近日，课题组在高分辨率、时空连续植被参量反演领域取得新进展，构建了一种植被光合有效辐射吸收比(FAPAR)深度学习反演方法，并生成了中国区域高精度、高分辨率时空无缝FAPAR遥感数据产品。该研究成果已发表于遥感领域国际顶级期刊Remote Sensing of Environment。课题组张国东助理教授为第一作者，尹高飞教授为通讯作者。

FAPAR是衡量陆地生态系统固碳能力的关键指标。以往的中低分辨率FAPAR遥感产品虽然支持了全球植被动态研究，但难以刻画复杂地表的空间异质性，限制了局地精细尺度应用。该研究提出两步法解决了这一难题：首先，在晴空条件下，利用预先训练的随机森林回归模型从陆地卫星(Landsat)地表反射率观测中反演FAPAR；然后，应用带有注意力和优化机制的新型双向时间卷积网络(SSA-BiTCN-Attention)重建缺失的FAPAR值（图1）。研究结果表明，该方法能准确预测不同土地覆盖类型的缺失FAPAR值，均方根误差在0.08至0.12之间。通过与地面实测数据对比验证，估算的Landsat FAPAR与地面测量结果高度一致，决定系数(R²)值在0.82至0.92之间。应用该方法生成了中国地区2013至2023年间30米分辨率、16天间隔的无缺失FAPAR产品（图2）。

该研究得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划（2023YFF1303602)支持。

全球卫星遥感数据的协同应用对陆地生态系统动态监测至关重要，然而不同传感器间的光谱差异将导致下游应用出现系统性偏差。针对这一问题，课题组开发了一种基于机器学习的多波段约束反射率协调方法—HARMU，有效解决了Landsat 8（OLI）与Sentinel-2（MSI）之间的光谱不一致问题。研究结果表明，HARMU在提升数据一致性方面显著优于现有方法，为全球植被参数反演和时间序列分析提供了全新工具。该成果近期发表于遥感领域顶刊《IEEE Transactions on Geoscience and Remote Sensing》。

研究背景：

Landsat 8与Sentinel-2组成的虚拟星座虽能提供平均每2.9天的十米级观测数据，但两者的地表反射率产品存在显著差异。OLI与MSI的可见光与近红外波段虽部分重叠，但红边（MSI B5-B7）及宽近红外（MSI B8）等波段缺乏对应配置，且两者大气校正方法（LaSRC与Sen2Cor）导致蓝波段与短波红外波段存在系统性偏差。传统线性回归方法（如HLS产品）依赖静态系数，仅适用于光谱重叠波段，无法处理非重叠波段，并在面对复杂地表类型的时空异质性时表现有限。因此，亟需开发一种能够实现全波段光谱协调、兼具物理一致性与时空泛化能力的光谱协调方法。

研究方法：

本文提出的多波段反射率协调方法HARMU，基于机器学习算法挖掘不同传感器波段间的非线性关系。与传统的一一对应波段回归策略不同，HARMU使用源传感器的所有波段信息协同预测目标传感器的单个波段反射率，从而充分利用波段间的光谱关联性。具体而言，HARMU采用高斯过程回归构建Landsat 8 OLI与Sentinel-2 MSI反射率之间的非线性映射关系。HARMU模型在全球代表性站点BELMANIP2.1上进行了训练与交叉验证。使用Google Earth Engine获取2019-2021年期间OLI与MSI的原始影像，并筛选配对时间差不超过1天的高质量无云样本。最终获得共计9535个样本对（站点×日期），其中41%为同一日期，59%相差一天。

主要结果：

HARMU方法在跨传感器反射率协调中展现出显著优势。基于BELMANIP2.1站点2019–2021年数据的交叉验证结果（图1）表明，HARMU生成的Sentinel-2 MSI反射率（基于Landsat 8反射率）在所有波段上与对应的观测值高度一致，公共波段（如Red、NIR）R²均超过0.91，重建的红边波段（RE1、RE2、RE3）无明显系统偏差，充分证明了方法的高精度与稳定性。在GBOV独立验证站点，HARMU在多种植被类型下均表现稳定（图2），即使在样本较少的常绿针叶林（ENF）中，R²仍维持在0.81以上，显示出其对复杂地表的强适应性。在区域尺度上的应用显示（图3），HARMU协调后的多波段假彩色影像与原始Sentinel-2高度一致。红边和近红外波段的偏差在森林、湿地和农田等常见土地覆盖类型中整体控制在0.02–0.04以内，在植被密集区偏差趋近于零。这些结果表明，HARMU在站点和区域尺度均具备良好泛化能力和鲁棒性。

研究结论：

本研究提出的光谱协调方法具备全波段适用性，兼顾物理机制约束与时空推广能力，为Landsat-Sentinel虚拟星座的一体化数据融合提供了关键支撑。后续将进一步拓展其在水体、冰雪与城市等复杂地表类型中的适用性，并部署于Google Earth Engine平台，推动全球尺度的高效遥感数据处理与应用实现。

摘要

碳储存对生态系统的稳定至关重要。人类活动引起土地利用/土地覆盖(LULC)变化，对碳储量产生了重大影响。及时有效地评估LULC转化对碳储量的影响，对区域碳循环至关重要。本研究结合斑块生成土地利用模拟(PLUS)和生态系统服务与权衡综合评估(InVEST)模型，分析了川滇生态屏障区LULC变化对碳储量的潜在影响。研究发现从1995到2020年，川滇生态屏障区的碳储量总体呈增加趋势，增幅为0.396 Tg/yr；其中退耕还林是推动区域碳储量增加的主要原因，这凸显了生态工程对碳储量的积极作用。预测结果表明，加强生态保护可进一步提高碳固存潜力0.6633 Tg/yr，而优先农田保护将抑制生态系统的碳固存能力，使区域碳储量以每年0.3512 Tg的速度递减。这些发现加深了我们对生态工程在碳动态中作用的理解，并为未来生态管理和区域可持续发展提供了科学参考。

研究背景

碳储存是陆地生态系统调节全球碳循环和应对气候变化的核心功能。不同LULC类型的固碳能力差异显著，而人类活动驱动的LULC变化（如森林砍伐、城市扩张）会破坏植被和土壤碳库，导致生态退化与碳储量下降。中国作为全球碳排放的主要贡献者，近年来通过实施《国家生态环境建设规划》等生态工程（如退耕还林、天然林保护），在1990-2020年间有效缓解了城市化对碳储量的负面影响，但区域差异仍需深入评估。

川滇生态屏障区是中国第二大林区，其森林资源对水土保持、生物多样性维护及碳固存至关重要。而该区域长期受到农业扩张、城市化进程及生态工程实施的共同影响，导致土地利用类型发生显著变化，并进一步影响区域碳储量的时空演变特征。因此，我们通过分析川滇生态屏障区过去的LULC变化及其对碳储量的影响来验证生态工程对碳储量增加的积极作用。进一步结合多情景模拟方法，系统预测了未来不同策略下LULC的演变及其碳储量响应，旨在为评估生态工程的长期生态效益和实现生态保护与可持续发展的协同目标提供科学依据和实践指导。

方法

本研究选取1995-2020年为研究时段，该时期涵盖了我国生态工程（如退耕还林、土地恢复）实施的关键阶段。为系统评估生态工程对LULC的影响，我们以5年为间隔进行数据分析，既避免了短期波动干扰，又能反映工程的阶段性效果。首先，我们基于多期LULC数据，通过面积比例统计和转移矩阵分析量化了不同土地利用类型间的转化特征，从而揭示生态工程对土地利用转化的驱动作用。其次，整合历史LULC数据与碳密度数据，利用InVEST模型估算区域碳储量，并采用Theil-Sen中值法分析其时空演变趋势。随后，我们利用随机森林算法解析历史LULC变化与经济社会、气候环境等驱动因子的关联性，定量评估各因素对土地利用转换的贡献度；然后基于多类型随机斑块种子（CARS）的元胞自动机（CA）模型，模拟了不同情景下的未来土地利用格局。最后，将模拟的LULC数据纳入InVEST模型，以进一步评估碳储量的预测变化。该方法的详细流程图如图1所示。

主要结果

川滇生态屏障区森林覆盖率超过50%（图2），显著高于全国24.02%的平均水平，是区域内主要的碳库。森林面积从1995年的127,744 km²增加到2020年的133,934 km²，其中农田和草地转为森林的面积分别占扩张面积的54.59%和45.16%。这归功于20世纪90年代末启动的退耕还林等生态工程项目的推动。同时，城市化进程对土地利用格局也产生了深远影响，其中89.71%的建设用地来源于农田，转化面积为1,705.53 km²。从碳储量的变化趋势看，碳储量变化趋势呈现显著的空间异质性（图3），碳储量下降区域与城市扩张地区密切相关，碳储量增加区域和森林扩张的区域几乎重合。而该区域的碳储量总体以0.396 Tg/yr的速度增加（图4），这表明森林的扩张抵消了城市增长造成的碳损失。

预测结果表明（图5），自然情景（S1）和生态保护情景（S2）的碳储量均呈增加趋势，其中S2的碳储量增幅明显高于S1（0.6633 Tg/yr vs. 0.1164 Tg/yr）。与S1和32相比，农田保护情景（S3）下的碳储量显著下降，以每年0.3512 Tg的速度减少。加强生态保护往往以牺牲部分农田为代价来有效提升碳储存能力（图6），但对粮食安全构成了潜在风险。而优先保护农田会抑制森林和城市对农田的占用，但同时会降低生态系统的碳固存潜力。我们发现实现生态系统健康与粮食安全之间的平衡，特别是了解森林、草原和农田之间转换的动态变得至关重要。

摘要

坡向通过调节地表与大气之间的水热交换，塑造小气候，从而调控植被生长及其对背景气候变化的响应。在先前关于青藏高原南坡与北坡间草地绿度差异的研究基础上，课题组进一步揭示了东坡和西坡之间植被的绿度差异。我们发现在干旱的青藏高原西部，西坡的草地绿度高于东坡，而在湿润的东部则恰好相反。此外，从1991到2020年，西坡的绿化趋势强于东坡。该差异源于两种对比鲜明的坡向小气候：在相似的背景气候条件下，由于日间对流天气引发的降水多发生在下午，西坡通常比东坡更潮湿且更寒冷。本研究进一步深化了对坡向引起的小气候如何调控植被动态的理解。相关成果发表于地学领域顶刊Geophysical Research Letters。

研究背景

作为陆地生态系统的重要组成部分，植被不仅是大气与地表进行碳、水和能量交换的桥梁，还是全球最大的碳汇。卫星观测资料表明，宏观尺度的变暖缓解了温度限制，进而促进了全球植被变绿，特别是在寒冷地区。然而，受气流、太阳辐射等因素与地形的相互作用影响，植被所处的小气候条件往往与宏观气候不同。地形小气候对植被生长的影响更为显著，并调节植被对背景气候变化的响应。

青藏高原被誉为世界的“第三极”，其地形复杂，气候寒冷、干旱，并对全球变化极为敏感。坡向通过改变地气间热量交换和空气对流，塑造局部小气候，从而显著影响青藏高原植被的空间和时间异质性。我们之前的研究揭示了由接收太阳辐射差异诱导的坡向小气候所驱动的青藏高原阴坡与阳坡之间绿度及变绿速率的显著差异。除此之外，青藏高原的日对流循环促使降水多发生在下午，加之太阳辐射的日变化，也可能导致东坡与西坡之间的小气候差异。具体而言，东坡由于受早晨阳光照射，表面迅速升温，促进了蒸散作用导致显著的水分流失；而西坡则主要暴露于下午的太阳辐射，并受到午后降水所形成的云层影响，有助于减少水分流失并缓解地表升温。水热之间的这种权衡使得西坡通常比东坡更潮湿、更寒冷。因此，我们假设在温暖干旱地区，西坡的植被绿度可能高于东坡，而在寒冷湿润地区则可能恰好相反。为验证这一假设，本研究使用绿度非对称指数(GAI，定义为给定空间窗口内西坡和东坡的平均归一化植被指数(NDVI)之间的比值)，探讨了青藏高原东坡与西坡之间的绿度差异及其年际变化规律。

主要结果

在空间分布上(图1)，63.38%青藏高原草地GAI>1(西坡绿度强于东坡)，主要分布在青藏高原西部和东北部；相比之下，GAI<1.0(东坡强于西坡)的区域较少(36.62%)，主要分布在东部和中部。GAI的空间格局由温度和降水量共同决定的，在温暖和干燥的地区，西坡草地绿度大于东坡，而在寒冷和潮湿的地区则相反。

整个青藏高原草地的平均GAI以0.00067 y⁻¹(p<0.01)的速度显著增加(图2)，但存在明显的空间异质性(图3(a, b))：65.07%的草地GAI有所增加，其中15.96%的区域GAI显著增加(p<0.01)，主要分布在青藏高原东南部和西部；相反，34.93%的草地GAI有所下降，其中仅4.85%的区域GAI显著下降(p<0.01)，主要分布在东北部和中部。GAI年际变化的空间格局与温度和降水的年际变化有关图3(c, d, e)。在降水显著增加地区，GAI呈下降趋势，而在降水减少、气温显著上升的区域，GAI逐年增大，表明更加温暖干旱的条件可能加剧东、西坡绿度差异，从而促使GAI增大。

全球植被生产力的波动与气候变化密切相关，但气候变化将如何调节植被生产力受气候限制的强度尚不明确。课题组基于Shapley加性可解释(SHAP)机器学习方法，系统追踪了1982至2018年期间全球植被生产力气候限制的时空演变规律。研究结果显示，在温带、寒带和极地地区，温度主要限制生长季早期的植被生产力，温度和辐射共同限制生长高峰期和后期的植被生产力。相比之下，水分和辐射分别主要限制干旱和赤道地区的生产力。此外，研究结果揭示，全球范围内温度限制普遍缓解，而水分限制普遍增强。本研究强调，在理解温暖气候下区域和全球碳动态时，必须更加明确地考虑水分限制的影响。该研究成果近期发表于国际知名期刊JGR-Biogeoscience。

研究背景：

陆地植被生产力作为量化陆地生态系统光合作用碳吸收的基本变量，受温度、太阳辐射、水分可用性和大气CO₂浓度等多种水文气象参数的共同调控。近年来，全球变化显著，已对植被生产力产生重要影响。因此，理解气候变化对植被生产力的影响对于准确预测区域和全球碳循环至关重要。然而，由于植物对环境变化的适应，气候对植被生产力的影响在空间和时间上具有异质性。此外，研究表明，气候变化通过改变水热条件对陆地植被产生了双重影响：变暖通过缓解温度限制、延长生长季节和促进光合作用，增强了北方和北极地区的植被生产力；而在干旱区，气温升高可能加剧水分压力，反而降低植被生产力。广泛的变暖及由湿变干的趋势，重新塑造了植被生产力的气候限制格局，凸显了研究这些限制因素动态变化的必要性。

尽管气候对植被生产力限制的影响已有广泛记录，但由于涉及不同时间尺度、区域和多种因素，分析通常变得复杂。因此，开展全面研究，描述跨季节和区域的植被生产力气候限制及其时间演变，并同时考虑多种气候因素，显得尤为重要。然而，目前尚缺乏系统性研究来解决这一问题。

SHAP是一种基于博弈论的更为稳健、理论基础更强的可解释机器学习方法。SHAP不仅提供一致且数学上精确的特征重要性度量，还能够考虑变量间的相互作用，尤其擅长捕捉复杂非线性关系。因此，SHAP已广泛应用于分类和表面参数反演中的预测因子影响解释，并为生态系统动态提供局部解释。基于长期时间序列GPP数据，我们采用SHAP方法分析了植被生产力气候限制的时空演变规律。

研究方法：

GPP-XGB 模型构建：XGBoost是一种基于迭代树的集成学习算法，包含多个通过纠正前一个树错误进行训练的决策树。该算法采用贪心算法进行特征选择，每次仅涉及一个新特征，从而使模型对共线性不敏感，能够有效捕捉变量间的交互作用并避免过拟合，被广泛应用于生态系统动态的预测和分析。本研究首先提取了1982-2018年期间BELMANIP2站点的ERA5、CO₂浓度和GLASS GPP的月尺度数据。随后，随机选取75%的数据用于训练XGBoost模型，构建GPP-XGB模型，并使用剩余25%的数据进行验证，通过均值误差(ME)、均方根误差(RMSE)和决定系数(R²)评估模型性能。

SHAP可解释机器学习：SHAP通过将模型预测值分解为先验期望和每个输入特征对模型输出的平均边际效应(SHAP值)，量化了机器学习模型中输入和输出变量之间的相关性。对于基于树的机器学习模型，TreeExplainer-based SHAP进一步将SHAP值分解为主效应(SHAP主值，不考虑其他输入变量的交互作用)和变量间的交互效应(SHAP交互值)。XGB-SHAP框架采用这一方法来解释XGBoost模型的预测，已成功应用于全球变化下生态系统植被响应的局部解释。本研究使用XGB-SHAP对构建的GPP-XGB模型进行解释以分离各气候因子对GPP的影响(以SHAP值量化)。SHAP值的单位为g C/m²/d，与GPP的单位一致，表示输入气候变量对预测GPP的贡献。负的SHAP值表示输入变量降低了预测GPP，正值则表示输入变量增加了预测GPP。此外，SHAP值绝对值的平均数可作为给定变量的特征重要性。

分析：使用基于XGB-SHAP的方法，获得了1982年至2018年期间每个气候变量的SHAP值。为了探讨温度、辐射和水分对植被生产力的限制作用，将VPD、SM和PRE归类为水分相关变量。通过分析最小SHAP值对应的变量，确定了温度、辐射和水分中哪个因素是限制植被生产力的主要因素。同时，采用Theil-Sen斜率和Mann-Kendall显著性检验评估SHAP值的趋势，以解释气候限制因素的时间演变。负趋势表明该因素对植被生产力的限制在加强，而正趋势则表明有所缓解。

主要结果：

在全局尺度(图1)，温度是限制植被生产力的主要气候因子，其次是水分和辐射。在局部尺度(图2)，植被生产力的主要气候限制因子具有显著的空间异质性和季节差异：在高纬度和极地地区(如青藏高原和北极苔原)，温度是植被生产力的主要限制因素；相比之下，在干旱区(如非洲南部和澳大利亚)，水分是植被生产力的主要限制因素；而在赤道地区(如亚马逊森林和东南亚)，辐射是植被生产力的主要限制因素。从季节变化来看，温度限制在生长季节的开始和结束时最为显著，影响面积超过总面积的50%；而从5月起，温度限制逐渐减弱，而辐射和水分限制则逐渐增强，面积占比分别在7月和8月达到峰值。

全球大部分地区，尤其是北方地区，植被生产力的温度限制呈现缓解趋势(温度SHAP表现为正趋势)；相反，水分限制在全球范围内呈普遍加剧趋势(水分SHAP表现为负趋势)，尤其在中非和欧洲地区(图3、4)，表明水分对植被生长的重要性正在增强。此外，研究揭示南北半球植被生产力主要受温度限制的区域面积占比均呈现显著减少趋势，其中北半球在6月的减少最为显著，速率为每年2.2‰，而南半球在7月的减少最为显著，速率为每年1.2‰；相反，受水分主要限制的区域面积占比均呈显著增加趋势，其中北半球在6月最明显，速率为每年2.8‰，而南半球在9月最明显，速率为每年3.3‰(图5)。

摘要

准确的高山植被物候遥感产品是维持生态平衡、正确反映地表能量平衡以及冰冻圈稳定的基础性数据。然而，目前常用于提取物候的遥感数据空间分辨率多样，基于不同空间尺度提取的物候可能存在尺度效应，但该问题目前并未受到广泛关注。本研究利用10m分辨率Sentinel-2，500m以及5600m分辨率 MODIS（Moderate Resolution Imaging Spectroradiometer）遥感数据，使用NDGI（Normalized Difference Greenness Index）植被指数，基于GEE（Google earth engine）云平台提取了2022年青藏高原地区相应空间分辨率的物候产品，探讨了不同空间分辨率物候差异，定量分析了物候产品的空间尺度效应，并阐明了其随地形复杂度的变化。研究发现，高分辨率遥感产品（10m）更能清楚地反映精细物候的变化。另外，使用不同空间分辨率遥感产品探测草地物候时，尺度效应普遍存在，其中，较粗空间分辨率春季物候存在滞后现象，且秋季物候的尺度效应小于春季物候。不同空间分辨率差异形成的尺度效应对地形变化的敏感度不同，总体上，物候的尺度效应随着地形复杂度的增加而增加。

背景

青藏高原具有集中且丰富的生物气候垂直带谱，在生物多样性，调节区域气候和涵养水源等方面扮演着重要的角色。植被的存在改变了局地气候，为青藏高原区域提供了丰富的生境和栖息地，是维持该生态系统中生物多样性不可或缺的重要存在，监测青藏高原植被物候可以及时发现和评估潜在的自然灾害风险，反馈冰冻圈的稳定性，保护青藏高原生态系统的多样性。然而，目前用于监测植被动态遥感产品的空间分辨率范围从米级到公里级不等，通常基于不同尺度遥感产品探测到的植被动态可能存在差异，以前的研究已充分地证明了这一点。但是目前为止，使用不同空间尺度数据进行物候提取时是否存在空间尺度效应尚不明确，这可能会造成使用单一空间分辨率遥感产品进行物候提取时得出的结论不够准确。因此，准确认识物候提取中的空间尺度效应至关重要。鉴于归一化差分绿度指数（Normalized Difference Greenness Index，NDGI）在提取植被物候时精度较高，本研究分别利用10m Sentinel-2、500m MOD09A.061以及5600m MOD09CMG.061遥感数据计算NDGI指数，并根据NDGI的时间序列提取青藏高原的草地物候，分析了不同空间尺度的物候差异，并在该结果的基础上计算了物候的空间尺度效应。另外，为了解青藏高原区域植被物候空间尺度效应的分布特征，探讨了空间尺度效应随地形的变化情况。

主要结果

由图1， 虽然不同空间尺度NDGI的空间分布特征相同，但春秋季物候SOS值本身的大小存在较大差异，尤其是公里级遥感产品（5600m）MOD09CMG.061提取的春季物候相较10m和500m春季物候较晚。这可能是因为粗空间分辨率像元涵盖的空间范围较大，而物候可能发生在较小的区域内，这一精细变化在聚合到粗空间分辨率时会被平均，因此，粗空间分辨率不能及时探测到物候的变化。随着时间的推迟，当变绿更加明显时，粗空间分辨率像元才会将此时植被绿度的变化认别为生长季的开始。对比不同空间分辨率EOS值的分布情况，发现公里级和百米级遥感产品秋季物候值的分布非常相似，即公里级空间分辨率遥感产品（5600m）探测到EOS的滞后现象不明显，这可能归因于以下两方面：（1）在植被绿度下降阶段，草地叶子的凋落和颜色变化较为明显，在粗空间分辨率上也能捕捉到；（2）秋季青藏高原较为干旱，云量较少，遥感影像的时间序列较为完整。

由图2，使用不同空间分辨率遥感产品进行物候提取时尺度效应普遍存在。其中，500m和10m的尺度误差在青藏高原大部分区域分布较为均匀，但在青藏高原西南部区域，尺度误差较大。由图2b和图2c，5600m与10m以及5600m与500m的尺度误差在空间上分布具有相似性，这主要是因为10m和500m遥感产品提取的SOS差异较小的缘故。

对比不同空间分辨率尺度误差值的分布情况（图3），发现500m和10m SOS尺度误差最小，约75%的区域尺度误差小于等于12d，当空间分辨率差异为5600m和10m以及5600m和500m时，约50%的尺度误差位于[0d, 12d]的区间范围内。这一现象可能表明了空间尺度越接近，春季物候的空间尺度就越小。基于不同空间分辨率EOS的尺度误差在青藏高原中南部区域最大，其他大部分区域尺度误差较小。三种空间分辨率差异引起的尺度误差均有超过75%的区域小于12d，因此，与SOS相比，EOS物候的空间尺度效应较小。

由图4，由不同空间尺度差异引起的尺度误差随CV增大显著增加，其中5600m与500m空间分辨率SOS的尺度误差对CV敏感性较小，CV每增加0.1，SOS的尺度误差增加0.34d。5600m与10m SOS的尺度误差对CV变化最敏感，CV每增加0.1，SOS的尺度误差便增加0.74d。同SOS尺度误差随CV的变化一致，5600m与500m空间尺度差异引起的EOS尺度误差对CV的敏感性最弱，CV每增加0.1，尺度误差则增加0.49d。500m与10m EOS的尺度误差对地形最敏感，CV每增加0.1，物候偏差增加0.78d。尺度效应随地形复杂度增大而增大的原因是复杂的地形形成了多种微气候环境，使得植被生长环境各异，导致不同区域植被物候差异较大，这种差异能够在精细尺度的遥感产品中表现出来，但是当遥感产品分辨率较低时，这种变化就会在聚合的过程中被平均。当地形较为平坦，即地形复杂度较小时，植被异质性较小，基于不同空间尺度得到的物候较为相近，因此，这种情况下物候尺度效应较小。

摘要

已有研究表明南北坡小气候差异会导致植被绿度不同，但是对于不同坡向小气候是否会影响植被物候尚无定论。为回答这一问题，本研究基于2019-2022年哨兵2（Sentinel-2）数据提取了三江源区域的草地物候，并计算了每个3×3km²格网内的南北坡物候差异。研究发现，在寒冷且潮湿的区域，南坡的春季物候（SOS）明显早于北坡，但在干旱区域，北坡的SOS发生的更早。与春季物候相比，南坡秋季物候（EOS）统一结束地较晚，这主要是因为秋季植被生长受辐射限制的缘故。该研究首次探究了三江源区域南北坡植被的物候差异，为理解植被物候随地形的变化提供了重要参考。

研究背景

植被物候变化对陆地生态系统的碳循环有重要影响。以往的研究表明，温度、降水和辐射是影响植被物候的主要气候因素，在高纬度地区，温度主导物候变化，而在干旱/半干旱地区，降水调节了物候对温度的依赖性。此外，辐射控制秋季植被的光合作用。但是，气候因子对物候的影响是否会受地形调节尚不明确。实际上，北坡和南坡的辐射差异高达30％，导致南北坡向气候存在明显差异，如南坡较为干燥和温暖，而北坡相对较冷且湿润。不同坡向的微气候不同可能会导致物候差异，比如，在较为干旱的区域，温度较高的南坡植被可能会在早春季节面临干旱风险，因此，南坡春季物候可能开始地会比较晚。而在秋季，辐射是限制植被生长的主要气候因子，接收辐射较强的南坡植被生长季可能结束地更迟。但是，以上猜想并未经过验证。基于此，本研究利用哨兵2遥感数据提取了三江源区域2019-2022年间空间分辨率为10m的草地物候，接着计算了每个3×3km²格网内的南北坡物候差异，讨论了其在气候空间中的分布，并尝试解释其背后的潜在机制。

主要结果

南坡SOS较早的区域占了46.4%，主要位于三江源东南部，北坡SOS较早区域占总区域的53.6%，位于三江源东南部。相比之下，70%以上区域南坡秋季物候结束地更迟，尤其是在东南部区域，物候差异高达10天左右。以上现象表明，三江源东南部区域的气候条件可能更适合草地生长。

南北坡物候差异受降水和温度的共同影响。在降水相对较高且温度较低的区域，南坡SOS通常比北坡早，而在大多数温度较高的区域，北坡的SOS略早于南坡。对于秋季物候而言，在低温和高降水区域，南坡的EOS明显晚于北坡，但在降水量较小的区域，北坡的EOS略晚于南坡。

分析ΔSOS和ΔEOS随气候变化的情况，发现在特定温度阈值内，随着降水增加，ΔSOS的方向发生了变化，特别是在温度适中的地区。同样，在某一降水区间内，温度的升高导致ΔSOS由正转为负。虽然ΔEOS方向的变化没有ΔSOS明显，但当一个变量固定而另一个变量变化时，ΔEOS值会发生显著变化。以空间代时间，物候差异在气候空间中的分布可以推测未来不同气候条件下南北坡向物候差异的变化方向。

摘要

遥感监测秋季物候具有较大的不确定性，从不同的卫星代理参数中提取的秋季物候观测结果相较于春季物候差异更大。本文比较了太阳诱导叶绿素荧光(SIF)、叶绿素类胡萝卜素指数(CCI)、增强植被指数(EVI)和归一化植被指数(NDVI)对落叶林秋季物候提取特征的差异。研究发现，基于不同卫星代理参数提取的秋季物候遵循了一个特定的时间表：SIF < CCI < EVI < NDVI。结合地面物候观测结果，我们进一步发现SIF、CCI、EVI和NDVI可以分别表征光合活性的衰减、叶绿素降解、叶片变色和叶片脱落的衰落过程。基于这些卫星代理参数中提取的秋季物候对气候因子响应的敏感性也具有一致的时间排序，其中SIF对秋季太阳辐射的偏相关系数最高，其次是CCI、EVI和NDVI，而NDVI与温度更相关，其次是EVI、CCI和SIF。

主要结果

基于SIF提取的秋季物候与基于GPP的秋季物候最匹配，其次是基于CCI、基于EVI和基于NDVI提取的秋季物候（图1 a）。然而，从CCI和EVI提取的秋季物候比从SIF和NDVI提取的秋季物候更接近叶变色（t检验均无显著差异）（图1 b）。相较于叶变色的时间，NDVI提取的秋季物候具有推迟趋势，而SIF则具有提前趋势。相反，基于NDVI提取的秋季物候与落叶时间最匹配，其次是基于EVI、基于CCI和基于SIF提取的秋季物候（图1 c）。

如表1所示，SIF提取的秋季物候与基于GPP的秋季物候关系密切，R²最高（0.331），ME（-1.36天）、MAE（6.98天）和RMSE（9.32天）最小。基于EVI的秋季物候与叶变色最相关（R²=0.257），而ME最低（1.07天）。基于CCI的秋季物候也接近叶变色，ME稍低（-2.41天），MAE（13.36）和RMSE（16.19）与基于EVI的秋季物候相似。NDVI提取的秋季物候滞后叶变色的时间约16天，MAE（19.85）和RMSE（24.06）高于EVI，但它最接近落叶的时间（ME=-2.93天，MAE=8.93天，RMSE=10.17）。

Field observations	Statistics	SIF-based EOS	CCI-based EOS	EVI-based EOS	NDVI-based EOS
GPP-based EOS	ME (days)	-1.36	13.13	17.32	25.79
	MAE (days)	6.98	13.42	17.35	25.79
	RMSE (days)	9.32	16.81	20.56	28.26
	R²	0.331	0.263	0.199	0.250
Colored leaves	ME (days)	-19.30	-2.41	1.07	16.37
	MAE (days)	20.11	13.36	12.70	19.58
	RMSE (days)	25.15	16.19	15.80	24.06
	R²	0.216	0.220	0.257	0.155
Falling leaves	ME (days)	-28.96	-12.94	-9.45	3.66
	MAE (days)	30.02	17.10	16.27	11.30
	RMSE (days)	33.59	19.84	19.32	15.44
	R²	0.077	0.248	0.131	0.277

研究发现，落叶林的生理状态和结构信息在秋季出现了解耦现象，这与秋季的太阳辐射和温度变化不同步有关（图2）。SIF与太阳辐射的偏相关系数高于CCI、EVI和NDVI，略低于GPP与太阳辐射的偏相关系数。相反，NDVI与温度的偏相关系数最高，其次是EVI、CCI和SIF。

主要结论

研究发现，落叶林叶片衰老是一个循序渐进的过程，从不同卫星植被参数中提取的秋季物候也具有一定的时间顺序，它遵循了一个特定的时间表，即SIF < CCI < EVI < NDVI，它们分别对应了光合活性的衰减、叶绿素的降解、叶片变色和叶片脱落。秋季物候和气候因子之间的偏相关分析进一步支持了该时间顺序表。本研究强调了不同卫星代理提取秋季物候的差异以及它们与地面观测物候过程之间的关系，增进了我们对陆地表面物候的解译及其对气候因子响应的理解。研究建议应谨慎考虑不同卫星代理参数的含义，以正确解译秋季物候，促进遥感秋季物候在不同使用场景中的应用和推广。

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。