光能转化效率决定了植被指数在光合物候提取中的差异表现

准确估计光合物候对于理解碳循环具有重要意义。已有植被指数（VI）大都代表冠层结构，在检测光合物候方面具有高度不确定性。本文以太阳诱导叶绿素荧光（SIF）为参考，比较了NDVI、EVI、NIRv和NIRvP对北方落叶林光合物候起点（SOS）和终点（EOS）的刻画能力。

研究发现，从结构VI中提取的生长季通常长于实际的光合生长季，光能利用率模型可以解释该差异，且VI在提取光合物候时的差异表现与限制光合作用的环境因子有关：叶绿素吸收的光合有效辐射吸收比（FAPAR_chl）是春季光合物候的主导因子，因此可由对FAPAR_chl敏感的EVI或NIRv来准确提取SOS；叶绿素吸收的光合有效辐射总量（APAR_chl）是决定秋季光合物候的主导因子，因此，EOS可由包含该信息的NIRvP准确刻画。

01 研究背景

北方落叶阔叶林（Deciduous Broadleaf Forests，DBF）的年生长和光合碳吸收具有强烈的季节循环，这在很大程度上影响了大气CO2浓度的年变化和年际变化。气候变暖延长了生长季节，增加了DBF对碳的吸收。因此，为了更准确地预测未来气候，有必要更好地了解DBF的光合物候。

从遥感反射率中提取的植被指数VIs包含生物量和绿度信息，因此被广泛用于监测大范围地表物候。这些绿度VIs通常表示植物结构和绿度，而不是植被生理，因此其提取的物候表征了潜在GPP的季节变化，这系统地高估了实际GPP。

不同VIs识别光合物候年际变化方面的性能存在高度的不确定性。例如NDVI常作为光合有效辐射比FAPAR的代理，大大高估了GPP得出的光合物候长度，表明植物结构和功能之间存在季节性的系统偏差。EVI对叶绿素吸收的光合有效辐射比FAPAR_chl敏感，在提取光合物候方面的表现优于NDVI，但仍然高估了生长季节长度。NIRv与EVI表现相当，NIRvP表示为NIRv和太阳入射辐射的乘积，它在提取光合物候方面的表现尚不清楚。

太阳诱导叶绿素荧光SIF与光合作用存在机理上的联系，因此可以快速响应几乎所有调节光合作用活性的因素，其物候提取的结果可作为验证VIs性能的参考值。

本文以SIF生成的指标为参考，比较了从NDVI、EVI、NIRv和NIRvP中提取北方DBF的SOS和EOS。

02 数据与方法

首先根据MCD43A4反射率数据和ERA5-Land数据计算植被指数NDVI、EVI、NIRv和NIRvP。并将其重采样到0.05°，8d分辨率，以匹配GOSIF产品。然后使用动态阈值法（50%），分别提取VIs和GOSIF每年的SOS和EOS。最后将从VIs和GOSIF中提取各年的SOS和EOS值在像素级进行平均，以获得物候指标的多年平均值。以GOSIF数据作为GPP的代理，比较了NDVI、EVI、NIRv和NIRvP提取光合物候生长季开始和结束的表现。

03 结果

分析发现，结构和光合物候之间存在系统性偏差（图1）。春季VIs提取的物候早于光合物候（NDVI < NIRvP < EVI ≈ NIRv ≈ SIF）；秋季森林结构在森林生理后衰落（NDVI > NIRv ≈ EVI > NIRvP ≈ SIF）。与EOS相比，SOS在所有指标上的差异较小，直方图集中在零附近（图2）。

使用光能利用率（LUE）范式解释了VIs的物理意义及其在跟踪光合物候方面的不同表现（图3）。春季FAPAR_chl和LUE的曲线与GPP的曲线相比于APAR_chl更接近；秋季APAR_chl和GPP的曲线通常相互重叠，而FAPAR_chl和LUE与之偏差较大。冠层叶绿素含量可能是影响春季物候的主要因素；而辐射可能是限制秋季物候的主要因素。

04 结论

与DBF中的光合物候相比，由结构VI得出的物候具有系统性偏差，该偏差可以由光合作用过程中的光能转化效率解释。因此，提取光合物候时要考虑各VI的实际物理含义，从而更准确的提取光合物候。

课题组发布中国西南地区高分辨率和长时序SPEI数据集

标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）是目前常用的监测干旱的指数。现有干旱指数大多基于站点或空间分辨率低（0.5°）。但在区域干旱研究中，需要高分辨率干旱指数产品支持。以往的干旱指数重构研究中，需要对干旱敏感的植被指数的支持，而MODIS等植被指数数据集时序较短，这大大限制了重构的干旱指数的时间跨度。

本文发现，在西南地区植被指数对建立干旱指数的关系模型影响不大。基于此，本研究通过机器学习生成了1901-2018年西南地区时空连续的SPEI数据集。

01 研究背景

干旱是世界范围的重大灾害之一，会对农业、环境和社会经济造成巨大危害。干旱监测和预测可以帮助决策者对干旱事件做出反应。因此，持续干旱监测和预测对水资源可持续管理和干旱风险管理的决策至关重要。

干旱是一种水供应短缺的事件。标准化降水蒸散指数（SPEI）通过比较自然界多年水平衡（降水与潜在蒸散发之差）得到当前干旱状况。SPEI结合了标准化降水指数(Standardized Precipitation Index，SPI)和帕尔默干旱指数(Palmer Drought Severity Index，PDSI)对蒸散发需求变化的敏感性，在干旱研究中受到广泛应用。

近年来，机器学习方法被广泛用于生成高分辨率产品。此外，已有研究证明了植被指数(VI)在表征干旱方面的潜力。但是在卫星发射前收集VIs是不可能的，这限制了这些方法的时间覆盖范围。例如，中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer，MODIS)只有2000年以后的VIs数据集。

本研究的总体目标是通过机器学习，通过对EEAD(Estación Experimental de Aula Dei)产品降尺度生成高分辨率和长时序SPEI数据集。

02 数据与方法

03 结果

在我们的研究中，对有和没有VI的两种输入组合进行了测试（图2）。t检验显示两组间无显著差异(p < 0.01)。结果表明，在中国西南地区，VI对于重构干旱指数无显著提升。这使得我们可以在不加入VI的情况下，生成长时序(1901-2018)的SPEI数据集。

西南地区发生过多次严重干旱事件，其中2009/2010年干旱事件最为严重。为了评估降尺度SPEI数据集的应用潜力，下图展示了本研究降尺度SPEI和EEAD SPEI揭示这次干旱事件的演变过程（图3）。从视觉上看，两种SPEI数据集在中国西南地区的空间分布模式相似。然而，降尺度高分辨率SPEI数据集可以刻画中国西南地区更多的空间细节。

04 结论

我们提供了一种新的、可靠的方法来克服输入数据的时间限制，并在VI数据可用性有限的情况下生成高分辨率和长期干旱产品。我们的产品有望为区域长期干旱监测提供参考。