叶面积指数(LAI)是表征植被冠层结构与能量吸收能力的关键生物物理参数，在生态系统模型、农业监测和气候变化研究中发挥着不可替代的作用。MODIS LAI产品因其理论基础扎实、时间覆盖完整而被广泛应用，然而其产品存在大量噪声，极大地制约了其应用价值。针对这一问题，提出了一种三步时空约束填充方法(TSCGF)，实现了高质量无缝MODIS LAI产品的实时生成。该成果近期发表于遥感领域权威期刊International Journal of Applied Earth Observation and Geoinformation。

研究背景

全球气候变化背景下，陆地生态系统动态的精准监测需求日益迫切。叶面积指数(LAI)作为控制光合作用、蒸腾过程及植被与大气能量交换的核心生物物理变量，是理解植被-气候相互作用与生态系统响应的关键参数。MODIS LAI产品凭借其扎实的理论基础、完整的时间覆盖和系统的验证体系，已成为全球植被动态监测的基础数据集，并在生态系统建模、农业监测及气候变化研究中发挥着不可替代的作用。然而，MODIS LAI产品中噪声显著、时空不连续问题突出，在云覆盖频繁和大气条件复杂的区域尤为严重，严重制约了产品的实际应用价值。本研究提出一种能够协同整合空间与时间约束、支持实时运行的高质量LAI重建新框架。

研究方法

TSCGF方法由三个核心步骤组成。1.基于空间相似性的间隙填充(SSGF)：在以目标像元为中心的50km×50km窗口内，依据物候曲线相关性（R²>0.9）筛选相似像元，采用相关系数加权平均方案生成初步完整的LAI时序。2.全球代表性样本生成：对每个MODIS分块内的预填充LAI数据执行时序K均值聚类，依据轮廓系数自适应确定最优聚类数，在288个分块中共提取约24,280个全球分布训练样本，保证各植被类型的均衡代表性。3.基于双向时间卷积网络(BiTCN)的高质量重建：以三年历史预填充时序(137时间步)为输入，以高质量主算法反演值为目标，训练BiTCN模型重建缺失LAI值，支持实时运行。

主要结果

基于DIRECT2.1 (100站点，231次测量)和GBOV (52站点，8423次测量)地面验证结果表明，TSCGF LAI相比原始MODIS LAI产品RMSE从0.95降至0.88，在高LAI范围(4~6)的森林生态系统中改善尤为显著。时序分析显示，TSCGF LAI在保留真实物候季节变化的同时，有效消除了异常波动。自2000年起，该方法已在全球尺度实时生成覆盖至今的高质量MODIS LAI数据集。

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。

光合作用是生物圈与大气之间碳交换的核心过程。陆地生物圈模型(TBMs)通常采用大叶(BL)、双叶(TL)或多层(MTL)模型模拟冠层尺度的光合作用。其中，MTL模型由于对冠层结构刻画更为精细，在理论上具有更高精度。然而，不同模型在总初级生产力(GPP)模拟中的相对表现仍有待系统评估。课题组基于全球通量塔观测数据，系统比较了MTL、TL和BL模型在GPP估算中的精度差异。结果表明，MTL和TL模型均显著优于BL模型，RMSE分别降低32.23%和26.51%；其中MTL模型(2.25 g C m^-2 d^-1)精度略高于TL模型(2.44 g C m^-2 d^-1)。MTL模型在模拟分层光合作用方面具有明显优势，可揭示光合作用环境响应的垂直异质性。然而，在缺乏高精度冠层垂直结构数据的条件下，MTL相较于TL等简化模型的精度提升较为有限。本研究强调，激光雷达技术(如GEDI)提供的高质量冠层结构数据，是充分发挥MTL模型模拟碳通量潜力的关键。该成果近期发表于国际知名期刊Agricultural and Forest Meteorology上，并得到了国家重点研发计划课题(2023YFF1303602)支持。

研究背景

总初级生产力(GPP)是表征生态系统光合作用强度的关键指标，对于认识全球碳循环过程及预测未来陆地碳汇变化具有重要意义。在全球变化持续加剧的背景下，准确估算大尺度GPP已成为生态学与地球系统科学领域的核心研究问题。然而，通量观测塔的空间覆盖范围有限，难以直接支撑区域乃至全球尺度的GPP评估，因此，基于过程的陆地生物圈模型(TBMs)成为模拟陆地生态系统碳动态及其对气候变化响应的主要工具。在这类模型中，通常需要将叶片尺度的光合作用过程上推至冠层尺度，但光合作用是叶片生理、生化及环境因子的非线性函数，而这些因子在冠层垂直方向上具有显著的空间异质性，直接将叶片尺度模型应用于冠层尺度往往会引入尺度转换误差。为缓解这一问题，TBMs发展出多种冠层结构表达方式，包括大叶模型、双叶模型和多层模型，它们在模型复杂度与模拟精度之间形成不同程度的权衡。然而，目前针对不同冠层上推方法在GPP模拟中的适用性与优势仍缺乏系统评估，尤其是在遥感数据支持不断增强的背景下，多层模型是否能够稳定优于传统的大叶或双叶模型仍有待进一步验证。同时，叶片在冠层中的聚集分布会显著影响光照分配格局与光合效率，从而增加GPP估算的不确定性，其在不同冠层模型结构中的作用机制尚不明确。因此，有必要系统比较不同冠层模型的表现，并探讨叶片聚集效应对GPP模拟的影响，以为TBMs中冠层结构方案的选择与改进提供理论依据。

研究方法

本研究评估了三种叶片到冠层尺度的上推方法：大叶(BL)模型、双叶(TL)模型和多层(MTL)模型。在多层模型中，我们假设冠层垂直方向的温度、湿度等环境条件保持一致，以便重点分析冠层垂直结构异质性导致的辐射分布差异对GPP估算的影响。

BL模型首先计算25℃条件下冠层尺度的最大羧化速率和最大电子传递速率，随后直接基于叶片尺度光合作用模型(FvCB模型)估算冠层GPP。

TL模型将单个叶片视为光照叶片和遮阴叶片两部分。首先计算两类叶片在25℃下的平均最大羧化速率和最大电子传递速率，然后采用叶片尺度光合作用模型分别计算光照叶片和遮阴叶片的平均光合速率。最后，通过光照叶片和遮阴叶片在冠层中的叶面积比例加权求和，得到冠层GPP。

MTL模型将冠层划分为多层，对每层叶片分别计算25℃下的最大羧化速率和最大电子传递速率，并利用叶片尺度光合作用模型计算每层叶片的光合速率。随后，根据每层叶面积占比进行加权求和，得到整体冠层GPP。在MTL模型中，叶面积的垂直分布采用Beta概率密度分布函数进行模拟。

三种模型均采用双流近似方法模拟冠层或叶片吸收的辐射，并统一使用FvCB叶片光合作用模型。在全球167个涡度协方差观测站点上，我们基于站点观测和遥感数据，采用三种模型估算小时尺度的GPP，并通过比较不同模型估算的GPP差异，量化冠层分层策略对GPP估算的影响。

主要结果

MTL和TL模型的模拟精度普遍优于BL模型：在小时尺度上，MTL(0.152 g C m^-2 h^-1)和TL模型(0.156 g C m^-2 h^-1)的RMSE低于BL模型(0.203 g C m^-2 h^-1)，且与观测GPP间的偏差小于BL模型。在日尺度上，三种模型模拟的GPP与观测GPP高度一致(R² = 0.69~0.70)，其中MTL模型的RMSE最低(2.25 g C m^-2 d^-1)，其次为TL模型(2.44 g C m^-2 d^-1)，而BL模型最高(3.32 g C m^-2 d^-1)。然而，三种模型均存在GPP的高估现象，其中BL模型高估最严重(ME = 1.34 g C m^-2 d^-1)，MTL模型高估最小(ME = 0.34 g C m^-2 d^-1)，TL模型的高估程度介于两者之间(ME = 0.62 g C m^-2 d^-1)。总体来看，MTL和TL模型在GPP模拟上均优于BL模型，且MTL模型表现更佳。

与忽略叶片聚集的情况相比，在TL和BL模型中考虑叶片聚集能够提高模拟精度：TL模型的RMSE下降了0.14 g C m^-2 d^-1，BL模型下降了0.07 g C m^-2 d^-1；TL模型的ME减少了0.25 g C m^-2 d^-1，BL模型减少了0.1 g C m^-2 d^-1。在MTL模型中考虑叶片聚集并未显著改善GPP模拟精度，但可以缓解GPP的高估，ME下降了0.16 g C m^-2 d^-1。

MTL模型可以模拟光合作用速率的垂直变化，进而捕捉光合作用对环境变化响应的垂直异质性。在US-xSE(38.89°N, 79.56°W)和US-Ho1(45.20°N, 68.74°W)站点的进一步分析表明，当采用beta函数模拟的叶面积垂直分布廓线与GEDI观测的廓线更加一致时可以提高多层模型模拟GPP的精度。

山区具有高度复杂的微气候环境，孕育了丰富的植被多样性，对植被动态的精准监测对于生物多样性保护具有重要意义。高分辨率归一化植被指数(NDVI)是刻画植被时空变化的关键指标，但在多云山区，由于长期云覆盖和显著的空间异质性，NDVI重建面临较大挑战。本研究在Google Earth Engine(GEE)平台上开发了一种全局拟合与局部优化(Global Fitting and Local Refinement，GFLR)方法，用于重建Landsat NDVI。该方法首先利用近40年的像元级NDVI时序进行全局拟合，构建稳定的物候基准曲线。随后利用3年滑动观测窗口进行局部优化，以刻画植被动态。与现有常用重建方法相比，GFLR在精度上表现更优，且在不同云覆盖和地形复杂度条件下均表现出较强的稳健性。因此，基于GFLR的NDVI产品为复杂多云山区植被动态研究提供了可靠且稳健的数据支持。为促进方法的可重复性与应用推广，GFLR的完整代码已公开，可通过以下链接获取：https://code.earthengine.google.com/faf7a2d54025d0069bbe936dea313da8。该成果近期发表于中科院一区期刊Global and Planetary Change。

研究背景

山区约占全球陆地面积的24%，地形起伏通过调控辐射输入、温度梯度和水分分布，形成与区域气候部分脱耦的微气候环境。这些微气候为物种提供了气候变化背景下的重要庇护空间，是维持高生物多样性的关键。然而，随着气候变暖加剧，山区微气候格局及其庇护功能可能发生变化，从而影响植被分布与生态系统稳定性。因此，有必要系统评估地形通过微气候调制对植被分布与动态变化的影响机制。高分辨率NDVI为揭示地形对植被的影响提供了重要工具，但在多云山区，长期云覆盖和地形复杂性导致Landsat数据存在大量缺失，限制了对植被长期变化趋势的准确刻画。现有的时空融合与时间插值方法虽在一定程度上改善了数据连续性，但在持续多云、地形驱动异质性显著的山区仍面临尺度平滑效应、空间信息不足以及等问题。因此，亟需一种能够适用于多云山区的NDVI重建方法，以提升复杂山区植被监测的稳定性与可靠性。

研究方法

GFLR方法通过全局拟合和局部优化两个步骤对Landsat NDVI进行重建。全局拟合步骤包括物候曲线的构建与调整；局部优化步骤则主要采用改进的加权Savitzky-Golay(SG)滤波方法实现。相应的流程图及具体实现步骤如下：

(1) 物候曲线构建与曲线调整
本研究首先基于1986-2024年共39年的Landsat NDVI观测数据，为每个像元构建标准植被物候曲线。具体做法是将不同年份的影像按照年积日(DOY)进行堆叠，将其视为一个合成年份的完整物候过程，并采用七参数线性谐波模型拟合NDVI的季节变化特征，从而获得稳定的长期物候基准曲线。在此基础上，利用3年滑动时间窗口内的有效观测对物候曲线进行局地调整，以刻画实际植被动态。为保证数据质量，在调整前通过相对百分比差异(RPD)筛除异常值，剔除明显受噪声影响的观测数据。随后，根据研究区植被物候特征，将生长季划分为返青期和衰退期，并在两者重叠的过渡阶段采用加权方式实现平滑衔接。通过建立观测NDVI与物候曲线对应值之间的线性关系，对物候曲线进行分阶段校正，最终获得兼具长期稳定性与短期动态响应能力的NDVI时间序列。

(2) 改进的加权SG滤波
为进一步提升调整后物候曲线与实际观测之间的一致性，本研究对Savitzky–Golay(SG)滤波方法进行了改进。首先，在存在高质量观测的日期，将调整后物候曲线对应的NDVI值替换为实测值，并根据数据来源赋予不同权重，以体现对观测数据更高的可信度。随后，在滑动时间窗口内采用最小二乘法拟合多项式，计算标准SG滤波系数，并将其与数据来源权重相结合形成复合权重。考虑到原始SG卷积系数可能包含负值，为避免对平滑结果产生不利影响，对系数进行了归一化处理，使权重保持为正并合理缩放。最终，通过归一化后的复合权重对NDVI时间序列进行平滑处理，从而获得兼顾观测可靠性与时间连续性的重建结果。

主要结果

从两个研究区的NDVI空间分布来看(图2和图3)，GFLR重建结果与参考NDVI最为接近，而GFSG和FF在高NDVI区域引入了明显的低值噪声。在局部放大图中，GFSG和FF在刻画地形驱动的植被差异方面表现不足。基于密度散点图及统计指标分析(图2和图3)，GFLR在空间格局刻画方面表现最佳。在云影响分析方面(图4)，无论从云发生频率(COF)还是云覆盖比例(CCF)角度来看，GFLR均保持较高稳定性，而GFSG和FF在COF超过60%后精度明显下降，且随CCF增加呈现R²逐渐降低的趋势。地形因子分析表明(图5)，三种方法在高海拔地区精度均受一定影响，但GFLR受高程影响最小。在坡向方面，GFSG和FF在南坡表现较好，在北坡精度下降，而GFLR几乎不受坡向影响。总体而言，GFLR在不同云条件和复杂地形环境下均表现出更高的稳定性与重建精度。

高时空分辨率的NDVI对陆地生态系统动态监测至关重要，然而山区复杂地形条件和频繁的云雾遮挡对长时序NDVI产品的生成造成了重大障碍。针对这一问题，课题组开发了一种用于生成高分辨率时空无缝NDVI的新型时空融合方法TALESF，有效解决了受云污染和大多数时空融合算法忽略地形效应的问题，为生成高时空分辨率NDVI数据提供了一种准确、高效的解决方案。该成果近期将发表于遥感领域顶刊《IEEE Transactions on Geoscience and Remote Sensing》。

研究背景：

归一化植被指数NDVI是地球系统科学中的一个关键变量。虽然目前已有大量公里级NDVI卫星产品，但高分辨率产品，特别是基于庞大的Landsat数据档案库生成的高分辨NDVI产品，仍然十分稀缺。利用Landsat数据生成的高分辨率NDVI面临两大挑战：一是频繁的云层覆盖导致数据采集不规律；二是地形引起的辐射畸变影响复杂地形区域的光谱信号精度。因此，亟需开发一种能降低山区地形效应且不受云污染影响的高时空分辨率NDVI反演方法。

研究方法：

本文提出了一种多源数据协同驱动的高精度NDVI重建方法，通过融合地形校正、机器学习建模与时序重建技术，实现复杂地表环境下高时空连续性NDVI数据的构建。该方法首先基于PLC算法消除地形效应对Landsat反射率的影响，并引入随机森林模型估算晴空NDVI；随后，基于相似像元的季节变化特征对云覆盖区域进行时序重建，并结合GLASS NDVI的贡献权重进行多结果融合，最终实现高时空连续性的NDVI重建，为山区和复杂地表区域的植被动态监测提供了可靠数据支撑。

主要结果：

TALESF方法在高时空分辨率NDVI反演中展现出显著优势。在六个异质性地表场景的评估结果（图1）表明，TALESF生成的NDVI展现出优异的空间连续性和邻域一致性。相较于GLASS和MODIS数据，空间分辨率显著提高，纹理细节更加清晰。此外，TALESF对于突发的地表变化（如火灾）具有时间适应性，相较于其他方法，其与真实的空间变化特征具备最佳一致性。此外，模拟云掩膜实验中TALESF方法展现出优秀的重建性能（图2），能够准确地恢复空间细节，与参考影像具备高度一致性（R²=0.83），且RMSE最低，在空间维度和光谱维度的精度得到权衡（图3）。

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)、国家重点研发计划(2023YFF1303602)以及中央高校基本科研业务费专项资金(2682024CX091)支持

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。