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

總初級生產(chǎn)力(Gross primary productivity,GPP)是指單位時間內(nèi)植物通過光合作用吸收CO2過程固定的有機碳量，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]。準確估算全球和區(qū)域尺度的陸地GPP對于研究全球碳循環(huán)和對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)合通量站點數(shù)據(jù)、遙感產(chǎn)品和網(wǎng)格化氣候產(chǎn)品等的機器學(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會造成反射率信號飽和，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)仍然是一個挑戰(zhàn)。另外，這些植被指數(shù)對尚未引起反射率數(shù)據(jù)變化的光合活動(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，與實際植物短期內(nèi)光合作用關(guān)聯(lián)性不強，單獨使用反射率數(shù)據(jù)并不能及時、準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的植物生理機理，但是模型之間的物理機理差異很大，且輸入?yún)?shù)眾多難以獲取，運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行全球GPP估算的準確性[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行光合作用時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，可以看作植被瞬時光合作用活動的理想探針[7-8]。由于SIF是由植被產(chǎn)生，相對于反射率數(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，從而證實被動測量SIF可用于跟蹤大尺度下，沒有綠度和結(jié)構(gòu)變化時，植被生理活動的變化。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間尺度的SIF產(chǎn)品[10]，開辟了監(jiān)測植物實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，越來越多的實驗證明，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的信息機理性問題也存在很大的爭議[17]。因此需要研究GPP-SIF的關(guān)聯(lián)關(guān)系在不同時空尺度上的變化，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)射機理出發(fā)，在GPP-SIF經(jīng)驗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，近紅外熒光更是優(yōu)于紅光熒光。另外，目前大部分從衛(wèi)星平臺提取的SIF均集中在近紅外波段，紅光波段SIF的反演精度遠低于近紅外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的相對吸收截面積

aⅡ——光系統(tǒng)群Ⅱ的相對吸收截面積

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

λNIR——近紅外波長

光能利用率模型的一般表達式為

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)主動葉綠素?zé)晒鉁y量研究發(fā)現(xiàn)，當(dāng)未出現(xiàn)嚴重的脅迫情況致使調(diào)節(jié)性能量耗散量子產(chǎn)量ΦNPQ急劇增強時，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，ΦP的變化主要由kNPQ的調(diào)節(jié)機制控制，ΦF與ΦP的耦合關(guān)系不明顯。故在未出現(xiàn)嚴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)星平臺獲取的SIF均處于10：00或13：00左右，在晴朗天氣不會出現(xiàn)光合作用的光強限制)，PSⅡ的葉綠素?zé)晒猱a(chǎn)率可以認為是恒量，因此式(3)中的aⅡΦFⅡFPSⅡ(λNIR)也可以認為是常數(shù)。

1-pr(λNIR,Chl)表示近紅外熒光在離開冠層時受到重吸收和散射的影響。文獻[11,20]認為近紅外熒光的重吸收比例很低，但冠層結(jié)構(gòu)對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)來表達這種影響作用，且引入的植被指數(shù)應(yīng)盡量表達冠層的葉面積指數(shù)信息，而盡可能少地攜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LUEP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)系中引進能反映冠層光學(xué)結(jié)構(gòu)的植被指數(shù)。LUEP的計算公式為

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 3兩個級別，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)品上進行了時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算法對日尺度SIF進行綜合后得到SIF月值產(chǎn)品，再根據(jù)通量站點坐標(biāo)信息批量提取各站點所處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，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 通量站點與數(shù)據(jù)

采用來自全球通量觀測網(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)識為“GPP_NT_VUT_REF”(http:∥fluxnet.fluxdata.org/)。由于通量塔觀測的范圍與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，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中的國際地圈生物圈計劃(IGBP)全球植被分類方案進行合并，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個站點，其空間位置和景觀同質(zhì)面積占比、EVI標(biāo)準差等信息見表1。

表1 各通量站點的基本信息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，在生長季節(jié)之外往往是沒有綠色植物覆蓋地表的。處于生長季之外的日期雖然通量站點依然會監(jiān)測GPP數(shù)據(jù)，但該數(shù)據(jù)由于模型自身局限性而多為負值，不能代表真實情況。所以本文先依據(jù)每個站點的日尺度GPP在一年中的分布情況，以大致確定不同站點所代表的植被類型的生長季節(jié)，然后將不屬于生長季內(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)；另一種是用來表達植被冠層光學(xué)結(jié)構(gòu)的植被指數(shù)。對于近紅外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)品來計算或獲取植被指數(shù)。

對于PRI的計算，由于第11波段反射率(36～526 nm)數(shù)據(jù)暫時只提供日尺度產(chǎn)品(MCD19A1)，所以先計算每個站點的日尺度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處的波段Band4(545～564 nm)來計算PRI。對于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兩個植被指數(shù)和紅光、藍光、近紅外、中紅外4個波段的月尺度反射率數(shù)據(jù)。根據(jù)各站點的空間位置提取了站點所處像元2008—2014年月尺度上的各植被指數(shù)信息，其計算公式見表2。

表2 相關(guān)植被指數(shù)的計算公式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。支持向量機回歸以VC維理論和結(jié)構(gòu)化風(fēng)險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等常規(guī)回歸擬合算法所不能處理的問題。運用向量機回歸算法，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種植被類型各站點在月尺度上GPP與SIF散點圖，不同顏色的點表示不同的站點，不同顏色的虛線表示線性回歸擬合線，無線型對應(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R2高達0.684 7，而最差的站點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。對于草地和耕地可以發(fā)現(xiàn)，不同站點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的草種不同引起的。對于落葉闊葉林而言，不同站點的相關(guān)性均比較高，而且線性擬合的斜率很接近，這主要是因為落葉闊葉林帶的植被層次結(jié)構(gòu)簡單，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。對于稀疏熱帶草原而言，以木本低矮灌木為主，大多數(shù)生長在植被稀疏地區(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，成丘團狀分布，其平均覆蓋度低于 30%，不同站點植被覆蓋的密度不同，這也是導(dǎo)致其GPPEC和SIF740在不同站點呈現(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，在通量測量時會帶來很大的不確定性。

從不同植被類型的站點GPPEC和SIF740散點圖可以發(fā)現(xiàn)：GPP-SIF關(guān)系對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數(shù)據(jù)和單獨利用各植被類型中GPPEC和SIF740線性關(guān)系最佳站點數(shù)據(jù)，結(jié)合支持向量機回歸算法，驗證了模型估算的GPPmodel與通量站點GPPEC的相關(guān)性，結(jié)果見表3?？梢园l(fā)現(xiàn)，與SIF-GPP經(jīng)驗線性模型相比，無論是單個站點還是綜合了同種植被類型的多個站點，引進了表示冠層結(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)測精度基本都有30%以上的提升。由于經(jīng)驗線性關(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0.815，且不同站點之間的差異性不大，故本模型對其估算精度改進不明顯，相關(guān)性處于0.757～0.797之間。不過本模型對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)，準確估算常綠闊葉林的GPP也是目前一個挑戰(zhàn)。

表3 不同植被指數(shù)模型對各植被類型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，本模型對將某植被類型所有站點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)系最佳單個站點的提升效果。這主要是因為εmaxPRI和植被指數(shù)的引入，從某種程度上消除了單個站點由冠層結(jié)構(gòu)、覆蓋密度和植物種類等的不同對GPP-SIF關(guān)系帶來的差異性，從而使該植被類型內(nèi)各站點的GPP-SIF關(guān)系趨于相似，提高了GPP估算精度。但同時得指出，本模型在單個站點的估算精度遠高于同種植被類型內(nèi)多個站點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0.8以上，在草地、稀疏草原上達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，這主要是因為這4個植被指數(shù)均能較好地表達植被冠層的葉面積指數(shù)信息。但是不同指數(shù)在個別植被類型中的表現(xiàn)有較大的差異，例如NDVI對常綠闊葉林估算精度的提升效果遠優(yōu)于其他3個指數(shù)，NIRv對常綠闊葉林和熱帶稀疏草原的提升效果較差，EVI對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)系最佳站點的GPPmodel和該站點實測GPPEC在季節(jié)上的變化曲線?？梢园l(fā)現(xiàn)，在所有單個站點中，本文模型都可以很好地體現(xiàn)各站點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站點上，GPPmodel和GPPEC隨時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站點上，GPPmodel和GPPEC變化區(qū)域吻合度也較高，但是在GPP峰值時間段內(nèi)，GPPmodel出現(xiàn)了峰值高估的現(xiàn)象。在針葉林的FI-HHY站點、灌木叢的US-Whs站點和熱帶稀疏草原的AU-DAS站點上，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 在單個站點上模型估算月尺度GPPmodel與地面監(jiān)測月尺度GPPEC的時間變化曲線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站點還是在單個站點的估算精度，較經(jīng)驗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)生的負值調(diào)整為零。本文模型對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。但無論是在單個站點上還是在綜合同種植被類型的多個站點上，本文模型在所有植被類型上的估算精度都比經(jīng)驗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作為整體時的提升效果，明顯優(yōu)于最佳單個站點的提升效果。另一方面，本文模型能較好地體現(xiàn)各站點所代表的不同植被類型GPP的季節(jié)性變化特征。