xù)性更好(4 d)、時間覆蓋范圍更久(2000年至今)的CSIF(Contiguous SIF)數據,拓展了熒光數據的應用范圍。隨后,越來越多的基于不同機器學習算法和衛(wèi)星平臺的SIF降尺度數據開始出現(Li and Xiao,2019;Wang et al.,2019a;Duveiller et al.,2020),并廣泛應用在陸地碳循環(huán)等研究中(Liu et al.,2020b;Zhang et al.,2020a,2020b)。

1.2 葉綠素熒光遙感的應用

1.2.1 SIF-GPP關系

全球尺度GPP的估算是陸地碳循環(huán)領域研究前沿和熱點。GPP是聯(lián)系植被和大氣之間碳交換的重要紐帶,而基于衛(wèi)星和站點觀測的SIF為GPP的估算提供了新的思路。Frankenberg et al.(2011)基于GOSAT衛(wèi)星的高光譜數據反演得到全球SIF數據,并發(fā)現在全球尺度上SIF和GPP之間呈顯著線性相關關系。Lee et al.(2013)發(fā)現熱帶地區(qū)GOSAT SIF與GPP在雨季和干季存在一致的變化特征,而植被指數則無法顯示雨季和干季的GPP變化。在農田生態(tài)系統(tǒng),GOME-2 SIF與GPP之間為顯著的線性相關關系(Guanter et al.,2014),因此SIF可以用來提高農作物產量的估算精度(Guan et al.,2016)。雖然GOSAT和GOME-2 SIF的空間分辨率較粗,但是不同生態(tài)系統(tǒng)的SIF和GPP之間的線性關系都顯示了SIF在估算區(qū)域和全球尺度GPP研究中應用的潛力(Frankenberg et al.,2011;Lee et al.,2013;Qiu et al.,2018)。相比于GOSAT和GOME-2 SIF產品,OCO-2 SIF在空間分辨率和反演精度方面有了很大的提高,為研究不同時空尺度上SIF-GPP關系提供了新的機會(Wood et al.,2017;K?hler et al.,2018)。Sun et al.(2017)利用多套GPP數據,結合經驗正交函數分析法,發(fā)現SIF數據可以反映全球尺度GPP的時空變化特征,不同植被類型的GPP通量觀測數據也進一步驗證了SIF和GPP之間的線性關系。隨后基于OCO-3、TROPOMI等多個衛(wèi)星平臺的SIF產品也都證實了區(qū)域和全球尺度上SIF和GPP之間一致的時空變化特征(Taylor et al.,2020;Li and Xiao,2022)。

除了基于衛(wèi)星的SIF產品,越來越多的地面站點觀測數據也進一步證實了不同陸地生態(tài)系統(tǒng)SIF和GPP之間的線性關系。基于站點觀測的SIF-GPP的線性關系在混交林(Yang et al.,2015;Paul-Limoges et al.,2018)、針葉林(Magney et al.,2019)、草地(Migliavacca et al.,2017;Verma et al.,2017)、農田(Miao et al.,2018,2020;Dechant et al.,2020;Li et al.,2020c)等生態(tài)系統(tǒng)得到了驗證?；谛l(wèi)星和站點觀測的數據都證實了高質量的SIF數據對于陸地碳循環(huán)的研究具有重要的意義。

在葉片和冠層尺度上SIF和GPP存在顯著的線性相關,但是兩者之間的關系會受到其他因素的影響(Yang and van der Tol,2018;Zhang et al.,2018c;Chen et al.,2021a,2021b)。首先,SIF-GPP關系會受到植被冠層結構的影響。目前站點和衛(wèi)星觀測到的都是冠層頂的SIF,冠層頂觀測到的熒光實際上是葉片激發(fā)的總熒光在冠層內經過復雜的冠層輻射傳輸過程之后被觀測到的,冠層頂的SIF取決于葉片激發(fā)的總熒光在冠層內部的吸收和多次散射過程(Liu et al.,2019;Zeng et al.,2019;Dechant et al.,2020;Lu et al.,2020)。Zhang et al.(2019)利用衛(wèi)星觀測的熒光資料反演出了葉片激發(fā)的總熒光,發(fā)現相比于冠層頂觀測到的熒光,葉片激發(fā)的總熒光與GPP的關系更好,表明冠層結構對于SIF和GPP之間關系有很大的影響。

SIF-GPP關系也會受到光合作用途徑的影響。雖然C3和C4植被類型SIF和GPP之間都呈現顯著的線性相關關系,但是C4植物SIF-GPP的斜率顯著區(qū)別于C3植物(Liu et al.,2017;Zhang et al.,2020c;Li and Xiao,2022)。He et al.(2020)利用TROPOMI SIF的數據研究了C3和C4作物SIF-GPP關系的差異,并結合作物分布比例,提高了美國大平原地區(qū)作物產量的估算結果。觀測角度(Hao et al.,2021,2022)和散射輻射比例(章釗穎等,2019;Zhang et al.,2020d;Hu et al.,2021)等因素也會影響SIF-GPP的關系。因此,利用SIF遙感數據估算GPP時需要更加細致考慮到這些影響因素,減小GPP估算結果的不確定性。

1.2.2 基于SIF產品的陸地生態(tài)系統(tǒng)對極端氣候事件的響應過程研究

全球氣候變暖背景下,極端氣候事件頻發(fā),對陸地生態(tài)系統(tǒng)造成了嚴重的負面影響,及時精確地監(jiān)測植被動態(tài)變化對了解植被對氣候變化的響應具有非常重要的意義。遙感數據可以監(jiān)測不同時空尺度上植被對于極端事件的響應過程。2011年和2012年,美國德州和中部大平原分別出現了極端干旱,雖然兩次干旱事件形成機制略有不同,但是GOME-2 SIF都及時地顯示出植被對于水分脅迫的響應,顯示了SIF數據監(jiān)測大范圍干旱事件的潛力(Sun et al.,2015)。

在季節(jié)尺度上,基于多個衛(wèi)星平臺的SIF產品廣泛地應用在熱帶地區(qū)(Qian et al.,2019)、印度北部(Song et al.,2018)、中國西南(Wang et al.,2019b)、歐洲(Yoshida et al.,2015;Wang et al.,2020)等全球不同地區(qū)的極端干旱事件的研究中。在日尺度上,Qiu et al.(2020)利用GOME-2和OCO-2 SIF數據分析了植被在日尺度上對高溫和干旱的響應過程,發(fā)現在澳大利亞熱浪事件過程中OCO-2 SIF比GOME-2 SIF顯示出更早、更強的下降,造成這種差異的主要原因是衛(wèi)星過境時間的不同。GOME-2和OCO-2 SIF過境時間分別為當地時09:30和13:30,而午后植被受高溫脅迫的影響更嚴重。通量站點的GPP觀測數據也表明植被在午后受到高溫脅迫的影響更加嚴重,表明植被在日尺度上對極端高溫的響應程度不同。類似受到高溫脅迫在正午之后SIF下降的現象也出現在森林和農田生態(tài)系統(tǒng)(Paul-Limoges et al.,2018)。

傳統(tǒng)的植被指數(NDVI、EVI)反映植被對干旱和高溫脅迫響應過程存在一定的滯后性,SIF在監(jiān)測植物光合生理變化方面具有優(yōu)勢,可以更加準確、及時地反映植被對于極端氣候事件響應過程,揭示了SIF遙感數據對于極端事件響應的高敏感性(Song et al.,2018;Jiao et al.,2019;Wang et al.,2019b;Li et al.,2020b,2022a;Kimm et al.,2021a,2021b;Damm et al.,2022)。

2 葉綠素熒光模型研究進展

陸面模式包含較為完備的植被生化過程參數化方案,同時很多陸面模式是從關注與地表和大氣之間能量交換的氣候模式中發(fā)展起來的(Dickinson,1983;Sellers et al.,1986;Xue et al.,1991;Dai et al.,2003;Niu et al.,2011),因此陸面模式不僅可以用來估算全球尺度的GPP,還可以研究植被和大氣之間的相互作用。Wang et al.(2021b)評估了多個陸面模式對于GPP的模擬能力,結果表明不同模式之間的結果差異較大,全球年平均GPP的模擬結果最小的為104 Pg(以碳質量計),最大的為175 Pg(以碳質量計)。目前陸面模式對于GPP模擬的不確定性主要來自模式的驅動數據、模型結構和參數等方面(陳海山和孫照渤,2002;孫國棟,2009;Fisher et al.,2014;袁文平等,2014;Wu et al.,2017)。如何提高陸面模式對于不同生態(tài)系統(tǒng)GPP的模擬效果,降低模擬結果的不確定性,仍面臨重大挑戰(zhàn)(Friedlingstein et al.,2006;Wang et al.,2011)。葉綠素熒光與光合作用密切相關,能直接反映實際光合作用的狀態(tài),利用SIF遙感數據提高陸面模式對于全球植被光合作用的模擬能力,首先需要發(fā)展適用于陸面模式的熒光模型。

2.1 葉綠素熒光模型發(fā)展及其與陸面模式的耦合

近年來,國際上主流的陸面模式開始發(fā)展冠層尺度的熒光模型,并利用站點和衛(wèi)星SIF數據提高陸面模式對于光合作用的模擬效果。SCOPE(Soil-Canopy Observation of Photochemistry and Energy fluxes)模型較早實現了SIF的模擬(van der Tol et al.,2009,2014)。SCOPE模型采用與SAIL(Scattering of Arbitrarily Inclined Leaves)模型一致的植被分層方案,即將整個植被冠層分成60層,同時定義了13個葉傾角、36個葉片方位角。在早期的SCOPE模型中,冠層結構在垂直方向上為均勻分布,這與實際情況相差較大。

為了考慮冠層垂直結構不均勻的情況,SCOPE模型改進了垂直方向上對冠層的描述,使得每一層可以具有不同的葉片傾角和葉綠素含量,改進之后的模型提高了冠層輻射傳輸過程和SIF的模擬效果(Yang et al.,2017,2021;van der Tol et al.,2019)。SCOPE模型較為詳細地描述了葉片尺度的熒光在冠層內的吸收和散射過程,但是這個模型的計算量較大、過程復雜、輸入參數多,因此SCOPE模型在站點尺度上應用較多(Zhang et al.,2016;Verma et al.,2017;Yang et al.,2021)。

為了實現全球尺度熒光的模擬,多數陸面模式通過簡化熒光在冠層內的輻射傳輸過程,提高計算效率,使得模式具備全球尺度SIF的模擬能力(Lee et al.,2015;Qiu et al.,2018;Cui et al.,2020)。這些模式對于SIF的模擬主要基于以下公式:

SIF=APAR·φF·fesc。

其中:APAR(Absorbed Photosynthetically Active Radiation)為植被吸收的光合作用有效輻射,由陸面模式中冠層輻射傳輸模塊模擬得到,與植被的冠層結構密切相關。φF為葉綠素熒光產額,與太陽輻射在光合作用、熱耗散與發(fā)射熒光三方面的能量分配過程有關。fesc為所有葉片發(fā)射的總熒光逃離冠層的概率,是葉片激發(fā)的總熒光在冠層內經過散射、吸收等過程之后,最終到達冠層頂部被傳感器觀測到的熒光比例。

Lee et al.(2015)建立了fesc和最大羧化速率之間的經驗關系,發(fā)展了一種簡化的冠層熒光計算方案,并將該計算方案耦合到CLM4(Community Land Model version 4)中,CLM4再現了SIF與GPP之間的線性關系,模擬的全球SIF空間分布與觀測較為一致。這一研究首次在陸面模式中實現了全球尺度SIF的模擬,顯示了SIF遙感數據在提高陸面模式碳循環(huán)的模擬能力方面的潛力。BETHY(Biosphere Energy Transfer HYdrology)模式通過耦合簡化的SCOPE模型中的SIF計算方案,具備了冠層尺度熒光的模擬能力(Norton et al.,2018)。Qiu et al.(2019a)考慮了葉片尺度激發(fā)的熒光在冠層內的多次散射過程,構建了適用于不同生態(tài)系統(tǒng)類型的冠層尺度SIF模擬方案,并將該方案耦合到BEPS(Boreal Ecosystem Productivity Simulator)模式中,實現了站點和全球尺度SIF的模擬。更多的冠層熒光計算方案也耦合到SSiB2(Simplified Simple Biosphere model version 2)、BETHY(Biosphere Energy Transfer HYdrology)、SiB4(Simple Biosphere model version 4)、ORCHIDE(ORganizing Carbon and Hydrology In Dynamic Ecosystems)等陸面模式中(Thum et al.,2017;Norton et al.,2018;Qiu et al.,2018;Haynes et al.,2019;Raczka et al.,2019;Parazoo et al.,2020)。多數的陸面模式利用逃逸概率fesc與特定參數之間的經驗公式來表示熒光在冠層內的輻射傳輸過程,實現全球尺度SIF的模擬。Zeng et al.(2019)利用植被的近紅外反射率NIRv與fPAR這兩種廣泛使用的光學遙感數據,構建了一種簡單估算fesc的方法,該方案可以消除土壤背景對于fesc的影響,被應用在CLM5.0的熒光計算方案中(Li et al.,2022b)。

2.2 葉綠素熒光模型在陸地生態(tài)系統(tǒng)碳循環(huán)及陸氣相互作用研究中的應用

2.2.1 陸面模式參數優(yōu)化

葉綠素熒光模型可以用來優(yōu)化陸面模式中光合作用模擬的關鍵參數,提高模式對GPP的模擬效果。光合作用模型中GPP的模擬不僅受到溫度、降水、光照強度等環(huán)境因素的影響,還與植物的生理參數密切相關,其中最重要的就是植物的最大羧化速率(Vcmax,maximum carboxylation rate)。Vcmax是光合作用模型中表示植物光合作用能力的重要參數,指示光合作用過程中羧化反應的速率(Li et al.,2020a;Wang et al.,2022)。已有的觀測研究表明,Vcmax受到環(huán)境因素的影響而變化,但是目前大部分陸面模式的光合作用模塊將Vcmax設置為常數,給GPP的模擬帶來了較大的誤差(Zhang et al.,2014)。SIF數據為優(yōu)化光合作用模型中Vcmax的數值大小和季節(jié)變化提供了新的思路。Zhang et al.(2014)利用GOME-2 SIF數據,通過優(yōu)化SCOPE模型中的Vcmax,提高了模型對GPP的模擬效果。

除了植被生理參數的優(yōu)化,SIF數據還可以用來優(yōu)化陸面模式中其他與光合作用模擬相關的參數。陸地上的碳循環(huán)和水循環(huán)通過土壤、植被以及大氣之間復雜的相互作用過程聯(lián)系起來,但是在全球尺度上陸地上的碳循環(huán)和水循環(huán)的耦合機制仍不清楚。Qiu et al.(2018)利用全球SIF和土壤濕度遙感數據,結合耦合了熒光模型的SSiB2陸面模式優(yōu)化了模式中碳水耦合的關鍵參數,提高了模式對土壤濕度的模擬效果,也進一步提高了模式對SIF和GPP的模擬效果,揭示了陸面模式中碳、水循環(huán)之間的關鍵耦合機制。

2.2.2 SIF數據同化及應用

全球碳同化系統(tǒng)是陸地和大氣之間碳通量的模擬系統(tǒng),通常由大氣輸送模式、陸面過程模式以及同化系統(tǒng)等部分組成,可以估算陸地碳匯的時空變化(Piao et al.,2022)?；诙鄠€衛(wèi)星平臺的SIF數據與GPP呈顯著的相關關系,因此同化高質量的SIF數據可以提高碳同化系統(tǒng)對于陸地生態(tài)系統(tǒng)碳通量的模擬效果(Bacour et al.,2019)。MacBean et al.(2018)基于SIF和GPP之間的線性關系,利用GOME-2 SIF數據優(yōu)化了GPP模擬的關鍵參數,提高了GPP的模擬效果。由于SIF-GPP的關系受到冠層結構和光合作用途徑的影響,這種基于簡單線性關系的同化方法仍存在很大的不確定性。碳同化系統(tǒng)中需要耦合基于過程的SIF計算方案,才能更好利用高質量的SIF遙感數據提高對陸地生態(tài)系統(tǒng)碳通量的估算精度。BETHY模式具有冠層尺度SIF的模擬能力,同時也是碳同化系統(tǒng)CCDAS(Carbon Cycle Data Assimilation System)的核心部分,這使得在CCDAS系統(tǒng)中同化SIF遙感數據來提高GPP的模擬效果成為可能(Norton et al.,2019)。BEPS模式具有葉片和冠層尺度SIF的模擬能力,同時也是全球高分辨率碳同化系統(tǒng)(Global Carbon Assimilation System,GCAS)核心部分,Wang et al.(2021a)基于GCAS碳同化系統(tǒng)同化了OCO-2 SIF數據,同化后全球GPP的估算誤差減小了8.3%。未來隨著SIF遙感數據和熒光模型的發(fā)展,碳同化系統(tǒng)對于全球陸地碳匯的估算精度可以進一步提高。

2.2.3 冠層結構對SIF-GPP關系的影響機理

陸面模式是研究SIF-GPP關系的重要工具。Zhang et al.(2016)利用全球多個通量站點的氣象數據驅動SCOPE模型,研究了不同時空尺度SIF-GPP的關系,結果表明從葉片到冠層、瞬時到季節(jié)尺度上,模擬的SIF-GPP之間的線性趨勢愈加顯著。Verrelst et al.(2015)利用SCOPE模式分析了模式中冠層頂SIF模擬的關鍵驅動因子,研究發(fā)現除了葉綠素含量等生理參數,LAI和葉片傾角等參數對于SIF的模擬也有重要的影響,表明冠層結構不僅直接影響冠層尺度SIF的模擬,同時也會影響SIF-GPP之間的關系。由于不同植被類型的冠層結構差異非常大,基于站點和衛(wèi)星平臺的SIF觀測系統(tǒng)目前無法實現葉片激發(fā)總熒光的觀測,而陸面模式可以同時模擬葉片激發(fā)的總熒光和冠層尺度的熒光,是研究冠層結構對于SIF-GPP關系影響的重要工具。Qiu et al.(2019a)利用模式分析了葉片尺度以及冠層尺度SIF-GPP的關系,結果表明相比于冠層尺度SIF與GPP之間的相關系數,葉片尺度激發(fā)的總熒光與GPP之間的相關系數更高。不同植被類型相關系數提高的幅度也不相同,對于冠層結構較為復雜的植被類型(闊葉林、針葉林等),相關系數提高幅度較大,對于冠層結構相對簡單的植被類型(草地、灌木等),相關系數提高幅度較小。

3 總結與展望

本文討論了葉綠素熒光遙感發(fā)展及其在陸地生態(tài)系統(tǒng)碳循環(huán)和陸氣相互作用方面的研究進展,重點介紹了衛(wèi)星SIF數據的發(fā)展趨勢及其在GPP估算和極端氣候事件監(jiān)測中的應用,葉綠素熒光模型的發(fā)展及其在陸面模式中的應用。雖然葉綠素熒光遙感發(fā)展迅速,SIF產品廣泛應用在陸地碳循環(huán)等研究領域,但是目前的研究中仍面臨諸多挑戰(zhàn),針對這些問題有以下幾點展望:

3.1 SIF數據發(fā)展與改進

隨著遙感技術的發(fā)展,高質量的SIF數據越來越多應用到全球氣候變化(Liu et al.,2020a;Zhang et al.,2020a,2020b;Porcar-Castell et al.,2021)、陸地碳循環(huán)(Mohammed et al.,2019;Doughty et al.,2021;Wang et al.,2021c;Xiao et al.,2021)、陸氣相互作用(Green et al.,2017,2020;Jonard et al.,2020;Liu et al.,2020b)等研究中,但是受技術手段的限制,目前主流SIF產品各有優(yōu)缺點。GOME-2和GOSAT的SIF產品積累時間較長,但是數據的精度較低;OCO-2和OCO-3的SIF產品精度較高,但是數據的時空連續(xù)性較差,積累時間較短;TROPOMI SIF具有較高的精度和時空分辨率,但是數據積累時間很短,限制了TROPOMI SIF數據的應用。

基于不同SIF產品的降尺度數據,可以較大程度上拓展SIF數據的應用范圍,特別是在全球氣候變化等需要長期數據的研究領域。在應用SIF降尺度數據時,還需要注意數據不確定性的影響。Sloat et al.(2021)利用GOME-2 SIF和降尺度SIF數據預測作物產量,發(fā)現降尺度SIF數據雖然有更高的空間分辨率,但是預測結果卻低于原始GOME-2 SIF數據,主要是因為降尺度產品雖然有更多的訓練數據用于產量的預測,但是降尺度數據的不確定性在這個過程中也被放大了,降低了產量的預測效果。

未來更多高質量的遙感數據可以提高SIF在不同的研究領域的應用。目前歐空局設計的FLEX衛(wèi)星,是全球第一個專門為測量SIF設計的衛(wèi)星(Drusch et al.,2017),FLEX將提供更高質量的紅光(685 nm)和近紅外(740 nm)波段的SIF數據,空間分辨率(300 m×300 m)超過了現有的所有SIF產品。除了空間分辨率的提高,FLEX衛(wèi)星過境時間為當地時10:00,OCO-3可以提供在一天內不同時間的SIF觀測,這些與現有的SIF產品相互補充,可以更加廣泛地應用在日尺度植被光合作用變化的研究中(Xiao et al.,2021)。綜上所述,未來不同的SIF產品可以在更精細的時空尺度上監(jiān)測植被的生理變化及其對于極端氣候的響應。

3.2 葉綠素熒光模型發(fā)展與改進

陸面模式對SIF的模擬仍然存在較大的不確定性(Parazoo et al.,2020),不確定性主要來自以下三個方面:APAR的模擬,熒光產額的模擬,以及熒光在冠層內的輻射傳輸過程。

在APAR的模擬方面,很多的研究已經表明APAR和SIF在不同的時間尺度上都有密切的關系(Yang et al.,2015),因此APAR的模擬效果也直接影響陸面模式對于SIF的模擬(Parazoo et al.,2020)。目前陸面模式中廣泛應用的二流輻射傳輸模型假設入射和反射的散射輻射均為各向同性,冠層垂直結構均勻,葉片正反面的光學性質相同等(Dickinson,1983;Sellers et al.,1986)。實際上冠層垂直方向的物理性質具有顯著的非均勻性,不同高度的葉角分布也有較大的差異。陸面模式需要更加準確描述冠層輻射傳輸過程的計算方案(Yuan et al.,2014;周文艷等,2018),比如考慮了正反葉片光學性質不同的情況以及冠層垂直結構不同的參數化方案(Dai et al.,2007;Qiu et al.,2016),提高模式對于APAR的模擬效果,并進一步提高對于SIF的模擬效果。

在熒光產額的模擬方面,葉片尺度的熒光模型是基于光量子產額的方法建立的,即葉片吸收的能量用于光化學過程,非光化學淬滅(Non-Photochemical Quenching,NPQ)和發(fā)射熒光(van der Tol et al.,2014)。目前的熒光模型對于NPQ的參數化方案是基于觀測數據建立的簡單經驗關系,缺乏對于不同環(huán)境條件下NPQ變化機制的描述,因此模型很難模擬不同狀態(tài)下NPQ的變化過程,導致熒光產額的模擬誤差較大(Parazoo et al.,2020;Martini et al.,2022)。未來還需要更多的主動和被動的熒光觀測數據,建立不同環(huán)境條件下NPQ的動態(tài)變化機制,提高熒光產額的模擬效果。

在熒光的輻射傳輸方面,陸面模式對于葉片激發(fā)的總熒光在冠層內輻射傳輸過程的模擬較為簡化,多數模式都是通過給出熒光的逃逸概率與特定參數之間的經驗關系來模擬到達冠層頂部的熒光。但是冠層幾何結構和葉片表面的光學性質等因素對于fesc都有很大的影響(Liu et al.,2019;Zeng et al.,2019),因此這種fesc的計算方案會給SIF的模擬帶來很大的不確定性。未來需要建立更加精確的熒光輻射傳輸計算方案,特別是考慮冠層結構、葉片傾角等關鍵因素的影響,提高冠層頂SIF的模擬效果。

致謝:GOME-2 SIF獲取自https://avdc.gsfc.nasa.gov/pub/data/satellite/MetOp/;GOSAT、OCO-2,TROPOMI SIF獲取自ftp://fluo.gps.caltech.edu/data/;OCO-3 SIF獲取自https://ocov3.jpl.nasa.gov/science/oco-3-data-center/;TanSat SIF獲取自http://gre.geodata.cn/thematicView/modislly.html?guid2=10341724097904。