北半球高纬度生态系统的光合作用正在逼近气候变暖正向效益的临界点

摘要

陆地植物通过光合作用吸收大气中的二氧化碳是减缓气候变化的主要机制。植物光合作用在北半球高纬度地区受到低温的强烈限制。气候变暖减缓了温度限制，诱导了光合作用的增加。最近的研究表明，随着持续变暖，光合作用对温度的敏感性下降。然而，潜在的机制仍不清楚。本研究使用重建的日光诱导荧光数据（CSIF）分析了高纬度地区光合作用对温度的时空响应。研究证实了过去20年间光合作用的温度敏感性普遍下降（2000-2009和2010-2019分别为3.25%/°C和2.19%/°C），正向温度敏感性（升温引起生产力增加的幅度）在衰减甚至逆转，而光合作用对温度的非线性响应是主因。本研究表明北半球高纬度生态系统光合作用正在逼近气候变暖正向效益的临界点。

TCNIRv：一种可同时抑制背景与地形影响的植被功能代理指数

植被近红外反射率植被指数(near-infrared reflectance of vegetation，NIRv)是总初级生产力(gross primary production，GPP)的有效代理。然而，受背景和地形影响，NIRv还很难应用于高山稀疏植被。本文基于路径长度地形校正方法(path length correction，PLC)，提出一种抗地形和背景影响的新型植被指数TCNIRv。该指数可以有效缓解地形对NIRv的影响，并且可以很好地刻画山区GPP动态。作为山区GPP的有效代理，TCNIRv将有助于复杂地形山区的植被监测。

01 研究背景

陆地总初级生产力GPP是研究碳循环和气候变化的关键参数，被定义为植被通过光合作用实现的总体固碳量。山区在地球表面占据较高的比例，在复杂的地球系统中起着重要的作用。因此，准确估算山区GPP对了解陆地生态系统和全球碳平衡具有重要意义。

在过去的几十年里，人们提出了各种卫星数据驱动的模型来估算GPP。主要分为两类:(1)生态系统机理模型和(2)经验统计模型。生态系统机理模型主要包括基于过程的模型和光利用率模型。但是，这些模型都需要气象数据作为输入，而气象站分布稀少的山区往往难以获取这些数据。在这种情况下，基于实测的GPP与植被指数(VIs)之间的经验关系的统计模型为估算山区的GPP提供了一种替代方法。

选择合适的VI是基于统计模型估算GPP的前提。在现有的VI中，归一化植被指数NDVI是应用最广泛的。然而，大气条件、土壤背景和饱和效应等因素会强烈影响其值，进而限制其应用。近几年发展的植被近红外反射率植被指数NIRv，代表像素中植被部分的近红外反射率，被证明是GPP的稳健代理。NIRv对背景和高植被区不敏感，但对地形效应非常敏感。

在山区，地形改变了局部地表的光照条件、冠层结构、和太阳-目标-传感器几何结构，显著影响冠层双向反射率分布函数特征。NDVI通过归一化差分方式来调节地形效应。相反，NIRv和NIRv衍生的植被生物物理和生化参数估计具有相当大的不确定性。然而，就我们所知，山区NIRv-GPP关系还没有得到系统的评价。因此，进一步评估地形对NIRv的影响，对GPP的准确估算至关重要。

近几十年来，人们提出了一系列地形校正方法，如C、SE、SCS和SCS+C校正方法。这些方法一般依赖遥感观测与地形因子回归获得的经验参数。因此，尽管它们对单幅影像表现出色，但由于经验参数在时间和空间上的特殊性，在时间序列和空间拼接应用中出现不一致。路径长度校正PLC是一种基于对辐射传递模型简化的地形校正方法。该算法的原理是，地形会在冠层上/下坡方向拉伸/压缩光子在冠层内的传播距离(路径长度)，通过补偿光子路径长度畸变来缓解地形效应。PLC地形校正方法为山区植被长期、大规模监测提供了一种新的机会。

基于此，本文的主要目的是提出一种地形不敏感的NIRv来更好地刻画山区GPP的季相变化。

02 数据与方法

NIRv仅代表植被分量的近红外波段反射率，它被定义为：

式中，NIR和R分别表示为近红外和红光波段反射率。

根据PLC地形校正方法，斜坡表面的反射率ρ₀通过乘以地形归一化转换因子P可以转换为其水平等效的反射率ρ_PLC：

式中，Ω₁和Ω₂分别为太阳和观测方向；S和S_t分别为水平表面和倾斜表面上的路径长度，可以简单的计算为：

式中，θ和φ分别为太阳或观测方向的天顶和方位角。α和β分别为斜坡表面的坡度和坡向。

NIRv仅代表植被部分的近红外反射率，消除了背景对像元尺度反射率的影响。PLC假设传感器采集到的辐亮度仅来自植被，忽略了土壤背景的影响。NIRv和PLC中反射率的物理意义是相同的，这使得它们之间的直接结合成为可能。因此，我们提出以下简单但物理上稳健的地形校正NIRv (TCNIRv)：

我们假设一个良好的VI，适合在山区刻画GPP，应独立于地形并与GPP强相关。因此，本文从缓解地形效应和刻画山地GPP动态两方面对TCNIRv进行了评价。

03 结果

分析发现，NIRv不管在时间上还是空间上都受地形效应的强烈影响。TCNIRv在缓解地形效应方面与被认为对地形不敏感的NDVI和GNDVI相当。仔细观察发现TCNIRv在时间上和空间上的稳定性略高于NDVI和GNDVI(图1)。

与基于通量的GPP直接比较的验证结果不仅受地形效应尺度相关性的影响，还受通量足迹的空间代表性的影响。分析发现，NDVI、GNDVI和NIRv与实测GPP之间的R²(RMSE)随通量足迹空间代表性的增大而增大(减小)。相比之下, TCNIRv在各空间代表性中相对稳定，R²最高(~ 0.9)，RMSE最低(~ 1.5gCm⁻²d⁻¹)。所有植被指数在千米尺度上，特别对于NIRv而言，由于地形效应得到缓解，与GPP都具有较好的一致性(图2)。

04 结论

地形校正的NIRv(即TCNIRv)被证明是山区GPP的稳健代理。TCNIRv具有坚实的物理基础，无需经验参数，形式简单，是一种监测植被时空一致的有用工具。后续将结合实测数据开展TCNIRv在光合物候提取方面的性能。

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。

红-绿光宽波段归一化植被指数可以有效追踪植物光合物候

叶绿素-类胡萝卜素比值指数(CCI)是目前常用的追踪植物光合物候的遥感指数，由于需要对叶黄素循环敏感的窄波段(531nm)支持，而只有MODIS等极少数传感器配置了该波段，这大大限制了它的实用性。

本文发现，MODIS的第11波段(531nm,窄波段)和4波段(宽波段绿光)实际是等效的，因此对于遥感观测，基于宽波段绿光和红光计算的归一化植被指数是CCI的等效物。由于绿光在大多数光学传感器上都有配置，这一发现将大大提高光合物候追踪能力。

01 研究背景

准确刻画总初级生产力的季相变化规律(光合物候)是理解植被对气候变化的响应、提高碳估算精度的前提。已有植被指数(如NDVI、EVI)大都表征冠层结构特征，代表了植被的潜在最大生产力，而非环境胁迫情况下的实际生产力，这将引起对光合物候生长季长度的高估。

叶绿素-类胡萝卜素比值指数(CCI)是光化学指数(PRI)在季相尺度上的等效物。由于两色素比值是叶片光合速率的有效代理，因此CCI可追踪植物的光合物候。然而，CCI的计算需要对叶黄素循环敏感的531nm处窄波段的支持，而目前只有MODIS等极少数的在轨卫星配置了该波段(MODIS 11波段)，这严重制约了CCI的实用性。

由于531nm窄波段反射率受大气影响较大，很多报道指出对MODIS 11波段进行大气校正反而不利于对光合物候的刻画，这启发我们做出以下假设：MODIS 11波段可能与MODIS 4波段等效，即经过大气校正后MODIS 11波段可能未能完全捕捉到叶黄素循环过程。

若该假设成立，则证明MODIS CCI在刻画光合物候上的良好表现，是由于引入了绿波段，而非传统认为的叶黄素循环窄波段。由于绿色宽波段在大多光学传感器上都有配置，该发现将大大提高对光合物候的追踪能力。

02 研究思路与实验方法

首先比较了经过严密大气校正后的MCD19A1产品的第4波段和第11波段反射率，然后据此分别计算了CCI和GRVI指数，即

CCI = (B11-B1)/ (B11+B1)

GRVI = (B4-B1)/ (B4+B1)

式中，B1，B4和B11分别表示MODIS的第1、4和11波段。GRVI可以视为CCI的宽波段等效物。

以FLUXNET-2015数据记录的实测GPP为基准，比较了CCI、GRVI、NDVI、EVI和日光诱导叶绿素荧光(SIF)提取光合物候生长季起点和终点的表现。

03 重要数据结果

分析发现，MODIS的第4和第11波段显著相关(R2 = 0.98,p<0.001)；GRVI与CCI也表现出显著相关性(R2=0.97,p<0.001)(图1)。该结果证明了前述假设：对于卫星观测，标称对叶黄素敏感的窄波段(531nm)实际上等效于宽波段绿光，因此GRVI是CCI的卫星尺度等效物。

在春季，植被结构与生理的生长相对同步，这造成实际和潜在GPP相对一致，因此不同指标提取的生长季起点差异并不明显。然而，在秋季植被光合作用受环境(尤其是辐射)胁迫强，造成植被结构与生理时间变化的脱耦，生理比结构指标先衰落。因此，追踪植被结构的指标如NDVI、EVI等会造成植物光合物候终点的晚估。GRVI与CCI表现类似，两者都大大缓解了该晚估现象(图2)。

04 研究结论

MODIS 11波段等效于4波段、GRVI等效于CCI，即由卫星遥感观测计算CCI时，可以由宽波段绿光代替531nm窄波段。由于绿光波段在目前光学传感器中普遍存在，这一发现将大大提高对植物光合物候的刻画能力。后续将开展地面实验，并联合无人机升尺度获得叶黄素-类胡萝卜素比值的真值图，验证卫星尺度CCI、GRVI对该比值的刻画能力。