基于叶面积指数估算植被总初级生产力

徐博轩，陈报章,*，许　光，陈　婧，车明亮

1 中国矿业大学环境与测绘学院，徐州　221116 2 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京　100101 3 中国科学院大学，北京　100049



基于叶面积指数估算植被总初级生产力

徐博轩1,2，陈报章1,2,*，许光2,3，陈婧2，车明亮2,3

1 中国矿业大学环境与测绘学院，徐州221116 2 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京100101 3 中国科学院大学，北京100049

摘要:长时间序列的陆地碳通量数据在全球生态环境变化研究中具有重要意义。采用MODIS GPP (Gross Primary Productivity) 算法，基于GIMMS LAI3g，MODIS15和Improved-MODIS15三种叶面积指数(LAI)，估算了全球2000至2010年的植被总初级生产力(GPP)。该估算的GPP数值经过全球20个通量站点的验证，并结合MODIS17分析了它们在时空变化上的异同。结果表明：(1)4 种GPP精度如下：GPPMOD17>GPPimpro_MOD15>GPPLAI3g>GPPMOD15。(2)4种GPP整体上具有一致的季节波动，冬季和夏季整体好于春季和秋季。GPPLAI3g的4个季节精度较相近，而GPPMOD17除了春秋季外其它季节都较好。(3)GPPLAI3g在中等GPP值分布区的估值相对较高，其全球总GPP大体为(117±1.5)Pg C/a，GPPMOD17和GPPimpro_MOD15相近且都低于该值。(4)GPPLAI3g和GPPimpro_MOD15在大约63.29%的陆面上呈显著(P<0.05)的正相关关系，它们和GPPMOD17在LAI不确定性小的地区呈显著的正相关关系。GPPLAI3g和GPPMOD15正相关分布面积占比为40.61%。

关键词：总初级生产力(GPP)； MODIS GPP模型； GIMMS LAI3g； MODIS15； Improved-MODIS15

全球碳循环议题不仅是全球变化研究中的关键问题，而且可以为经济发展规划和气候政策制定提供科学支撑。植被总初级生产力(GPP)是指植物在单位时间内通过光合作用吸收太阳能产生有机物的总量[1]，是全球生态环境变化研究中的重要内容。大约一半的GPP被植物自养呼吸消耗，剩余的净吸收碳量被称为净初级生产力(NPP)[2- 3]。生产力与光合有效辐射间关系的理论[4- 5]建立起来的光能利用率模型是当前模拟生产力的主要方法之一。光能利用率模型中重要的输入数据包括气候数据和LAI，后者被作为与森林冠层能量和CO2交换密切相关的植被结构参数。目前，许多研究也验证了生态系统生产力和植被指数之间存在着密切的关系[6- 8]。当前常用的MODIS(Moderate resolution Imaging Spectroradiometer)GPP[9]只能提供自2000年至今的数据且存在一定的精度问题[2,10- 11]，而GIMMS(Global Inventory Modeling and Mapping Studies)LAI3g[12- 15]能够提供过去30a的叶面积指数数据，研究GPPLAI3g与其它LAI模拟的全球GPP在时空分布上的异同，有助于分析更长时间序列的全球生产力。

本文首先采用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)的再分析资料，基于GIMMS LAI3g，MODIS15(MODIS LAI)以及Improved-MODIS15这3种LAI数据，驱动MODIS GPP模型进行全球GPP的估算，并使用通过特定的准则挑选的20个通量塔站点，在月尺度上对这3种GPP和MODIS17A2 GPP数据进行验证，分析了这4种GPP在时空分布上的异同，评价GIMMS LAI3g估算的GPP相比现有其他LAI估算的优劣性。

1数据来源与研究方法

1.1数据

1.1.1全球通量观测网络

全球通量观测网络FLUXNET(http://fluxnet.ornl.gov/)采用涡度相关技术，实时连续监测陆地生态系统与大气间CO2，水和能量交换量[16- 17]。全球通量观测网络目前已经包括分布在欧洲(CarboEurope)，美洲(AmeriFlux和Fluxnet-Canada)，亚洲(AsiaFlux和ChinaFLUX)等地区的超过500个可供长期观测的通量站点。为了降低来自于观测值的潜在误差，通过排除图像上提取到空值的站点以及遵循如下3个准则对获得的站点数据进行挑选[18- 19]：能够提供4年或者更多年的连续数据，能提供至少一年90%以上半小时的各种气象和通量数据，以及基本能够达到能量平衡。最终选取了代表6种植被功能类型和2种气候带的来自20个通量站点95个站点年的数据(表1)。这些站点主要分布于北半球，其中13个站点分布于温带地区，7个站点分布于北方森林区。

表1　研究站点描述

a: 站点ID从FLUXNET获得;b： 生物类型：常绿针叶林(NEF)，落叶针叶林(NDF)，常绿阔叶林(BEF)，落叶阔叶林(BDF)，落叶阔叶灌木(BDS)，以及草地(GRA);c： 每个站点挑选出的年份

1.1.2GPP数据集

MODSI17是美国蒙大拿大学使用MODIS GPP模型，基于MODIS15以及NASA的资料同化部(Data Assimilation Office，DAO)再分析气候[20]计算得出。该数据从http://www.ntsg.umt.edu免费获取，提供2000年至2013年，空间分辨率为1km的全球GPP/NPP数据。土地覆盖使用MODIS12Q1，由于MODIS17算法的生物属性查找表(Biome Properties Lookup Table，BPLUT)使用UMD(University of Maryland)分类方案[21]，这里提取UMD数据集。气候数据选取ECMWF气象数据，包括2.5°×2.5°的下表面太阳辐射，VPD(Vapor pressure deficit)以及2m高气温[22]。

GIMMS LAI3g由GIMMS NDVI3g推导得出[23]。GIMMS NDVI3g数据是美国国家航空航天局基于NOAA卫星上的AVHRR传感器于2013年11月份发布的最新全球植被指数变化数据，能够提供1981年7月份至2011年12月份的数据。MODIS15A2[24- 25]空间分辨率为1km，在每个像素点上都有一个质量控制(Quality Control，QC)信息。为了消除云，季节性冰雪覆盖以及仪器和模型不确定性所导致的LAI数据在时空上的不连续不一致等问题，Yuan等[26]使用改进的瞬时空间滤波(modified Temporal Spatial Filter，mTSF)结合背景值以及QC信息对质量较低的值做简单的模拟，然后在此基础上使用SG滤波(Savitzky-Golay filter)得到Improved-MODSI15，改进后的数据相比MODIS15在时空上更连续一致。

1.2GPP遥感反演算法

本文使用的MODIS GPP模型[10,22]根据GPP与植被吸收的光合有效辐射间的线性关系理论建立[4- 5,27- 28]，描述如下[14]:

GPP=εmax×f(Tamin)×f(VPD)×APAR

(1)

APAR=SWRad×0.45×(1-ek×LAI)

(2)

式中，GPP为总初级生产力(gC m-2s-1)；εmax为最大光能利用率(kg C/MJ)；APAR为植被吸收的光合有效辐射(MJ m-2s-1)，表示为45%的入射短波辐射(SWRad)和植被冠层吸收的光合有效辐射比的乘积，该辐射比通过简单的Beer定律使用LAI求出，k为冠层消光系数，一般取0.5；(1)中的f(VPD)和f(Tamin)分别是蒸汽压差和2m高气温的订正因子，计算如下：

(3)

(4)

式中，VPDmax和Tmin_max分别是在光合利用效率最大时的日最大蒸汽压差(Pa)和日最高气温(℃)，VPDmin和Tmin_min是当光合作用为0时的最小蒸汽压差(Pa)和最小气温(℃)，这些参数使用的都是BPLUT表中的默认参数。

1.3分析方法

在预处理阶段针对相应月份11a的数据，使用线性回归的方法插值出部分缺失的像元值，并将全部数据使用3×3像元窗口的均值插值法统一到0.0833°×0.0833°的分辨率。数据和站点对比验证阶段再次使用到线性回归分析，R2能够表征方程的回归效果。Pearson相关系数[29]使用在相关性分析中对应像素点上的相关性分析，采用0.05的显著性水平检验。为综合评定相关性与偏差的分析效果，使用量值Taylor skill[19]，计算公式如下:

(5)

(6)

S=2×(1+R)/(σnorm+1/σnorm)2

(7)

2结果与讨论

2.1站点比对分析

使用线性回归分析比较了各个站点的GPP数据集同通量塔观测数据的一致性程度(图1)。GPPMOD17、GPPLAI3g、GPPimpro_MOD15以及GPPMOD15这4种GPP的斜率变化区间分别是：0.414—1.588、0.35— 1.26、0.373— 1.322以及0.101—1.178，相应R2的变化区间是：0.39— 0.91、0.43—0.83、0.53—0.82以及0.06—0.82。在落叶针叶林、常绿阔叶林、落叶阔叶林和草地上GPPMOD17的斜率都大于GPPLAI3g和GPPimpro_MOD15，其中针叶落叶林的4种GPP估算效果都很好，GPPMOD17的斜率达到0.978，R2达到0.91，GPPLAI3g的斜率达到0.877，R2为0.82。估算效果最差的是草地，模拟较好的GPPMOD17斜率也只有0.414，R2只有0.59，而GPPLAI3g斜率只有0.35，R2是0.59。Sjöström等[30]比较12个站点数据，发现10个植被类型为热带草原和草原站点的εmax高于MOD17A2中生物属性查找表的值，其中6个站点的εmax相当于查找表中对应值的两倍，导致MODIS17在草地等低估生产力。此外，MODIS15A2中草地的错误分类也可能导致生物属性查找表中查找到错误的εmax；在常绿针叶林和落叶阔叶灌木丛上虽然GPPLAI3g比GPPMOD17回归效果稍好，但R2却小于GPPMOD17，RMSE大于GPPMOD17，Turner[11]研究发现MODIS GPP倾向于在低生产力的站点高估。这通常是因为MODIS GPP模型中输入的植被冠层吸收的光合有效辐射值较高，又由于MODIS GPP模型的模型自身存在光能利用率偏低的问题，进而低估高生产力的站点。所以落叶阔叶灌木丛的GPPMOD17过分高估，斜率达到1.588，R2也能达到0.9，GPPLAI3g在这种植被类型上也高估。在生产力较高的站点如常绿针叶林、落叶针叶林、落叶阔叶林，几乎所有的估算值都比站点低估。GPPLAI3g与GPPimpro_MOD15在某些植被类型上更好，整体较相近。总体上，这四种GPP中GPPMOD17的回归效果最好，而GPPLAI3g和GPPimpro_MOD15回归效果相当，GPPMOD15的最差。

图1　 GPPLAI3g, GPPMOD15, GPPimpro_MOD15 和GPPMOD17与通量观测值在不同植被类型的比较Fig.1　 Comparison of the observed and estimated GPP from GPPLAI3g, GPPMOD15, GPPimpro_MOD15 and GPPMOD17 for different biome types

2.2GPP时空变化分析

2.2.1GPP年际变化分析

因为原始的LAI数据存在部分像元值缺失以及分辨率统一过程中出现的一些问题，这里无法反应真实的GPP全球整体变化趋势。但是，通过统计4种GPP全球总值能够对比分析整体的估计效果。如表2，GPPLAI3g大约(117±1.5)PgC/a，比MODIS17的估计更大，GPPMOD15则大约(98±2)PgC/a，比GPPMOD17小。Zhao[31]分析了MODIS GPP模型对3种气候数据的响应特性，发现美国国家环境预报中心(NCEP)气象数据过度估计表面太阳辐射，并且低估气温和水汽压差，ECMWF气象数据准确度最高但其表面太阳辐射在热带地区更低，DAO气象数据准确度在这两种数据之间，与之相对应估算的GPP中，GPPNCEP最高，GPPECMWF最低，而GPPDAO则介于这两者之间。Improved-MODIS15是在MODIS15基础上改进了LAI值并且补全了某些缺值，其估计的全球GPP值(大约(107±1.5)PgC/a)与GPPMOD17(大约(107.5±1.5)Pg C/a)相当。关于全球GPP总值的研究大多认为GPP大约为120 Pg C/a[32]，所以整体上GPPLAI3g的年均全球GPP总值更接近该值。

表2　2000至2010年全球GPP总值

图2　4种GPP在常绿林上不同季节Taylor skill (S)的箱线图Fig.2　Boxplots of Taylor skill (S) for monthly GPP by models and seasons across evergreen forests,Panels show the interquartile range (box), mean (square), median (solid line), range (whiskers), and outliers (cross)图中表示了四分位距(箱)，均值(正方形)，中值(实线)，间距(须线)以及极端值(交叉)

2.2.2GPP季节变化分析

根据公式7可知，Taylor skill为1时表明估计的GPP和站点最相近，但是因为各种不确定性使得只能尽可能的接近1。将4种GPP按照4个季节做箱线图，并且按中值从大到小排列。如图2，4种GPP对夏季6—8月份和冬季12—2月份模拟的效果最好，最差的是秋季9—11月份；GPPMOD17的Taylor skill除了秋季外其它季节相比其它数据都较大且集中，秋季的GPPMOD17值最低，中值为0.5。GPPimpro_MOD15和GPPMOD15的4个季节上模拟的效果相差比较大，GPPimpro_MOD15在冬季上最好，但是相比其它3种GPP四个季节分散更开；GPPLAI3g在4个季节上的均值在0.63±0.05，而且数据各季节模拟的相对比较集中，不同的是GPPLAI3g的秋季模拟效果比春季3—5月份好。MODIS GPP模型能够较好的捕获生长季节时期的季节动态变动[9,33]，而且4种GPP大体上具有相近的季节动态。在夏季，上层灌木层活跃，MOD15模型中有更少的不确定性，GPP模拟效果最好；冬季是一个低产时期，此时的GPP模拟效果也较好；春季开始万物复苏，也是生长季节的开始，由冬转春的生态系统变化迅速，由此也会带来更多的不确定性，尤其是气温以及叶面积指数所带来的不确定性；而秋季是由热转冷的过程，叶落所带来的影响应该被认为是较大的，所以春季和秋季的估计效果相比来说是最差。Heinsch[10]的结果也表明GPPMOD17在夏季上与站点数据最接近，而春季估计的效果最差。

2.2.3GPP年均值空间分布对比

取2000至2010年的均值分析4种GPP数据在全球尺度上的分布，如图3，4种GPP数据大体上都有相同的空间分布，年均GPP较高的都分布在亚马逊流域、非洲中部以及亚洲东南部地区，这些地方的温度和湿度使得该地区的植物具有较高光合作用。较温暖的地区为中等的GPP值，低值则主要分布于气温低并且干旱地区。北半球中高纬度地区的GPP普遍在400—1200gC m-1a-1之间，这是全球GPP分布比较均匀的地区，且该地区数值占到全球GPP总量较大比重。不同点在于，GPPMOD15在北美北部，俄罗斯北部以及西亚地区的估值更低；GPPMOD17与GPPimpro_MOD15的分布更相近，而GPPLAI3g在中等GPP值地区的估值相对较高，尤其是北半球中高纬地区这也导致4种全球GPP中，GPPLAI3g的最高，GPPMOD17和GPPimpro_MOD15相近，GPPMOD15的最低。

使用光能利用率模型估计大尺度或者全球的生产力值时需要考虑模型的不确定性。这种不确定性主要来源于2方面：(1)输入数据的不确定性，包括观测误差，预处理模型的误差以及数据缺失时插值所导致的误差；气候数据不确定性带来的影响比植被类型分类误差的影响及其它的影响因素更大；(2)模型的不确定性，如最大光能利用率(εmax)在时空上是动态变化的，本文使用的却是不同植被某一固定的值；生物属性查找表中的一些参数值也待验证[34]。结合前面的分析，MODIS GPP模型能合理的模拟不同生物和气候类型的空间分布以及时间动态变化。

图3　分辨率为0.0833°的全球11a(2000—2010)平均GPPFig.3　Eleven-year (2000—2010) mean global0.0833degree

图4　4种GPP间的相关性分析Fig.4　There are four pictures to show the correlation between the four GPP data

2.3相关性分析

使用Pearson相关分析方法，并且给出显著性为0.05的检验。4种GPP(2000—2010年)两两之间的相关系数如图4所示。最显著的相关性表现在GPPLAI3g和GPPimpro_MOD15之间，大约63.29%的陆地面积呈显著的相关关系；GPPLAI3g和GPPMOD17有较差的相关关系，大约只有25.74%的陆地面积显著相关，相比之下GPPimpro_MOD15和GPPMOD17显著相关的面积能达到48.85%；GPPLAI3g和GPPMOD15这一面积比为40.61%。以上分析表明GPPLAI3g与GPPimpro_MOD15是最相关的，这可能是因为气候数据对MODIS GPP模型的影响最大所导致的。

图4，大约占比97.95%的GPPLAI3g和GPPMOD17之间显著相关面积中是正相关关系，而只有大约2.05%的显著相关区域是负相关关系。正相关主要分布在稀疏灌木丛和热带稀树草原，正相关分布与图4相似，因为在这些地方的LAI具有更低的不确定性[35]。负相关主要分布于LAI不确定性较大的区域，Fang[35]等结果表明在北方森林和热带区域MODIS LAI具有较大的不确定性。气象数据的不同也可能导致显著的负相关。图4 显示GPPLAI3g和GPPimpro_MOD15之间有显著的相关性，尤其在植被覆盖度高的地区相关性更加明显，比如亚马逊流域，和非洲中部地区。在北半球中高纬度地区(50°—70°N)，如拉斯维加斯和加拿大部分地区，出现较明显的负相关性，这些地方LAI的不确定性是所有纬度中最大的[35]，使用对MODIS15改进后模拟的GPPimpro_MOD15，能得到更好的正相关关系(图4)。

3结论

(1)站点数据验证显示，4种GPP的精度如下： GPPMOD17>GPPimpro_MOD15> GPPLAI3g> GPPMOD15。GIMMS LAI3g各站点的精度与GPPimpro_MOD15相近。4种GPP在高产量的生物类型都能有较好的精度，在草地上精度都最低，为了提高这种植被类型的精度，建议将MODIS15与其它可靠土地覆被数据进行融合分析且对εmax参数进行优化。

(2)4种GPP模拟的冬季和夏季整体好于春季和秋季，而后两个季节都是由冷转热或者由热转冷这种不确定性因素较高的时期。总体上，GPPMOD17的4个季节除春季季外估算效果都较好，GPPLAI3g的4个季节精度较相近且较好。

(3)4种GPP年均值空间分布大体相近。不同点出现在：GPPMOD15在低生产力地区更低，尤其在北美北部，俄罗斯北部以及西亚地区的GPP值估值更低； GPPimpro_MOD15与GPPMOD17的总值都大约(107±1.5)Pg C/a，空间分布也更接近，而GPPLAI3g在中高纬的估值相对较高，总值大约(117±1.5)Pg C/a。

(4)相关性分析表明GPPLAI3g和GPPimpro_MOD15大约63.29%的陆地面积呈显著(P<0.05)的正相关关系，它们和GPPMOD17在LAI不确定性小的地区呈显著的正相关关系。GPPLAI3g和GPPMOD15正相关分布面积占比为40.61%。

综上所述，GIMMS LAI3g能够较好地模拟全球GPP，并且在时空上与现有的MODIS17数据有较相近的水平。当然，为了提高模拟的精度，应该结合前面的分析对模拟的数据和参数加以改进和优化。

致谢：ECMWF提供再分析资料,美国NASA 戈达德航天中心提供GIMMS和MODIS数据,马里兰大学提供MODIS17数据,感谢北京师范大学提供Improved-MODIS LAI数据,特此致谢。

参考文献(References):

[1]方精云, 柯金虎, 唐志尧, 陈安平. 生物生产力的“4P”概念、估算及其相互关系. 植物生态学报, 2001, 25(4): 414- 419.

[2]Chapin F S III, Chapin M C, Matson P A, Vitousek P M. Principles of Terrestrial Ecosystem Ecology. New York: Springer, 2011: 127- 128.

[3]曾慧卿, 刘琪璟, 冯宗炜, 王效科, 马泽清. 基于 BIOME-BGC模型的红壤丘陵区湿地松 (Pinus elliottii) 人工林GPP和NPP. 生态学报, 2008, 28(11): 5314- 5321.

[4]Monteith J L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, 1972, 9(3): 747- 766.

[5]Monteith J L. Climate and the efficiency of crop production in Britain. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 1977, 281(980): 277- 294.

[6]Tucker C J, Fung I Y, Keeling C D, Gammon R H. Relationship between atmospheric CO2variations and a satellite-derived vegetation index. Nature, 1986, 319(6050): 195- 199.

[7]Fung I Y, Tucker C J, Prentice K C. Application of advanced very high resolution radiometer vegetation index to study atmosphere-biosphere exchange of CO2. Journal of Geophysical Research, 1987, 92(D3): 2999- 3015.

[8]Box E O, Holben B N, Kalb V. Accuracy of the AVHRR vegetation index as a predictor of biomass, primary productivity and net CO2flux. Vegetatio, 1989, 80(2): 71- 89.

[9]赵晶晶, 刘良云, 徐自为, 焦全军, 彭代亮, 胡 勇, 刘绍民. 华北平原冬小麦总初级生产力的遥感监测. 农业工程学报, 2011, 27(增刊1): 346- 351.

[10]Heinsch F A, Zhao M S, Running S W, Kimball J S, Nemani R R. Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1908- 1925.

[11]Turner D P, Ritts W D, Cohen W B, Gower S T, Running S W, Zhao M S, Costa M H, Kirschbaum A A, Ham J M, Saleska S R. Ahl D E. Evaluation of MODIS NPP and GPP products across multiple biomes. Remote Sensing of Environment, 2006, 102(3/4): 282- 292.

[12]Bala G, Joshi J, Chaturvedi R K, Gangamani H V, Hashimoto H, Nemani R. Trends and variability of AVHRR-Derived NPP in India. Remote Sensing, 2013, 5(2): 810- 829.

[13]Ichii K, Kondo M, Okabe Y, Ueyama M, Kobayashi H, Lee S J, Saigusa N, Zhu Z C, Myneni R B. Recent changes in terrestrial gross primary productivity in Asia from 1982 to 2011. Remote Sensing, 2013, 5(11): 6043- 6062.

[14]Wang J, Dong J, Liu J, Huang M, Li G, Running S W, Smith W K, Harris W, Saigusa N, Kondo H, Liu Y F, Hirano T, Xiao X M. Comparison of gross primary productivity derived from GIMMS NDVI3g, GIMMS, and MODIS in southeast Asia. Remote Sensing, 2014, 6(3): 2108- 2133.

[15]Zhu L K, Southworth J. Disentangling the Relationships between Net Primary Production and precipitation in southern Africa savannas using satellite observations from 1982 to 2010. Remote Sensing, 2013, 5(8): 3803- 3825.

[16]王健, 孙林. 使用FLUXNET数据验证GLASS地表反照率. 山东建筑大学学报, 2013, 28(1): 50- 53.

[17]王绍强, 陈蝶聪, 周蕾, 何洪林, 石浩, 闫慧敏, 苏文. 中国陆地生态系统通量观测站点空间代表性. 生态学报, 2013, 33(24): 7715- 7728.

[18]Wilson K B, Goldstein A, Falge E, Aubinet M, Baldocchi D, Berbigier P, Bernhofer C, Ceulemans R, Dolman H, Field C, Grelle A, Ibrom A, Law B E, Kowalski, Meyers T, Moncrieff J, Monson R, Oechel W, Tenhunen J, Valentini R, Verma S. Energy balance closure at FLUXNET sites. Agricultural and Forest Meteorology, 2002, 113(1/4): 223- 243.

[19]Chen J, Zhang H, Liu Z, Che M, Chen B. Evaluating parameter adjustment in the MODIS gross primary production algorithm based on eddy covariance tower measurements. Remote Sensing, 2014, 6(4): 3321- 3348.

[20]DAO. Data Assimilation Office (DAO) Algorithm Theoretical Basis Document (ATBD). Greenbelt, MD: Data Assimilation Office, Goddard Space Flight Center, Greenbelt, MD, 2002.

[21]Hansen M, DeFries R, Townshend J R G, Sohlberg R. UMD Global Land Cover Classification, 1 Kilometer, 1.0. Maryland: Department of Geography, University of Maryland, College Park, Maryland, 1998: 1981- 1994.

[22]Jung M, Vetter M, Herold M, Churkina G, Reichstein M, Zaehle S, Ciais P, Viovy N, Bondeau A, Chen Y M, Trusilova K, Feser F, Heimann M. Uncertainties of modeling gross primary productivity over Europe: A systematic study on the effects of using different drivers and terrestrial biosphere models. Global Biogeochemical Cycles, 2007, 21(4): GB4021.

[23]Zhu Z C, Bi J, Pan Y, Sangram Ganguly, Alessandro Anav, Xu L, Arindam Samanta, Piao S L, Nemani RR, Myneni RB. Global data sets of vegetation Leaf Area Index (LAI)3g and Fraction of Photosynthetically Active Radiation (FPAR)3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the period 1981 to 2011. Remote Sensing, 2013, 5(2): 927- 948.

[24]Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment, 2004, 91(3/4): 490- 507.

[25]Myneni R B, Hoffman S, Knyazikhin Y, Privette J L, Glassy J, Tian Y, Wang Y, Song X, Zhang Y, Smith G R, Lotsch A, Friedl M, Morisette J T, Votava P, Nemani R R, Running S W. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 2002, 83(1/2): 214- 231.

[26]Yuan H, Dai Y J, Xiao Z Q, Ji D Y, Shangguan W. Reprocessing the MODIS leaf area index products for land surface and climate modelling. Remote Sensing of Environment, 2011, 115(5): 1171- 1187.

[27]Running S W, Nemani R R, Heinsch F A, Zhao M S, Reeves M, Hashimoto H. A continuous satellite-derived measure of Global terrestrial primary production. Bioscience, 2004, 54(6): 547- 560.

[28]Mekonnen Gebremichael, Ana P Barros. Evaluation of MODIS Gross Primary Productivity (GPP) in tropical monsoon regions. Remote Sensing of Environment, 2006, 100(2): 150- 166.

[29]Maselli F, Barbati A, Chiesi M, Chirici G, Corona P. Use of remotely sensed and ancillary data for estimating forest gross primary productivity in Italy. Remote Sensing of Environment, 2006, 100(4): 563- 575.

[30]Sjöström M, Zhao M, Archibald S, Arneth A, Cappelaere B, Falkf U, de Grandcourt A, Hanan N, Kergoat L, Kutsch W, Merbold L, Mougin E, Nickless A, Nouvellon Y, Scholes R J, Veenendaal E M, Ardö J. Evaluation of MODIS gross primary productivity for Africa using eddy covariance data. Remote Sensing of Environment, 2013, 131(4): 275- 286.

[31]Zhao M S, Running S W, Nemani R R. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of meteorological reanalyses. Journal of Geophysical Research, 2006, 111(G1): G01002.

[32]Ciais P, Denning A S, Tans P P, Berry J A, Randall D A, Collatz GJ, Sellers P J, White J W C, Trolier M, Meijer H A J, Francev R J, Monfrav P, Heimann M. A three-dimensional synthesis study of δ18O in atmospheric CO2: 1. Surface Fluxes. Journal of Geophysical Research, 1997, 102(D5): 5857- 5872.

[33]Nightingale J M, Coops N C, Waring R H, Hargrove W W. Comparison of MODIS gross primary production estimates for forests across the U.S.A. with those generated by a simple process model, 3-PGS. Remote Sensing of Environment, 2007, 109(4): 500- 509.

[34]Zhao M S, Heinsch F A, Nemani R R, Running S W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164- 176.

[35]Fang H L, Wei S S, Jiang C Y, Scipal K. Theoretical uncertainty analysis of global MODIS, CYCLOPES, and GLOBCARBON LAI products using a triple collocation method. Remote Sensing of Environment, 2012, 124(124): 610- 621.

基金项目:中国科学院气候变化：碳收支与相关问题项目(XDA05040403); 中国国家高新技术研究与发展计划项目(2013AA122002)

收稿日期:2014- 10- 13; 网络出版日期:2015- 10- 10

*通讯作者

Corresponding author.E-mail: baozhang.chen@igsnrr.ac.cn

DOI:10.5846/stxb201410132015

Estimated gross primary productivity based on global leaf area index

XU Boxuan1,2, CHEN Baozhang1,2,*, XU Guang2,3, CHEN Jing2, CHE Mingliang2,3

1CollegeofEnvironmentandSpatialInformatics,ChinaUniversityofMiningandTechnology,Xuzhou221116,China2StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicalSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China3UniversityofChineseAcademyofSciences,Beijing100049,China

Abstract：Long-term, series gross primary production (GPP) data are important in carbon cycle research. The MOD17 algorithm, which is based on the radiation conversion efficiency concept of Monteith, has been used widely for estimating GPP. However, MODIS17 only provides the global GPP since 2000 due to the short time series of the MODIS leaf area index (MODIS15). LAI plays an important role in calculating the fraction of photosynthetically active radiation absorbed by plants, and errors in LAI will be propagated to GPP estimates. Three global LAI are available: MODIS15, improved-MODIS15, and Global Inventory Modeling and Mapping Studies (GIMMAS) LAI3g. The improved-MODIS15 LAI is more realistic and smoother than the MODIS15 because it uses quality control information and an integrated two-step method. The GIMMAS LAI3g is a new 30-year time series global LAI (1981—2011). In this study, we compared the global GPP estimates during 2000—2010 by using the MODIS GPP algorithm based on the three global LAI. The global GPP estimates based on GIMMAS LAI3g, MODIS15, and improved-MODIS15 are referred to as GPPLAI3g, GPPMOD15, and GPPimpro_MOD15, respectively. We also compared remote sensing-based GPP estimates with eddy covariance (EC) flux tower-measured GPP. The representative EC flux towers were selected by considering major typical plant functional types. We also analyzed spatio-temporal patterns and their correlations with the three GPP estimates as well as the MODIS17. The results showed the following. (1) The overall accuracy of the four global GPP estimates may be ranked as GPPMOD17> GPPimpro_MOD15> GPPLAI3g> GPPMOD15. (2) The four GPP estimates had high seasonal dynamic consistency. The estimated GPP values were closer to the flux tower-measured GPP in summer and winter than in spring and autumn. The accuracy of GPPLAI3gwas consistent for all seasons; GPPMOD17was more accurate than GPPLAI3gfor all seasons except for spring and fall. (3) GPPLAI3goverestimated GPP for areas with moderate GPP values, i.e., the global total GPP value estimated by GPPLAI3gwas approximately (117±1.5) Pg C/a, which was higher than GPPMOD17and GPPimpro_MOD15. (4) The annual GPP values estimated by GPPLAI3gwere positively correlated with those by GPPimpro_MOD15, and approximately 63.29% of the global vegetated area had a significant correlation (P < 0.05). The GPPLAI3gvalues were positively correlated with GPPMOD15in regions with low LAI uncertainty. Approximately 40.61% of the global vegetated area was significantly correlated with GPPLAI3gand GPPMOD15. There were also several negatively correlated areas, which may have been related to uncertainties and errors in the LAI and meteorological data. Based on our comparison, we conclude that GIMMS LAI3g is an effective dataset for GPP simulation at the global scale, and thus, the 30-year long-term GPP series estimated using the GIMMS LAI3g and MODIS GPP algorithms are reasonably acceptable.

Key Words:GIMMS LAI3g; gross primary productivity (GPP); Improved-MODIS15 LAI; MODIS15 LAI; MODIS GPP algorithm

徐博轩，陈报章，许光，陈婧，车明亮.基于叶面积指数估算植被总初级生产力.生态学报,2016,36(12):3546- 3555.

Xu B X, Chen B Z, Xu G, Chen J, Che M L.Estimated gross primary productivity based on global leaf area index.Acta Ecologica Sinica,2016,36(12):3546- 3555.