山地坡向差异会形成小气候，使得与区域宏观气候相比，朝向赤道的坡面（EFSs）更干燥、温暖，而朝向极地的坡面（PFSs）更湿润、寒冷。因此，生长在不同坡向上的植被可能呈现出不同生长状态和过程，即坡向效应。通过对2003年至2021年的归一化植被指数（NDVI）的分析，我们在全球尺度上研究了坡向效应，发现EFSs和PFSs植被绿度差异与区域气候条件密切相关：在寒冷地区，EFSs植被绿度强于PFSs，而在干燥地区则相反，这主要取决于温度和水分限制的相对重要性；不管在何种气候区，PFSs植被变绿趋势强于EFSs，导致EFSs和PFSs植被绿度差异在湿冷区域逐渐减弱，在干热区域则逐渐增强，表明温度限制减轻而水分限制加剧。山地生态系统坡向差异构成了一个“自然实验室”，提供了一种以空间替代时间的方式探究气候对植被生长控制的演变。

研究背景

陆地植被吸收了大约三分之一的人为碳排放，是减缓气候变暖的主要机制。卫星观测和模型模拟研究均表明，过去四十年里植被表现出明显的“变绿”趋势。尽管持续的全球变暖缓解了高纬度、高海拔地区温度限制，水资源限制也变得越来越普遍。因此，这种“变绿”趋势在未来是否会持续，仍不确定。山区地形形成的复杂小气候，使得对山区植被动态的认识尤其不确定。

除了海拔梯度，坡向在山地植被生长中起着重要作用。坡向通过调节入射太阳辐射，改变大气和地表之间的能量和水通量交换，创造了独特的局部小气候。例如，与区域宏观气候相比，朝向赤道的坡面（EFSs）比朝向极地的坡面（PFSs）接受更多的太阳辐射，导致EFSs更干燥、温暖，而PFSs更湿润、寒冷。这些坡向诱导的小气候显著影响植被活动，调节植被对区域气候变化的响应。目前已有研究表明，PFSs植被比EFSs植被生长得更好，然而，这些研究大多依赖于实地观测，空间覆盖有限，时间跨度较短。因此，在全球尺度上，坡向引起的植被绿度差异的空间分布和年际变化尚不清楚，阻碍了我们对未来全球山地植被对气候变化响应的认识。基于此，本研究利用NDVI数据，引入绿度差异指数（GDI，GDI = (NDVI_EFSs  – NDVI_PFSs) / (NDVI_EFSs + NDVI_PFSs)），探究了EFSs和PFSs之间植被绿度差异的时空格局及其气候控制。

主要结果

GDI具有明显的纬度分布格局：大部分高纬度地区（>52°N和> 40°S）的EFSs比PFSs更绿绿（GDI >0），而中纬度地区（16-52°N和23.5-40°S）的PFSs比EFSs更绿（GDI <0）（图1）。GDI确定了植被生长的区域气候控制：干旱区（P/PET≤0.5），GDI均为负（PFSs比EFSs更绿），植被生长主要受水分控制；湿润地区（P/PET >0.5），GDI随区域温度的增加，由正值（FFSs比PFSs更绿）转变为负值，植被生长在低温下主要受温度控制，而在高温下主要受水分控制（图2）。

全球范围内，山地“变绿”趋势普遍存在，然而，PFSs“变绿”趋势大于EFSs，使得GDI在温度限制和水分限制趋势均呈下降趋势（图3），表明PFSs比EFSs从持续变暖中获益更多。

该研究成果近期以“Aspect Matters: Unraveling Microclimate Impacts on Mountain Greenness and Greening”为题，发表于《Geophysical Research Letters》。

干旱对生态系统的可持续性构成了重大威胁，造成中国西南等地区的年累积碳吸收量(ACCU)降低。为理清背后的潜在机制，本研究基于综合物候和生理学统计模型(Statistical Model of Integrated Phenology and Physiology, SMIPP)，将ACCU分解为春季物候(Start of Season, SOS)、秋季物候(End of Season, EOS)和生产力峰值(Peak of Gross Primary Productivity, GPPmax)，并分析其对干旱的响应。结果显示，物候 (SOS和EOS)和生理 (GPPmax)的组合能很好的捕获ACCU的变异；2001 – 2020年，干旱通过推迟SOS和提前EOS导致ACCU净损失75.90 Tg C。研究结果强调，干旱对ACCU的负面影响主要通过影响物候来实现。总体而言，本研究量化了干旱通过物候和生理效应对ACCU的贡献，可为未来干旱条件下生态系统碳循环预测提供依据。

研究背景

随着全球变暖和人类活动加剧的挑战不断升级，全球范围内干旱发生的频率、强度和持续时间都在增加，对生态系统产生了重大影响。生态系统年累积碳吸收(ACCU)是指植物在一年内通过光合作用吸收有机碳的总量，是评价生态系统碳循环的重要指标。干旱通过改变光合作用活性、调节植被物候、致使森林火灾和病虫害的发生等影响生态 ACCU。因此，量化干旱对碳吸收的影响对于监测生态系统中的碳循环至关重要。

已有研究发现，ACCU与春季物候(Start of Season, SOS)、秋季物候(End of Season, EOS)和生产力峰值(Peak of Gross Primary Productivity, GPPmax)密切相关。干旱以不同的方式影响SOS、EOS和GPPmax，例如，春季干旱使植物因缺水而推迟生长，导致SOS延后；秋季干旱促进脱落酸分泌，从而提前EOS；夏季干旱可通过限制光合作用而降低GPPmax，但伴随的温度和有效太阳辐射的增加，亦会增加GPPmax。因此，了解SOS、EOS和GPPmax对季节性干旱的响应模式，并通过这些指标量化干旱降低ACCU的程度，对于理解干旱对生态系统碳循环的影响具有重要意义。

中国西南地区在是全球生态恢复工程最为显著的区域，也是中国最大的碳库。然而，近年来气候变化和人类活动对该地区的影响日益显著，导致干旱频繁发生。因此，研究西南地区干旱对生态系统碳吸收的影响，对于维护生态系统的稳定性及保护生态系统功能的完整性至关重要。本研究旨在借助综合物候和生理学统计模型(Statistical Model of Integrated Phenology and Physiology, SMIPP)模型，量化干旱通过对物候(SOS, EOS)和生理(GPPmax)的影响引起的ACCU变化，以便更好地了解干旱对西南地区碳循环的影响。

研究方法

SMIPP模型：

SMIPP模型分解结果表明，SOS、EOS和GPPmax能有效捕获西南地区ACCU的变化，平均R²为0.74。干旱导致中国西南地区65.95%区域SOS延后，平均延后4.89天，导致60.26%区域EOS提前，平均提前2.87天，且随着干旱的加剧，SOS延后、EOS提前程度及面积占比均增大。然而，干旱对GPPmax的积极影响和消极影响相当，50.82%的地区GPPmax增大，49.18%的地区GPPmax减小，且随着干旱程度的加剧，GPPmax先增加再减小。

2001 – 2020年，干旱通过推迟SOS和提前EOS使西南地区ACCU分别减少65.58 Tg C，和21.47 Tg C，但通过增加GPPmax使ACCU增加11.15 Tg C，最终导致ACCU净损失75.90 Tg C。

当前，空间遥感技术的快速发展为我们提供了大量高质量的卫星图像和数据，为精准观测和模拟地表变量提供了可能。但是，主流的遥感卫星产品存在空间分辨率单一的问题，难以满足对多尺度地表信息的需求，制约了遥感在地表过程研究中的应用。因此，迫切需要开发有效的算法，将不同分辨率的卫星图像进行融合，以综合提取出多分辨率的地表变量信息。

为解决上述问题，本文提出了一种基于多尺度多深度卷积神经网络(MSDCNN)的新框架。该框架能够同时从七颗卫星传感器获取的大气顶反射率（TOA）中以七种空间分辨率估算叶面积指数（LAI）、光合有效辐射吸收比（FAPAR）、短波反照率、可见光反照率和地表反照率，共五个地表变量。七个不同空间分辨率的传感器包括：VIIRS(750米)、MODIS(500米)、FY-3B MERSI (250米)、CBERS-04 WFI(73米)、Landsat 8 OLI(30米)、GF-1 WFV (16 m)和Sentinel-2A/B(10 m)。基于ImagineS的高分辨率LAI/FAPAR参考图、 SURFRAD和ICOS的时间序列短波反照率实测值的验证结果表明，估算的各地表变量均具有较高的精度，RMSE分别为0.361 ~ 0.489 (LAI)、0.023 ~ 0.120 (FAPAR)和0.013 ~ 0.026(无雪短波反照率)。所提的MSDCNN方法具有综合各种卫星数据源在不同空间尺度上估算全球地表变量产品的潜力。

算法概述

在之前的研究中，我们已经成功开发了一种结合辐射传输模型（RTM）模拟和机器学习的同时从VIIRS TOA观测数据中估算多个地表和大气变量的有效方法。虽然在全球范围获得出色表现，但该方法仅解决了两个问题，即从单个传感器估算变量之间的物理一致性和物理RTM方法的计算效率。本研究则侧重解决更关键的三个问题，即高时空分辨率、多空间分辨率和多空间分辨率一致性。

图1展示了本研究的算法流程。首先，在全球代表性样点上，结合SCE优化技术和耦合的土壤-叶片-冠层-积雪-大气RTM从VIIRS TOA观测数据对5个地表变量进行模拟，并使用多输出随机森林 (RF) 算法建立输入变量与模拟变量间的回归模型。其次，采用PSTCR算法重建多云的VIIRS和MODIS像元，并在给定MODIS TOA反射率的情况下，利用MSDCNN模型将750 m的VIIRS TOA反射率降尺度到500 m；随后将生成的500 m VIIRS TOA反射率与下一个精细尺度的TOA反射率融合，直到Sentinel-2A/B数据参与融合，生成多尺度VIIRS TOA反射率。最后，将多尺度VIIRS TOA反射率、角度信息、海拔、GLASS V6 LAI和MERRA2 AOD输入多输出RF模型，估算多尺度LAI、FAPAR、地表反照率和地表反射率。

主要结果

多输出RF回归模型在不同分辨率下均表现较好，所有变量的R²值均大于0.9 ，RMSE值较小（图2）。两个用于降尺度MERSI和Sentinel-2A/B SWIR波段的自适应融合模型R²均高于0.98，RMSE为0.0090 – 0.0123，说明模型的较高性能（图3）；将VIIRS 波段降尺度到不同分辨率的其他模型也表现良好，但由于不同传感器数据之间的光谱差异和数据观测时间的不一致，其精度略低于两个自适应融合模型。

由MSDCNN模型估算的不同空间分辨率下各地表变量的时间序列与地面实测值及其他产品均具有较高的一致性且时序更完整，能够反映植被物候及冰雪变化，然而，由于持续的云覆盖，估算的时间序列仍不连续（图4）。

由MSDCNN模型估算的30/10m LAI、FPAR均能够捕捉空间细节，且在均质性地表的表现优于异质性地表（图5）。估算的30m反照率值与站点实测反照率值吻合较好（图6）：GWN、DE-HoH、FR-LGt等无雪站点反照率R²普遍较小，RMSE值均不大于0.04，但季节性不明显；与无雪站点相比，SXF、DE-Kli等有雪站点反照率的R²和RMSE均更大，其中，SXF的RMSE最小（0.042），DE-Kli站点的RMSE最大（0.121）；所有站点估算的反照率与实测反照率偏差较小（0.014 ~ 0.026）。持续的云覆盖和雪的快速变化是造成估算不确定性的主要原因。

主要结论

本文提出了一种基于深度学习模型的多分辨率多地表变量估算方法，与地面实测值验证精度较高，与现有高级变量产品一致性好，且能显著提升多云雾山区地表参数时间序列连续性。该方法有潜力综合各种卫星数据源在不同空间尺度上估算全球地表参数产品。

地形扭曲了方向冠层间隙率，进而影响叶面积指数实测和传感器探测到的冠层反射率。路径长度（PL）校正是一种简单、有效的坡地校正方法。对连续冠层，已有研究已对PL校正进行了严格的理论推导。然而，对于离散冠层，PL表现出严重的异质性，迫切需要发展理论推导，以评估PL校正在森林冠层中的效果。在本研究中，（1）PL校正首先被证明对具有泊松树分布的森林是完全有效的，但对于树木分布偏离泊松模型的森林，尤其是树冠分布规则的森林，可能在某些方向产生不确定性。（2）在通用森林冠层间隙率模型的基础上，提出了一种改进的森林PL校正模型。结果表明，改进后的模型能有效地降低部分PL校正在森林冠层中所产生的误差。树冠分布参数c_B(θ)随坡度的变化是造成森林PL校正产生误差的主要原因。该研究对于更好地理解和更准确地应用PL理论进行山地森林冠层的地形校正和叶面积指数的野外测量具有重要意义。

研究背景：

坡地改变了冠层结构，扭曲了太阳-目标-传感器三者空间关系。路径长度（PL）校正被广泛应用于从坡地到平地的多种参数（例如冠层间隙率、反射率、叶面积指数、聚集度指数等）校正。已有研究证明，基于严格的理论推导，PL校正对于连续冠层是有效的。然而，离散的冠层（例如森林），目前仍然缺乏严格的理论推导。一个重要原因是连续冠层与离散冠层之间的PL存在明显差异（如图1所示）。本研究的目的是给出一个明确的森林PL校正推导过程。我们想要回答以下问题：（1）PL校正对于森林冠层是否完全可行？（2）如果不是，是什么原因，如何提高其精度？

模型原理：

（1）连续冠层PL校正原理回顾和PL校正本质

PL早期应用于Beer-Lambert 定理计算平地连续冠层间隙率，如公式 (1) 所示

其中，P为冠层方向间隙率，G为叶倾角投影系数，与叶倾角分布密切相关；ρ为叶面积体密度，l为PL。

对于坡地连续冠层（图2），PL可以表达为

其中，h为冠层高度；θ为观测天顶角；λ是一个非常重要的坡地校正系数，与观测天顶角θ、观测方位角φ、坡度α和坡向β密切相关（图3），可以表达为，

坡地和平地连续冠层某一方向上的PL关系本质上属于空间几何，具体证明见论文II.A推导。

综上可得，坡地和平地连续冠层的间隙率关系如下所示。换言之，只需已知观测天顶角、观测方位角、坡度和坡向四个角度信息，便可将坡地连续冠层间隙率转化为同方向的平地间隙率。

公式 (5) 是PL校正的核心。本质上，PL校正原理是冠层方向间隙率的校正。

（2）树冠随机分布下的森林PL校正证明

上述推导过程在连续冠层严格有效，然而，对于森林等离散冠层，仍需要进一步证明。树冠随机分布是遥感辐射传输模型、几何光学模型等正演模型以及反演模型中常见的假设。对于树冠随机分布下的水平森林，其冠层间隙率可以表达为：

此处n为树冠数目，t_a为单棵树冠在视线主平面上的投影面积，p_c为单棵树冠间隙率，S_P(θ)为样地在视线主平面上的投影面积。同理，根据空间几何学，对于树冠随机分布下的坡地森林的冠层间隙率公式为：

根据空间几何可以证明（图3），这种情况下坡地和平地间隙率的关系完全满足PL校正。即对于树冠随机分布下的森林，PL完全有效（详细推导过程见论文II. B）。

（3）树冠非随机分布下的森林PL校正评估

虽然树冠随机分布在遥感辐射传输和几何光学模型以及参数反演中是常见的假设，但是真实世界的森林却不仅仅具有随机性，还表现出排斥和聚集等特性。Geng 等将泊松分布加入树冠排斥因子，构建超几何分布，推导出适合于规则分布下的森林冠层间隙率，该模型被证实在小尺度（例如10m~100m）下广泛适用 (Geng et al., 2016, 2017)。Geng 等最新研究构建了一个适合于多种树冠空间分布的森林冠层间隙率模型，发现对于多种树冠分布均具有普遍适用性，且能够同时满足平地和坡地应用 (Geng et al., 2023)。本研究基于Geng 等提出的通用森林冠层间隙率模型，推导出坡地和平地森林冠层间隙率的关系如下（详细公式推导过程见论文II.D），

该公式与公式(5)唯一的区别在于加入了树冠分布参数c_B，使得模型能够适合多种树冠分布下的森林，而非局限于随机分布。从公式可以发现，坡地到平地冠层间隙率转换时，若树冠分布不变，则PL有效；若树冠分布发生变化，PL可能会产生误差。

研究方法：

研究基于(Yin et al., 2020)文中森林场景，拓展为多种分布下的场景（图4）。根据公式(5)、(8)分别计算坡地和水平森林冠层间隙率，评估PL和新模型在森林冠层中的效果。

主要结果：

以光线跟踪算法结果作为参照，发现树冠随机分布下森林冠层PL校正精度非常高；然而，当树冠偏离随机分布，PL在某些方向会产生一定误差。这是由于PL校正是基于e指数形式的校正（公式(5)），对于树冠随机分布的森林而言，坡地和平地冠层间隙率关系完全满足e指数形式。然而，对于非随机分布，这种关系并非完全成立。一个简单的例子：对于球形树冠且有明显间距的森林，若垂直于下坡方向树冠未发生重叠，该方向的冠层间隙率P’=1-n*t_a*(1-p_c)/S_P’(θ)，此处n为树冠数目，t_a为单棵树冠在视线主平面上的投影面积，p_c为单棵树冠间隙率，S_P’(θ)为样地在视线主平面上的投影面积；若此时同方向下的平地树冠间也未发生重叠，则P=1-n*t_a*(1-p_c)/S_P(θ)。显然，此时坡地和平地冠层间隙率并不满足公式(5)关系。

结果表明，对于树冠规则分布的森林，PL在下坡方向可能产生误差；对于聚集分布，PL在上坡会产生一定误差。改进方法能够很好地降低误差，适用于随机、规则、聚集分布下的森林冠层。

项目资助

本研究得到国家自然科学基金(41701383、41801234、4197128)、安徽省自然科学基金(2208085MD90)、中央部署高校学术新人项目(JZ2022HGTB0253)以及国家留学基金委(202006695009)项目资助。

主要参考文献

1. J. Geng, Jing-M. Chen, L. Tu*, G. Yin*, H. Jin, J. Huang, J. Roujean., “Evaluation of Path Length Correction for Forest Canopies over Sloping Terrains: Theoretical Derivations and Computer Simulations,” IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2023.3334681.（本研究）
2. J. Geng, J. Roujean, A. Kuusk, Y. Pang, L. Tu*, Jing-M. Chen*, “A Universal Canopy Gap Fraction Model for Forests with Various Tree Distributions Based on Nilson’s Models Considering Directional Overlaps Among Crowns”. Agricultural and Forest Meteorology, Under Review. 2023. http://dx.doi.org/10.2139/ssrn.4570868.
3. J. Geng,Jing-M. Chen, L. Tu, et al., “Influence of the exclusion distance among trees on gap fraction and foliage clumping index of forest plantations,” Trees, vol. 30, no. 5, pp. 1683-1693, 2016. doi:10.1007/s00468-016-1400-y.
4. J. Geng, Jing-M. Chen*, L. Tu, et al., “GOFP: A Geometric-Optical Model for Forest Plantations,” IEEE Trans. Geosci. Remote Sensing, vol. 55, no. 9, pp. 5230-5241, 2017. doi:10.1109/TGRS.2017.2704079.
5. G. Yin, B. Cao, J. Li, et al., “Path Length Correction for Improving Leaf Area Index Measurements Over Sloping Terrains: A Deep Analysis Through Computer Simulation,” IEEE Transactions on Geoscience & Remote Sensing, vol. 58, no. 7, pp. 4573-4589, 2020. doi:10.1109/TGRS.2019.2963366.

山地约占全球陆域面积的24%，占中国陆地面积比超过60%（图1），是生态系统的重要载体。定量遥感是支撑山地生态环境保护、可持续发展的重要工具。然而，地形会使光学影像产生畸变，是山地遥感应用不确定性的重要来源。地形效应增加了影像解译难度，降低了解译精度。开展山地定量遥感应用，需要解决系列理论与方法难题：地形效应产生的物理机制是什么？如何模拟山地遥感观测中的地形效应？如何订正山地遥感观测中的地形效应？近年来，课题组借助辐射传输理论工具，在山地植被定量遥感领域取得了系列创新成果：

1. 揭示了路径长度的地形依赖性是地形效应产生的关键机制

通过理论分析与计算机模拟发现，地形会引起冠层内光子传输路径长度（即消光路径长度）的改变（图2），而消光路径长度的地形依赖性是引起反射率地形效应的关键机制（Yin et al. 2020, IEEE TGRS；Geng et al. 2023, IEEE TGRS）。路径长度的地形依赖性这一关键机制的发现为发展简洁有效的坡地植被冠层反射率模型奠定了坚实的理论基础。

2. 发展了基于路径长度改正的坡地冠层反射率模型

冠层反射率模型描述了辐射与植被冠层交互的物理过程，建立了植被状态与其反射特性之间的物理关系。因此，冠层反射率模型是理解和挖掘光学遥感观测中包含的信息进而估算地表参量的必要工具。从光子在冠层内传输过程的物理机理出发，将冠层反射率表达为路径长度的显函数，并通过将平地路径长度替换为山地消光路径，创造性地提出了基于路径长度改正的山地冠层反射率模型PLC（Path Length Correction）（Yin et al. 2017, IEEE TGRS）。该模型对山地冠层反射率具有较高的模拟精度（图3），为山地植被定量遥感提供了有效理论工具。

3. 提出了地形校正物理方法

现有地形校正方法大都基于经验或半经验的解析式，未考虑地形对冠层内部辐射传输过程的影响。通过简化山地辐射传输模型，实现其中地形相关量与地形无关量的分离，最终得到了由山地反射率到等效平地反射率的转换关系，首创了基于辐射传输模型简化的植被反射率地形校正方法PLC（Yin et al. 2018, RSE）(图4)。

植被近红外反射率植被指数NIRv (Near-infrared Reflectance of Vegetation)是总初级生产力GPP (Gross Primary Production)的有效代理。然而NIRv受到地形显著影响，很难直接应用于高山植被（Chen et al. 2020, RS）。NIRv和PLC都隐含了反射率仅来自于植被的假设，因此通过两者耦合，提出了一种可同时抑制地形和背景影响的新型植被指数TCNIRv（Chen et al. 2022, TGRS），成功地刻画了山地GPP季节动态（图5）。

4. 集成理论方法成果，开展了系列山地生态遥感应用研究

高寒草地参数时空连续反演：提出了一种不依赖于实测数据支持的青藏高原草地生物量物理反演方法，借助GEE云计算平台，实现了大范围、实时、快速反演（图6，Xie et al. 2022, TGRS）。

高寒草地光合作用气候限制变迁：通过改进光能利用率模型（EC-LUE），实现了青藏高原总初级生产力（GPP）的长时序估算；结合因子分析方法，刻画了光合作用气候限制的时空动态：青藏高原东部光合作用主要受温度限制而西部主要受水分限制；在年际变化上，水分限制在逐渐增强（图7，Xie et al. 2023, STE）。

高寒草地物候遥感监测与驱动机制：提出了一种新型植被指数GRVI，有效解决了高寒草地结构与光合动态在秋季脱耦导致的物候提取难题（Li et al. 2023, AFM）。在此基础上阐明了青藏高原植被物候期与秋季衰落速度的时空动态及其生理生态机制（图8，Tang et al. 2023, EI）。

坡向小气候对山地植被影响的遥感探测：在复杂地形区域，不同坡向接收到的辐照度存在显著差异，由此形成的微气候使得在北半球的南坡比北坡更干燥、更温暖。因此，生长在不同坡向上的植被可能呈现出不同生长状态和过程，即坡向效应。课题组率先在全球尺度上研究了坡向效应，发现南北坡植被绿度差异与区域气候条件密切相关，在干热区域北坡植被绿度强于南坡；而在湿冷区域北坡绿度弱于南坡。但不管在何种气候区，北坡变绿趋势强于南坡，导致南北坡植被绿度差异在湿冷区域逐渐减弱，在干热区域则逐渐增强（图9，Yin et al. 2023, GRL）。南北坡植被绿度差异为研究气候如何调节植被生长提供了“自然实验室”，为预测山地生态系统未来趋势提供了新思路。

上述研究不仅为开展山地遥感应用提供了有效的理论与方法工具，还深化了对遥感中地形效应的认识：地形不仅影响遥感观测，还会影响遥感观测对象本身。相关研究受到国家万人计划青年拔尖人才项目、科技基础资源调查专项(SQ2022FY010032)、自然资源部青年科技人才项目和国家自然科学基金面上项目(41971282、42001303)等课题资助。

相关论文信息：

1. Yin, G., A. Li, S. Wu, W. Fan, Y. Zeng, K. Yan, B. Xu, J. Li & Q. Liu (2018) PLC: A simple and semi-physical topographic correction method for vegetation canopies based on path length correction. Remote Sensing of Environment, 215, 184-198. (中科院1区，IF=13.5)
2. Xie, J., G. Yin*, D. Ma, R. Chen, W. Zhao, Q. Xie, C. Wang, S. Lin & W. Yuan (2023) Climatic limitations on grassland photosynthesis over the Tibetan Plateau shifted from temperature to water. Science of The Total Environment, 906. (中科院1区，IF=9.8)
3. Yin, G., A. Li, W. Zhao, H. Jin, J. Bian & S. Wu (2017) Modeling Canopy Reflectance Over Sloping Terrain Based on Path Length Correction. IEEE Transactions on Geoscience and Remote Sensing, 55, 4597-4609. (中科院1区，IF=8.2)
4. Yin, G., B. Cao, J. Li, W. Fan, Y. Zeng, B. Xu & W. Zhao (2020) Path Length Correction for Improving Leaf Area Index Measurements Over Sloping Terrains: A Deep Analysis Through Computer Simulation. IEEE Transactions on Geoscience and Remote Sensing, 58, 4573-4589. (中科院1区，IF=8.2)
5. Yin, G., L. Ma, W. Zhao, Y. Zeng, B. Xu & S. Wu (2020) Topographic Correction for Landsat 8 OLI Vegetation Reflectances Through Path Length Correction: A Comparison Between Explicit and Implicit Methods. IEEE Transactions on Geoscience and Remote Sensing, 58, 8477-8489. (中科院1区，IF=8.2)
6. Chen, R., G. Yin*, W. Zhao, B. Xu, Y. Zeng, G. Liu & A. Verger (2022) TCNIRv: Topographically Corrected Near-Infrared Reflectance of Vegetation for Tracking Gross Primary Production Over Mountainous Areas. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-10. (中科院1区，IF=8.2)
7. Xie, J., C. Wang, D. Ma, R. Chen, Q. Xie, B. Xu, W. Zhao & G. Yin* (2022) Generating Spatiotemporally Continuous Grassland Aboveground Biomass on the Tibetan Plateau Through PROSAIL Model Inversion on Google Earth Engine. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-10. (中科院1区，IF=8.2)
8. Geng, J., J. Chen, L. Tu, G. Yin, H. Jin, J. Huang & J. Roujean (2023). Evaluation of Path Length Correction for Forest Canopies over Sloping Terrains: Theoretical Derivations and Computer Simulations. IEEE Transactions on Geoscience and Remote Sensing. (中科院1区，IF=8.2)
9. Chen, R., G. Yin*, G. Liu, Y. Yang, C. Wang, Q. Xie, W. Zhao & A. Verger (2023) Correction of illumination effects on seasonal divergent NIRv photosynthetic phenology. Agricultural and Forest Meteorology, 339. (中科院1区，IF=6.2)
10. Li, W., R. Chen, D. Ma, C. Wang, Y. Yang, C. Wang, H. Chen & G. Yin* (2023) Tracking autumn photosynthetic phenology on Tibetan plateau grassland with the green–red vegetation index. Agricultural and Forest Meteorology, 339. (中科院1区，IF=6.2)
11. Yin, G., J. Xie, D. Ma, Q. Xie, A. Verger, A. Descals, I. Filella & J. Peñuelas (2023) Aspect Matters: Unravelling Microclimate Impacts on Mountain Greenness and Greening. Geophysical Research Letters. (中科院1区，IF=5.2)
12. Chen, R., G. Yin*, W. Zhao, K. Yan, S. Wu, D. Hao & G. Liu (2023c) Topographic Correction of Optical Remote Sensing Images in Mountainous Areas: A systematic review. IEEE Geoscience and Remote Sensing Magazine, 2-22. (中科院2区，IF=14.6)
13. Tang, Y., R. Chen, J. Xie, D. Ma, C. Wang, C. Wang, Q. Xie & G. Yin* (2023) Spatiotemporal variations of leaf senescence velocity on the Tibetan Plateau grasslands. Ecological Indicators, 156. (中科院2区，IF=6.9)
14. Chen, R., G. Yin*, G. Liu, J. Li & A. Verger (2020) Evaluation and Normalization of Topographic Effects on Vegetation Indices. Remote Sensing, 12. (中科院2区，IF=5.0)
15. Yin, G., J. Li, B. Xu, Y. Zeng, S. Wu, K. Yan, A. Verger & G. Liu (2020) PLC-C: An Integrated Method for Sentinel-2 Topographic and Angular Normalization. IEEE Geoscience and Remote Sensing Letters, 18, 1446-1450. (中科院2区，IF=4.8)
16. Chen, Z., R. Chen, Y. Yang, H. Pan, Q. Xie, C. Wang, B. Xu & G. Yin* (2023) Decreased Sensitivity of Grassland Spring Phenology to Temperature on the Tibetan Plateau. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 4371-4382. (中科院3区，IF=5.5)
17. Chen, R., G. Yin*, B. Xu & G. Liu (2023) Topographic Effects on Optical Remote Sensing: Simulations by PLC Model. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 9977-9988. (中科院3区，IF=5.5)

植被总初级生产力(gross primary productivity, GPP)是表征陆地生态系统碳汇能力的重要生态学指标。山地作为全球地表的重要组成部分，准确估算山地生态系统植被GPP对于量化全球碳收支及监测陆地植被对全球变暖的响应至关重要。遥感植被指数(Vegetation Indices, VIs)越来越多地被用作植被GPP的直接代理。目前，在利用VIs估算山地植被GPP时，往往仅关注与遥感相关的地形效应，而与微气象相关的地形效应则被忽略。因此，本文提出了一种植被指数地形调整方案，在使用路径长度校正(Path Length Correction, PLC)消除与遥感相关的地形效应基础上，进一步结合与微气象相关(辐射和水分重分布)的地形效应，实现了对山地植被GPP更好的表征。

01 研究背景

在区域和全球尺度上估算植被GPP最实用的方法是探索其与遥感观测的直接关系。在过去几十年中，一些植被指数(VIs)已被确定为植被GPP的有效预测因子，如归一化植被指数(Normalized Difference Vegetation Index, NDVI)和增强型植被指数(Enhanced Vegetation Index, EVI)等。在山地生态系统，当通过VIs估算植被GPP时，需要重点考虑表面地形的影响。这种影响可以归纳为两个方面：1)表面地形对太阳-目标-传感器几何位置、冠层结构和双向分布函数等的影响(与遥感相关的地形效应)；2)表面地形可以决定微气象条件的空间梯度，从而对气孔导度、色素浓度和叶片物候等生理特征产生影响并影响植被的光合作用(与微气象相关的地形效应)。

对于与遥感相关的地形效应，已有多种地形校正方法被用于减弱其导致的植被指数不确定性。针对上述问题，我们之前的研究通过PLC校正发展了一种地形校正植被指数(Topographically Corrected Near-Infrared Reflectance of vegetation, TCNIRv)并证实其可以有效提高NIRv估算山地植被GPP的能力。基于TCNIRv的有效性，进一步考虑与微气象相关的地形效应可以更好的表征山地植被GPP。

本文的主要目标是在考虑与遥感相关的地形效应基础上，进一步结合与微气象相关的地形效应，发展一种地形调整植被指数方案，以更好的表征山地植被GPP。

02 数据与方法

通过高质量的Landsat影像，计算原始的植被指数(Original VIs, ORVIs)。随后使用PLC等四种地形校正方法获取地形校正植被指数(Topographically Corrected VIs, TCVIs)，将与站点GPP(Eddy-Covariance GPP，EC GPP)存在最高相关性的TCVIs作为本研究中的最佳地形校正方法。随后在最佳地形校正方法获取的TCVIs基础上，进一步耦合地形调整指数（考虑地形导致的辐射和水分的重新分配），从而获得地形调整植被指数(Topographically Adjusted VIs，TAVIs)。最终，在全球14个山地EC站点共获取了900余景Landsat影像，验证了TAVIs表征山地植被GPP的有效性(图1)。

03 结果

相对于其他地形校正方法，PLC校正后的植被指数可以更好的表征山地植被GPP(R² = 0.71, RMSE = 2.00gCm^-2day^-1，图2)。

在考虑与遥感相关的地形效应基础上，进一步考虑与微气象相关的地形效应可以显著的提高植被指数表征山地植被GPP的能力(图3)。同时，考虑与微气象相关的地形效应可以有效提高调高比率或归一化差值型VIs表征山地植被GPP的能力(如NDVI, 图4)。

04 结论

本文提出了一种适于表征山地植被GPP的植被指数地形调整方案。结果表明，该方案可以有效的提高植被指数表征山地植被GPP的能力。本研究强调，将地形引起的微气象重分布（辐射和水分）纳入当前的地形校正植被指数方案是提高其表征山地植被GPP的可行方法。