基于日光诱导叶绿素荧光的陆地生态系统GPP估算研究

董 恒 郭 宏 袁艳斌

(武汉理工大学资源与环境工程学院， 武汉 430070)

0 引言

陆地生态系统总初级生产力(Gross primary productivity, GPP)是指单位时间和单位面积上，绿色植物通过光合作用所固定的有机碳总量，又称总第一性生产力[1]。作为地球生物圈中的主要生产者，绿色植被所固定的化学能为地球上其他所有生物提供能量。因此，精确估算世界各地总初级生产力是目前急需解决的问题。

植被生产力的模拟研究经历了从最初的简单统计模型、遥感数据驱动的过程模型到动态全球植被模型等多个发展阶段。遥感数据因其能够提供时空连续的植被变化特征，在区域评估和预测研究中扮演了不可替代的角色[2]。现阶段，利用遥感数据来进行GPP估算的模型主要包括经典的光能利用率(Light use efficiency, LUE)模型以及近年来发展迅速的基于日光诱导叶绿素荧光(Sun-induced chlorophyll fluorescence, SIF)的GPP估算模型。光能利用率模型的核心思想是植被在吸收了光合有效辐射(Absorbed photosynthetically active radiation, APAR)后会按照一定的比例将太阳能固定为有机化学能，这一转化比例就是光能利用率[3]。比较著名的光能利用率模型包括GLO-PEM模型[4]、MOD17模型[5]、VPM模型[6-8]、TURC模型[9]。这类模型具有诸如遥感数据获取便捷、可进行大范围估算、模型简单等优点，是目前国内外学者广泛采用的GPP估算模型。

基于日光诱导叶绿素荧光的GPP估算模型是近年来逐渐兴起的一种新型的GPP估算模型。利用传统的诸如植被指数、叶片叶绿素浓度、生物量、冠层结构等植被参数估算GPP需要众多的辅助数据以及繁杂的模拟步骤，且模型具有一定的滞后性。而叶绿素荧光作为植被光合作用过程中的副产品可以更加快速准确地反映植被内部的生理状态变化，因此相较于光能利用率模型而言，叶绿素荧光模型有着更加坚固的理论基础[10]。各国学者也已经开展了许多利用叶绿素荧光估算GPP的研究，利用叶绿素荧光来估算农田[11-12]、草地[13]、森林[14]等生态系统的GPP，并取得了较好的效果。然而，这些研究中所使用的叶绿素荧光估算模型仅包含叶绿素荧光这一单一要素，未将冠层自身结构以及外界环境对植被的影响考虑在内，这也在一定程度上限制了模型估算精度的提升。

针对此问题，本研究结合不同植被类型的13个通量站点作观测数据，在传统线性模型的基础上融入温度胁迫因子和饱和水气压胁迫因子，并利用植被指数的不同数学形式对叶绿素荧光的冠层逃逸率进行模拟，构建新的叶绿素荧光GPP估算方法，以期为利用日光诱导叶绿素荧光估算大区域的GPP提供新的途径。

1 数据和方法

1.1 研究区域

由于通量塔探测足迹往往小于1 km2，GOME-2遥感图像像元的空间尺度为0.5°×0.5°，因此需要通过计算相应指标来评估通量站点对其所在像元的代表性。参照文献[15]，若一个站点所观测的植被类型占该站点对应像元面积的60%以上，且该像元内的EVI标准差小于0.1，则该站点被选作研究站点。筛选出的通量站点具体信息如表1所示。

表1 通量站点信息Tab.1 Information of flux sites

1.2 数据

1.2.1叶绿素荧光数据

本次研究所采用的叶绿素荧光数据是由搭载在MetOp-A卫星上的GOME-2传感器测量得到的SIF740产品。GOME-2叶绿素荧光数据集包括V26和V27两个版本，V27在V26的基础上添加了新字段并改进了误差矫正方法。GOME-2叶绿素荧光数据分为level 2和level 3两个级别，level 2是日尺度叶绿素荧光产品，level 3是在level 2数据基础上经过一系列处理得到的空间分辨率为0.5°×0.5°的月尺度叶绿素荧光产品。本研究选用的数据是V27版本的level 3数据，该数据可从网站(http:∥avdc.gsfc.nasa.gov/pub/data/satellite/MetOp/GOME_F/)免费下载。

1.2.2通量站点数据

通量站点数据来源于FLUXNET团队制作的FLUXNET2015数据集(http:∥fluxnet.fluxdata.org/data/fluxnet2015-dataset/)。FLUXNET 2015数据集涵盖不同区域通量站点网中212个通量站点的多年观测数据。这212个通量站点均匀分布于全球各地，各个站点观测的植被类型也不尽相同，为开展全球碳循环规律等方面的研究提供了很好的数据支撑。

1.2.3植被指数数据

本研究所使用的MOD13C2植被指数产品由搭载在Terra卫星上的MODIS传感器测量获得。该产品是月尺度植被指数产品，空间分辨率为0.05°×0.05°，包含了归一化植被指数NDVI、增强植被指数EVI、植被指数数据质量标识、红光波段反射率、近红外波段反射率、蓝光波段反射率、中红外波段反射率、平均太阳高度角等数据，该数据可从网站(https:∥lpdaac.usgs.gov/data_access/data_pool)下载。

1.2.4土地覆盖数据

土地覆盖数据是由马里兰大学基于MCD12Q1产品经过空间聚合后生产的土地分类数据(http:∥www.landcover.org/data/lc/)。数据的时间尺度为年尺度，空间分辨率为5′×5′。数据所遵循的土地分类标准是IGBP土地分类标准，包含17种不同的土地类型，其中有12种是植被类型，分别是常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混合林、郁闭灌木林、稀疏灌木林、灌木草原、稀树草原、草地、耕地、耕地与自然植被。

1.3 研究方法

植被发射的叶绿素荧光与光合作用之间有着密不可分的关系，但仅用叶绿素荧光并不能完全解释植被的光合作用状态，需要将环境等因素考虑在内。参考GUANTER等[11]提出的叶绿素荧光GPP估算模型[16]为

(1)

式中GPP——总初级生产力,gC/(m2·d)

SIF——叶绿素荧光,mW/(m2·nm·sr)

LUE——光能利用率,%

LUEf——荧光量子产量,%

fesc——叶绿素荧光的冠层逃逸率

由于远红外波段受冠层影响较小，因此一般默认fesc为1。

对于LUEf而言，除非遇到比较极端的天气状况(高温、干旱、霜冻等)，否则LUEf的变化不会很大[17-18]。同时考虑到本次研究所使用的荧光数据分辨率较低，难以反映出LUEf的变化，故将LUEf设为定值进行研究。

LUE是GPP光能利用率模型中的核心参数，已经有许多科学家开展相关研究来寻找计算LUE的方法。本研究选用MOD17产品使用的LUE计算方法，其计算公式为

LUE=LUEmaxTMINscalarVPDscalar

(2)

其中

(3)

(4)

式中LUEmax——最大光能利用率,%

TMINscalar——最低温调节系数

VPDscalar——饱和水汽压差调节系数

TMIN——全天最低温度,℃

TMINmin——植被光能利用率为0时的最低温度,℃

TMINmax——植被光能利用率达到最大值时的最低温度,℃

VPD——日间平均饱和水汽压差,Pa

VPDmin——植被光能利用率为0时的日间平均饱和水汽压差,Pa

VPDmax——植被光能利用率达到最大值时的日间平均饱和水汽压差,Pa

LUEmax、TMINmin、TMINmax、VPDmin和VPDmax可在MOD17产品说明中查阅得到，具体参数如表2所示。至此，本研究的叶绿素荧光GPP估算方法构建完成，公式为

GPP=SIFTMINscalarVPDscalara+b

(5)

式中a、b——模型拟合获得的常数

虽然在一般情况下，fesc设置成1，但有研究表明，通过改进fesc也可以提升模型的估算精度。植被指数是冠层叶绿素含量和叶面积指数LAI很好的指示器[19-20]，本文利用NDVI和EVI的不同数学形式来模拟fesc。总初级生产力的估算方法为

GPP=SIFTMINscalarVPDscalarf(VI)a+b

(6)

式中f(VI)——植被指数的相关函数

表2 MOD17参数Tab.2 Parameters of MOD17

2 结果分析

2.1 评价指标

(7)

(8)

(9)

式中GPPactual——通量站点测量的实际GPP,gC/(m2·d)

GPPpredict——本研究模型估算得到的GPP,gC/(m2·d)

GPPmean——实测GPP的平均值,gC/(m2·d)

n——样本数量

p——特征数量

RMSE——均方根误差,gC/(m2·d)

校正决定系数在决定系数的基础上引入了样本数量和特征数量，消除了样本数量和特征数量的影响。

2.2 融入环境影响因子后的模型估算精度分析

表3 各站点估算精度Tab.3 Estimated accuracy for each site

与传统线性模型相比，从表3中可以看出，除FR-Pue、US-Whs、US-SRC这3站点外，剩余10个站点估算精度都有所提升，提升最大的是US-MMS站点，其R2提升了0.251 9。从植被类型上看，传统模型的模拟精度在稀疏灌木林类型的两个站点均优于本文提出的估算模型，但是其模型效果也不理想，决定系数都低于0.330 0，说明无论是传统线性模型还是本文提出的估算模型都不能很好地解释稀疏灌木林的植被光合作用状况。总体来说，在传统线性模型中加入环境影响因子在一定程度上提升了模拟精度。

2.3 融入植被指数后的模型估算精度分析

本文不仅在传统线性模型的基础上进行了改进，还在加入环境影响因子的基础上利用植被指数模拟了叶绿素荧光的冠层逃逸率，试图进一步提高模型的模拟精度。本文选用了NDVI和EVI两个常用的植被指数来改进模型。由于尚未理清植被指数和fesc之间的关系，因此，本文分别用植被指数的线性模型、幂函数模型、指数模型、对数模型这4种模型来模拟fesc。具体结果如表4所示。

从表4中可以看出，NDVI改进后，每个站点的估算精度与环境因子模型相比都有了一定的提升。其中，提升较大的包括FR-Pue、US-MMS这2个站点，其R2均提升0.1以上。提升最大的是FR-Pue站点，其R2从0.402 9提升至0.617 0。虽然在传统线性模型的基础上加入环境影响因子后，FR-Pue站点的R2低于传统线性模型的R2，但是在经过NDVI改进之后，其R2超过了传统线性模型。说明在考虑了冠层对于叶绿素荧光逃逸的影响后，模型的估算精度优于传统线性模型的估算精度。

在13个站点中，有8个站点经过EVI改进后模型的R2高于经过NDVI改进后模型的R2，说明EVI对模型的改进能力优于NDVI。

而植被指数的不同形式对于模型的改进程度也不一样，线性形式、幂函数形式、指数形式、对数形式均可对模型进行不同程度的改进，但是不同的站点所最适合的形式也不一样。因此，亦不能确定以何种数学形式将植被指数融入到叶绿素荧光模型之中。更好地模拟fesc这一参数还需要通过更多的研究才能实现。

表4 植被指数改进结果Tab.4 Vegetation index improvement results

2.4 不同GPP估算模型结果的年际特征比较分析

图1展示了不同站点不同GPP估算模型估算结果的年际变化特征。总体上来看，这4个GPP估算模型估算结果的季节性变化规律和年际特征相似，不同之处在于不同估算模型估算结果随时间的变化幅度不同。其中，GPPEC表示通量站点测量的GPP；GPPSIF表示传统线性模型估算得到的GPP；GPPENV表示在传统线性模型的基础上融入环境因素后估算得到的GPP；GPPNGT表示NGEE-Tropics项目的GPP估算模型估算结果。

图1 各站点不同GPP估算模型估算结果季节性变化曲线Fig.1 Seasonal changes in different GPP products at each site

可以看出，位于北半球的US-AR1、DE-Geb等站点的4个GPP估算模型估算结果都在北半球的夏季时期(6—8月)达到峰值，在北半球的冬季时期(12月、1月、2月)达到最低值。而位于南半球的ZA-Kru、AU-DaS等站点的4个GPP估算模型估算结果则都在南半球的夏季时期(12月、1月、2月)达到峰值，在南半球的冬季时期(6—8月)达到最低值。说明无论是在北半球还是南半球，各类型植被的生理状态都在夏季时期最为活跃，冬季最为平淡。

从图1中可以看出，GPPSIF和GPPENV的变化幅度较为接近，原因是估算GPPENV的模型是在估算GPPSIF的模型基础上加入环境影响因子而得到的。因此，这两个模型在估算GPP时随时间的变化规律和幅度较为相似。然而，这二者的估算结果又有一些区别。GPPENV相较于GPPSIF来说与GPPEC的变化规律更加接近，虽然GPPENV和GPPSIF均会出现高值低估和低值高估的现象，但是GPPSIF的误差更大。说明通过引入环境影响因子，叶绿素荧光模型更能反映实际的植被光合作用状况，而传统线性模型中仅包含叶绿素荧光这一个因素，在许多情况下还是有不足。

对于GPPNGT来说，在AU-DaS、DE-Kli、US-ME6、FR-Pue、AU-Stp这些站点出现了GPPNGT过高的现象，在US-SRC、US-Whs站点出现了GPPNGT过低的现象，而在其他的站点GPPNGT与其他估算模型估算结果差别不大。US-SRC和US-Whs站点都属于稀疏灌木林类型，说明不仅仅是环境因子模型和传统线性模型在模拟稀疏灌木林的GPP时精度较低，GPPNGT与实测的GPP相差也较大；而在剩余的11个站点中，有5个站点的GPPNGT明显大于其他3个估算模型结果的值，有6个站点的GPPNGT与其他估算模型估算结果相差不大，说明GPPNGT总体上还是偏高。

3 结论

(1)传统线性模型中融入环境影响因子后，13个通量站点的估算结果中有10个站点的估算精度得到提升，有3个站点的估算精度有所下降。说明在加入了环境影响因子后，模型总体估算精度的提升较为明显。

(2)通过分析比较不同GPP估算模型估算结果的年际特征，发现相较于GPPSIF来说，GPPENV的变化规律更接近实际测量的GPPEC的变化规律。说明单因素的传统线性模型还不能完全反映植被的光合作用状况。

(3)利用植被指数对叶绿素荧光冠层逃逸率进行模拟，提升所有13个站点的估算精度。说明通过模拟冠层逃逸率来提升模型的估算精度十分有效。