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。

光学遥感因其观测范围广、时空连续成像的特点，为区域或全球山区植被监测提供了便利。然而，地形会使光学影像产生畸变，进而影响生物物理参数反演的准确性，阻碍了山区遥感的业务化应用。基于遥感影像的地形效应量化受到研究区域条件变化的限制。本文采用模型模拟，评估了地形对反射率、植被指数和LAI反演的影响。结果表明，反射率的地形效应具有波长依赖性，并受到坡度、坡向和太阳位置等多种因素的调节。地形对植被指数的影响呈现出明显的差异性。此外，地形对LAI反演的影响与特定太阳天顶角下的地形配置和冠层密度有关。在极端条件下，LAI反演的相对误差将超过100%。

研究背景

山区占地球总陆地面积的25%，占中国陆地面积比超过60%，在地球系统中具有独特的地位。山区栖息着世界上85%以上的两栖动物、鸟类和哺乳动物物种，对于维持全球生物多样性至关重要。山区还在全球水和碳循环中发挥着关键作用，为周围低地提供了大量的水源，因此通常被称为世界“水塔”。山区也是重要的碳库，储存了全球相当数量的陆地碳。光学遥感因其覆盖全球和时间采样重复性的特点，在监测地表特征方面发挥着至关重要的作用。然而，在山区进行遥感监测并不是一项简单的任务，因为卫星观测到的反射率易受地形诱导的辐射畸变影响。地形主要以两个关键途径影响光学遥感成像过程：（1）地形通过对太阳下行短波辐射的再分配，影响山地冠层的入射条件；（2）地形调制冠层结构特征，影响冠层内的辐射传输过程，使冠层固有双向反射特性发生畸变。两者分别改变了入射辐射量和反射辐射量，共同使传感器接收的辐亮度发生变化进而影响地表信息提取精度。

植被指数是反射率的简单数学转换，旨在增强对植被特性的监测。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。在山区，VI也会受到崎岖地形的显著影响。之前的研究发现NDVI对地形影响轻微敏感，而SAVI、EVI和NIRv受地形影响较大。然而，这些研究都是针对特定光学遥感影像进行的，不同地形配置对VI的影响尚未得到系统评估。此外，地形对最近开发的新型VI（如归一化差异绿度指数NDGI和核归一化差异植被指数）的影响仍不清楚。

除了地形效应外，光学遥感影像通常还受到大气效应、视场效应等的影响。因此，获得专门关注地形效应的定量结果可能具有挑战性。计算机模拟为验证活动提供了一种有效的替代方法。它们提供了一个高度可控的环境来进行验证，并允许明确指定可能影响遥感观测/VI的地形因素。此外，通过专门设计的场景，计算机模拟模型可以涵盖现实世界中存在的各种条件，从而提高量化结果的代表性。

基于此，本文的主要目的是基于计算机模拟模型，即路径长度校正模型PLC，探究地形对光学遥感的影响。

研究思路与实验方法

（1）获取土壤和植被组分光谱曲线，设计实验场景和实验输入参数，模拟不同地形配置和观测几何下的光谱反射率和植被指数；

（2）通过反射率或植被指数与太阳入射角余弦值（cosi）的相关系数量化地形效应的大小；

（3）通过等效平地下（即坡度和坡向均为0°）的LAI与不同地形配置和观测几何下的LAI之间的相对误差来量化地形对LAI反演影响的大小。

主要结果

地形对400-2500 nm波段反射率的影响随坡度和太阳天顶角的变化如图1所示。结果表明，所有波段反射率的地形效应都会随着坡度和太阳天顶角的增大而增大。仔细观测发现，不同波段的反射率并不是恒定的。总体而言，700和1400 nm处的地形效应较大，而650、1900和1700 nm处的则较小。

不同坡度和太阳天顶角下VI的地形效应如图2所示。结果表明，总体而言，VI的地形效应随着坡度和太阳天顶角的增大而增大。但不同VI之间存在显著差异。对于SR、DVI、MSR、EVI、EVI2、NIRv和kNDVI，其地形效应较大并随着坡度和太阳天顶角的增大而明显增大。相比之下，NDVI、GRVI、SAVI、PRI、NDGI对地形的敏感性较弱。

LAI反演的相对误差在坡度-坡向空间中的分布如图3所示。值得注意的是，不同冠层密度的相对误差表现出不同的特征。地形对稀疏冠层LAI反演的影响很小，随着冠层密度的增加，反演误差也会增加。结果还表明，较小的误差位于坡度较小的区域，并且随着坡度的增加而增加。阳坡出现正的反演误差而阴坡则相反。此外，反演误差还受到太阳天顶角的影响，太阳天顶角越大，反演误差越大。

研究结论

本研究基于PLC模型探究了地形对400-2500 nm波段反射率和植被指数的影响，同时量化了地形对LAI反演影响的大小。结果表明，坡度和坡向扭曲了反射率的角度分布。随着坡度和太阳天顶角的增大，地形效应明显增强；地形对光谱反射率的影响随后会影响VI进而影响LAI的反演精度。这些发现揭示了地形对山区遥感观测和LAI反演的影响，可为地形校正的应用提供科学依据。

气候变化在过去几十年中引发了秋季物候的显著变化。然而，迄今为止，大多数有关秋季植被生长的研究仅仅关注特定事件节点，如生长季结束日期的变化，而忽略了植被衰落过程的动态发展。因此，本研究以叶片凋落速度（LSV）作为植被衰落过程的代理，分析了青藏高原草地在2001-2018期间，LSV的时空动态及其与气候变化之间的关系。结果表明，青藏高原草地的秋季衰落过程存在明显的区域差异，具体表现为东部主要呈现减速趋势，且主要受温度限制；西部呈现加速趋势，主要受降水限制。此外，本研究还发现LSV与当年NPP和下一年度年返青期存在密切关联，凸显了秋季衰落过程对整个植被生长周期中的重要影响。

研究背景

秋季物候对于植被的生长季长度以及碳积累等有重要影响。鉴于近几十年来全球气候的剧烈变化，厘清秋季物候与气候变化间的交互作用有利于我们准确预测未来情景下的碳-气候反馈。

目前关于秋季物候的研究大多关注特定日期，如生长季结束日期的变化，对于植被生长在秋季的动态变化了解较少。因此，本文以叶片凋落速度（LSV）为代用指标，探究了过去20年间青藏高原草地秋季衰落过程的时空变化及其与气候变化间的关系，旨在通过突出植被衰落的动态过程来加深我们对在气候变化下植被动态生长的理解。

研究方法

LSV提取：

首先对原始NDGI时间序列进行滤波处理，以消除噪声对植被生长曲线的影响，随后提取了NDGI日变化率（NDGI_rate）以进行后续分析。其中，NDGI_rate的表达式如下：

式中，t为年积日，NDGI_max和NDGI_min分别代表NDGI的最大值，最小值。LSV则定义为NDGI的最大日下降率，即NDGI_rate的最小值。

归因分析：

首先使用Sen-MK方法分析了LSV多年变化趋势。随后使用偏相关分析量化了各气象要素（包括温度、降水和辐射）与LSV的关系，并根据偏相关系数的绝对值的大小确定了LSV的主控因子。

主要结果：

在空间分布上，LSV的多年平均值呈现出从西向东递减的空间格局，且这种空间格局主要受到季前辐射的调控。

对于年际变化而言，LSV呈现出西部加速、东部减速的空间格局。通过偏相关分析和主要控因子分析，我们发现东部地区LSV的降低主要是由于秋季增温增强了植被在秋天的光合作用，从而减缓了植被的衰落速率；而西部地区LSV的增加主要是由于西部地区比较干旱，秋季增温会加深植被受到的水分胁迫，进而使得植被衰落速率加快。

植物光合作用在调节全球碳循环中发挥着至关重要的作用，因此，阐明气候对植物光合作用的资源限制是理解气候变化对陆地碳动态影响的关键。本研究结合EC-LUE光能利用率模型及因子分析方法，量化了1983年至2018年期间青藏高原草地光合作用受温度和水分限制强度的时空演变。结果表明，青藏高原草地光合作用的温度和水分限制具有明显的东西差异，东部主要受温度限制而西部主要受水分限制。此外，研究揭示青藏高原光合作用存在由温度限制向水分限制的转移，强调了全球变暖背景下，蒸散发增大引起的VPD升高或将加剧植物水分胁迫，成为影响全球碳循环的重要因素。

研究背景：

光合作用受温度、太阳辐射、水分有效性等气候因素调控，是支撑地球上绝大多数生命生长和存活的主要碳同化机制。植物对特定环境的长期适应性导致不同气候因素对光合作用的限制具有明显的时空差异。近年来，全球气候发生了显著变化，这或将改变气候对光合作用的限制状态。本研究重点关注的科学问题是植物光合作用的主要气候限制因素如何随空间和时间演变。

青藏高原是全球最敏感和脆弱的地区之一，其植物光合作用受温度和水分的共同限制。然而，温度和水分在调控青藏高原草地光合作用中的相对重要性仍不清楚。青藏高原变暖速度约为全球平均水平的两倍，而降水无显著变化。因此，量化温度和水分对青藏高原草地光合作用的相对重要性及其时间演变对生态系统碳循环预测具有重要意义。本研究旨在评估温度和水分对青藏高原草地光合作用相对重要性的时空变化。

研究方法：

EC-LUE 模型：

EC-LUE 模型整合了大气二氧化碳浓度、水分（大气水汽压亏缺，VPD）、辐射组分和温度对总初级生产力（GPP）的调控。在本项研究中，对模型进行了简化，不考虑辐射组分对GPP的影响，即GPP可表示为：

式中，PPFD（mol m^-2 mon^-1）表示光合光子通量密度，FPAR为光合有效辐射吸收比。ε_max（g C mol^-1）表示没有环境压力时的潜在光能利用效率。C_s、T_s和W_s的取值范围从0（完全压力）到1（无压力），分别表示大气CO2浓度压力、温度压力和水分压力。f是组合函数，在本研究中为最小法。C_s、T_s和W_s的表达式如下：

式中φ为无暗呼吸时的CO₂补偿点，C_i为叶片细胞间隙中的CO₂浓度;T_min、T_max和T_opt分别代表陆地植被生长的最低、最高和最适气温;VPD₀为VPD约束方程的半经验饱和系数。

因子分析：

分别进行三次模拟实验，即GPP_all：所有驱动因子随时间变化；GPP_T：温度控制在初始基线水平（即1982年），而其他驱动因子随时间变化；GPP_VPD：VPD控制在初始基线水平（即1982年），其他驱动因子随时间变化。基于此，温度和水分引起的GPP异常可分别表示为：GPP_all – GPP_T (GPP_all-T)和GPP_all – GPP_VPD (GPP_all-VPD)。其中GPP异常绝对值最大对应的气候变量(温度或VPD)被认为是光合作用的主要限制因子。

主要结果：

在空间分布上，青藏高原东部草地光合作用主要受温度限制，而西部主要受水分限制。在季节变化上，生长季早期和晚期，大多数草地光合作用主要受温度限制；而在夏季，青藏高原受水分限制区域的面积占比较大甚至超过受温度限制区域的面积占比，且主要分布在西部。

青藏高原草地光合作用受水分主控的面积占比具有显著的增长趋势（p < 0.05），且7月和8月分别为以每年0.51%和0.57%的速度显著增加，表明水分对光合作用的限制在加剧。此外，研究结果揭示，在整个生长季，光合作用存在由温度限制向水分限制的转移，且在夏季更加明显。

山区占地球总陆地面积的25%，占中国陆地面积比超过60%，在地球系统中具有独特的地位。崎岖地形使光学遥感观测产生畸变，进而影响山区的土地覆盖分类和生物理化参数反演精度。因此，地形校正是山区遥感应用的先决条件。从20世纪80年代开始，国内外学者就开始研究山区遥感辐射订正技术，建立了多种地形校正方法来缓解遥感影像中的地形效应。但目前还没有从文献计量角度对地形校正相关研究进行系统梳理，从而限制了对地形校正研究现状的全面认知。本文结合1980到2022年426篇地形校正相关文献，系统梳理了地形效应产生的机制，分析总结了常用地形校正方法的优缺点，对地形校正相关文献进行了概述，探讨了地形校正的关键科学问题并展望了地形校正未来主要发展方向。

研究方法

文章基于Web of Science和Scopus数据库的文献数据，检索了1980年到2022年与光学遥感地形校正相关的文献（426篇）。首先基于VOSviewer对关键词进行共现网络分析，就当前地形校正研究的热点进行讨论。然后提取每篇文献中的各类信息并借助Meta分析方法对上述信息进行科学量化分析，构建光学遥感地形校正研究的知识图谱，主要就文献的发展历程、时空模式等展开讨论，目的是定量揭示地形校正的研究现状（图1）。

主要研究结果

1. 时空分布特征分析

地形校正研究整体上呈现逐年增加趋势，这显示出对山地生态系统研究的兴趣日益浓厚和卫星数据可用性的增加（图2）。免费开放的数据政策（Landsat卫星数据于2008年免费开放获取）极大地促进了地形校正的研究。

不同国家发文量和研究站点的空间分布在全球尺度上表现出明显的不平衡，大部分研究集中在亚洲，其次为欧洲（发文量和研究站点占比分别为28.9%、19.4%和16.9%）（图3）。从具体的分布来看，研究区主要集中在喜马拉雅山脉、阿尔卑斯山脉和落基山脉；从所处的海拔来看，研究区主要集中在低海拔地区（0-1000 m），其平均海拔（1298 m）略低于全球山区的平均海拔（1467 m）。

2. 研究热点分析

关键词共现网络分析结果直观地揭示了遥感观测（红色集群），地形校正方法和数字高程模型（绿色集群），以及地形校正应用（蓝色集群）的相互关系（图4）。关键词的时间趋势也表明未来的地形校正研究更趋向于基于物理的地形校正方法开发和基于google earth engine云平台的时间序列分析等。

3. 地形校正方法性能Meta分析

文章系统评估了地形校正方法在不同地点、地形和季节中缓解地形效应的综合性能（图5）。R²的范围和均值表示了抑制干扰因素（不同照明条件、地形和传感器）的能力，其范围和平均值越小则性能越好。结果表明经验方法（如SCS+C何SE）、物理方法以及通过简化辐射传输模型发展的PLC方法对照明条件，地形和传感器配置等的敏感性较低。

总结及未来展望

地形校正是山区开展一系列研究的先决条件。考虑到不同地形校正方法的性能和适用性，本研究强烈建议在未来的研究中优先选择对照明条件，地形和传感器配置等的敏感性较低的地形校正方法，并进行多准则评估，以增强其可靠性。文章研究结果定量展示了光学遥感地形校正的发展历程和研究热点，将有助于后续研究更明确地开展研究选题、创新研究方法，并为其他领域开展此类研究提供一定借鉴。

坡向差异形成了不同的小气候，例如在北半球，南坡比北坡接收更多辐射，使南坡旱热、北坡湿冷。这种小气候差异会影响植被生长及其对气候变化的响应，不妨称该现象为坡向效应。本研究提出了一种坡向效应的量化指标——绿度非对称指数(GAI)，定义为给定空间窗口内北坡和南坡的平均归一化植被指数（NDVI）之间的比值。我们发现，青藏高原的坡向效应受背景气候影响，寒冷地区南坡植被优于北坡，干旱地区北坡植被优于南坡。但不管在何种气候区，北坡变绿趋势(greening)强于南坡。坡向效应形成的“天然实验室”可以指示植被生长的水热权衡，有利于加深植被对气候变化响应机制的理解，增强地球系统模型对未来植被动态的预测能力。

研究背景

高纬度和高海拔地区的生态系统受到低温的强烈限制。卫星观测表明，气候变暖促使植被出现明显的“变绿”趋势，进而增加了植被吸收的光合有效辐射，提高了生产力。然而，未来全球变暖对植被生长的积极影响是否会持续尚不确定。

坡向作为一个重要的地形变量，能够影响植被接收的太阳辐射量和时间，这种辐射差异形成了不同的小气候。因此，坡向是植被绿度的关键决定因素。南北坡之间的绿度差异取决于水和温度限制之间的权衡，绿度在不同坡向之间的差异可以看作“天然实验室”，用于研究温度和水对植被生长的相对影响。目前已有部分样地实验表明，北坡植被比南坡植被生长得更好，这在干旱和半干旱生态系统尤为显著。然而，由于采样点分布稀疏，这种现象在区域尺度内是否普遍存在尚不清楚。目前也没有针对南北坡绿度非对称性年际变化的研究，而这对于更好地理解植被的气候变化响应具有至关重要意义。基于此，本研究使用绿度非对称指数(GAI)，分析了青藏高原草地生长坡向依赖性的空间分布和年际变化规律。

主要结果

在空间分布上，63.6%青藏高原草地GAI > 1（北坡绿度强于南坡），主要分布在青藏高原西部和东北部。相比之下，GAI < 1.0（南坡强于北坡） 的区域较少 (36.4%)，主要分布在东部和中部。

GAI的空间格局主要由温度和降水量共同决定的，在温暖和干燥的地区，北坡植被生长优于南坡，而在寒冷和潮湿的地区，情况相反。

此外，1991至2020间，南北坡的 NDVI均增加，但北坡增幅大于南坡，即北坡植被在气候变化中受益更多。

我们还比较了南北坡NDVI的温度敏感性（S_T），以量化坡向是否会调节植被对气候变暖的响应。结果表明，北坡St显著高于南坡（P < 0.01）。

准确监测秋季光合物候是了解碳循环的关键。绿-红植被指数（the green-red vegetation index，GRVI）是基于宽波段红光和绿光反射率计算得出的指数，被越来越多地用作估算植被光合物候。然而，GRVI在大范围上的表现仍然不清楚。本文系统评估了归一化差异植被指数（NDVI）、归一化差异绿度指数（NDGI）、植被近红外反射率指数（NIRv）、太阳诱导叶绿素荧光（SIF）和GRVI在追踪站点和区域尺度高寒草地秋季光合物候的表现。结果发现，GRVI在提取站点和整个青藏高原尺度草地秋季光合物候的表现与SIF相当。然而，用于刻画植被光合生理的SIF的使用会受到空间分辨率和时间跨度的局限。相比之下，GRVI因其数学形式简洁且便于获得，在估算大范围秋季光合物候上具有独特优势，对碳吸收研究具有重要意义。

1.研究背景

植被通过光合作用将二氧化碳转化为有机化合物，从而调节全球碳循环和能量交换。光合物候是指由周期性变化的环境触发的光合活动节律变化，光合物候的转变极大地影响了陆地生态系统的碳平衡。秋季光合物候在决定植被光合作用持续时间方面起着关键的作用。因此，提高对秋季光合物候的理解对于准确识别陆地生态系统中的碳源和碳汇至关重要。

植被通过光合作用吸收的碳量可以通过总初级生产力（GPP）直接量化。然而，直接利用GPP监测光合物候的时空动态并不是一项简单的任务，因为基于光能利用效率理论的卫星GPP模型仍未得到良好的校准和验证，无法以高可靠性实现全球时空连续的光合物候监测。SIF是光合作用光反应过程中重新发射的小部分能量，可作为区域到全球尺度上植被光合作用的探针。然而，包括低时空分辨率和短时间跨度等在内的几个技术问题限制了SIF在追踪秋季光合物候方面的广泛应用。近几十年来，NDVI、NDGI和NIRv等遥感卫星植被指数（VI）已被广泛应用于提取秋季光合物候。然而，大部分的植被指数都只捕捉到冠层绿度，从而衡量了潜在的光合作用，而在衰老期间，潜在光合作用通常与实际光合作用脱离。相反，绿红植被指数（GRVI）虽然是一种简单的光学指数，但其可以量化叶片光合速率，并成功捕捉到了植被生长季结束期的光合作用下调。然而，现有的对GRVI的研究都只基于通量站点尺度，其在追踪大范围尺度秋季光合物候方面的表现仍不清楚。

作为“世界屋脊”，青藏高原（TP）在区域生态系统碳循环中起着关键作用。高寒草地占据了青藏高原总面积的60%以上，是其主要植被类型，对气候变化和人类活动非常敏感。因此，监测高寒草地秋季光合物候的动态变化将有助于改善未来气候变化情景下青藏高原草地生态系统碳循环的预测。基于此，本研究旨在评估GRVI在提取青藏高原高寒草地秋季光合物候方面的性能。

2. 研究思路与实验方法

2.1植被指数的计算

式中，NIR、R、G分别表示为近红外、红光、和绿光波段反射率。

2.2 秋季光合物候提取

本文分别采用具有代表性的三种方法：50%动态阈值法、最大变化率法和分段逻辑函数法，对各指标进行秋季光合物候的提取。同时为了避免因某种方法偶然性引入的误差，我们以三种方法提取结果的平均值作为最终的物候值。

2.3 评估方法

（1）以通量站点GPP为基准，比较了NDVI、NDGI、NIRv、GRVI和SIF在站点尺度提取秋季光合物候的表现；

（2）在青藏高原范围内，评估NDVI、NDGI、NIRv、GRVI追踪SIF代表的秋季光合物候期及其变化趋势的能力。

3. 重要结果

结果显示基于NDVI、NDGI、NIRv和GRVI提取的EOS相比于GPP都普遍延迟（图1）。其中，NDVI的R²最低，偏差最大，分别为0.15和20.72天（图1(a)）。虽然NDGI和NIRv提供了令人满意的R²（分别为0.40和0.42），但偏差较大（13.62天和6.56天）。与NDVI和NDGI相比，GRVI和SIF估计的EOS的滞后明显减轻。偏差分别减少到4.39天和0.71天。结果表明，SIF可以作为提取秋季光合物候的可靠代理，GRVI与SIF的表现相当。

进一步，我们以SIF为基准，分析了四种植被指数在区域尺度提取秋季光合物候的表现（图2）。结果显示在NDVI和NDGI的结果中，EOS普遍晚于SIF（分别为总面积的96％和95％），并且这些差异显示出从青藏高原东部到西部逐渐减小的空间梯度（图2(a)和2(b)）。不同的是，GRVI的与SIF结果的差异明显较小（图2(d)，2.97±5.67 d，平均值±标准差）。而在趋势分析中，NDVI和NDGI都在青藏高原东部/西部高估/低估了EOS的变化（图2(e)和(f)）。与NDVI和NDGI相比，GRVI和NIRv的结果中这种空间模式得到了缓解（图2(g)和(h)）。

4. 研究结论

植被绿度与生理在秋季的脱钩导致常用结构植被指数如NDVI、NDGI和NIRv估算EOS的严重滞后，而GRVI可以成功捕捉到秋季光合作用的下调，与SIF提取的秋季光合物候相当。同时红光和绿光波段的反射率在大多数现有光学传感器（如Landsat和Sentinel）上很容易获取，具有高分辨率和长时间跨度的优势，因此GRVI可以作为秋季光合物候监测的一个有效工具。随着遥感产品分辨率的不断提高，GRVI有潜力在米乃至亚米尺度上实现光合物候监测，这可能最终实现对全球陆地碳平衡更准确的估计。同时借助于GRVI对植被生理变化的独特敏感性，我们甚至可以利用GRVI监测植被对极端气候事件的响应以及全球高精度植被生产力的估算。