基于多種遙感植被指數、葉綠素熒光與CO2通量數據的溫帶針闊混交林物候特征對比分析

劉嘯添,周蕾,石 浩,王紹強,3,遲永剛

1 中國礦業大學(北京)地球科學與測繪工程學院, 北京 100083 2 中國科學院地理科學與資源研究所生態系統網絡觀測與模擬重點實驗室, 北京 100101 3 中國科學院大學資源與環境學院, 北京 100190

植被物候學是研究植物(包括農作物)與環境條件(氣候、水文、土壤)相互作用及其影響機制的學科[1],植被的生長變化特征會影響生態系統的結構與功能,如葉片面積、光合作用、碳循環、物種構成等[2- 4],這些變化反過來又會影響氣候系統,從而加劇氣候變化。在眾多植被類型中,森林植被占地約1.4×105萬hm2,占全球面積的9.4%,儲存了陸地生態系統76%—98%的有機碳,在調節全球碳平衡、維護全球氣候穩定等方面具有至關重要的作用[5],因此監測森林植被物候并研究其周期性變化規律具有重要理論意義與應用價值[6]。

衛星遙感數據能夠在多種尺度上為各類生態系統提供植被物候的有效信息[7],因此成為森林物候監測的主要手段[8]。時間序列的衛星遙感觀測數據,例如MODIS數據被廣泛應用于提取植被物候特征的研究中,其中植被指數產品能夠在較大時空尺度上準確反映植被綠度,如歸一化植被指數(NDVI)與增強型植被指數(EVI),因此廣泛應用于植被物候的研究中[9- 11]。盡管MODIS植被指數被公認為是質量較高的植被指數產品之一[12],但由于計算公式和后處理中的不足[13],植被指數在物候監測中存在著較為明顯的缺陷,如NDVI易受土壤背景、云霧遮擋影響,且在高植被覆蓋度區存在易飽和問題[14- 15]。EVI雖然改進了反演波段的計算方法使其對植被冠層結構更為敏感,但依然存在殘留氣溶膠的噪聲影響,使植被物候監測結果的不確定性大大提高。

隨著Greenhouse Gases Observing Satellite(GOSAT),Global Ozone Monitoring Experiment 2(GOME- 2), 以及Orbiting Carbon Observatory 2(OCO- 2)等衛星的發射,使得在全球范圍內進行SIF數據反演并投入到植被物候研究中成為可能[16- 17]。葉綠素熒光作為光合作用的副產物,不局限于葉片表觀顏色的變化觀察,而是監測植被內在的光合作用過程[6]。Joiner等[17]采用GOSAT SIF與MODIS EVI、NDVI數據對全球多處區域進行植被季節變化分析,結果表明SIF與植被指數具有不同的季節性以及相對強度變化,且SIF含有獨立于植被指數的信息。劉新杰等[18]利用GOSAT衛星數據進行SIF反演并結合MODIS EVI對我國西北、西南、華北地區進行物候研究,發現SIF時間序列曲線較EVI季節變化更加明顯且相對較早,認為SIF數據中含有EVI數據無法表現的特殊信息。Walther等[19]采用GOME- 2 SIF以及MODIS NDVI、EVI數據,對中高緯森林進行物候對比研究,發現3種指數的季節變化曲線存在較大差異。由此可見,NDVI、EVI與SIF數據在植被物候監測上差異較大并對監測結果產生顯著影響。

中國東北地區森林覆蓋度高,其中以長白山地區森林植被種類最為豐富且季節特征明顯,是森林物候研究的理想區域[20],且國內鮮有利用SIF數據對該地區森林植被進行物候監測的研究,因此本文采用目前應用最廣泛的植被指數MODIS NDVI,EVI以及GOME- 2 SIF數據,選擇具有中高緯森林代表性的長白山溫帶紅松闊葉林通量站點為研究區域,對3種指數的物候特征進行對比分析,并結合通量站觀測數據估算出的總初級生產力(Gross Primary Productivity, GPP)數據進行驗證,以探索3種指數在森林物候研究中的具體特性。

1 研究站點概況

長白山溫帶紅松闊葉林通量觀測站位于吉林省延邊朝鮮族自治州安圖縣二道白河鎮。該站地處長白山自然保護區內,地理坐標42°24′9″N,128°05′45″E,海拔高度738 m,屬受季風影響的溫帶大陸性氣候,具有顯著的中緯度山地氣候特征,春季干旱多風,夏季炎熱多雨,冬季干燥寒冷,年平均氣溫3.6℃,年平均降水量713 mm,主要集中在6—8月,全年日照時數為2271—2503 h,無霜期109—141 d。

長白山的植被具有典型的垂直地帶性,是我國自然生態系統保存最完整的地區之一,是擁有大量物種資源的生物基因庫。通量塔下墊面植被為闊葉紅松林,為典型的地帶性植被,主要建群樹種有紅松(Pinuskoraiensis)、椴樹(Tiliatuan)、蒙古櫟(Quercusmongolica)、水曲柳(FraxinusmandshuricaRupr)、色木(AcermonoMaxim)等,平均樹高26 m[21]。

2 數據來源與研究方法

2.1 數據獲取與預處理

2.1.1 MODIS植被指數

NDVI、EVI植被指數產品采用MOD13A2 V006版本,16 d最大值合成,每年23期數據,空間分辨率1 km,時間范圍2007—2013年。所采用的MODIS遙感產品均來自LP DAAC網站(https://lpdaacsvc.cr.usgs.gov/appeears/)提供的AppEEARS(Application for Extracting and Exploring Analysis Ready Samples)應用。

表1 權值參照表

遙感數據由于環境條件、傳感器精度等多種原因會導致數據中含有噪聲影響,因此利用MOD13A2中與每一期數據相對應的“Data pixel reliability”數據集(表1)以及云掩、陰影、冰雪覆蓋等質量文件對NDVI、EVI數據進行質量控制,剔除掉數值標識為2、3(冰雪覆蓋或云遮擋)質量差的數據,再結合質量文件對數據標識為1的數據進行處理,剔除掉存在云掩等噪聲影響的數據,最后利用線性插值插補數據并賦予權值。

從圖1可以看出,經過質量控制后處于非生長季階段(1—4月,9—12月)的數據由于采集條件較差,數值偏低被剔除,但時間序列數據曲線波動依然較大,存在多處異常值,雖然質量文件中未顯示有環境條件的干擾因素,但仍存在傳感器精度、觀測角度等影響,因此需要進一步去除噪聲影響以供后續分析。

圖1 質量控制前后的NDVI、EVI時間序列曲線Fig.1 NDVI, EVI time series curve comparison before and after the quality controNDVI：歸一化植被指數,Normalized Difference Vegetation Index；EVI：增強型植被指數,Enhanced Vegetation Index

2.1.2 葉綠素熒光數據

2007—2013年的SIF 數據采用K?hler等[22]利用搭載在MetOp-A衛星上的GOME- 2[23]測量數據中波段范圍740 nm的數據反演得到8 d最大值合成,每年46期數據,空間分辨率0.5°×0.5°的數據,根據長白山通量站點坐標提取該站點的SIF時序數據并利用殘差平方和進行質量控制,高于2(m W m-2sr-1nm-1)的數據被剔除并采用線性插值插補。

SIF數據的空間分辨較低,國內外對于物候研究中SIF數據的使用通常將其他數據的空間分辨率重采樣為0.5°×0.5°[19,24]。考慮到本研究是基于通量站點為研究區域,數據的處理計算均以站點為中心,區域內空間同質性較好,植被類型一致,參考Joiner等[25]物候研究成果,該研究引入SIF相同尺度的MPI-BGC模型[26]GPP數據作為數據誤差的分析參照,結果表明森林站點的SIF數據與通量站以及模型GPP值的一致性均較為理想,空間代表性差異的影響存在但可接受,故在本文中為了盡可能保證遙感數據與通量數據的空間代表性一致,保留了遙感數據的原始空間分辨率。

2.1.3 通量數據

總初級生產力(GPP)是植被單位時間內通過光合作用吸收太陽光能產生有機物的總量,又稱總第一性生產力[27],能夠直接且準確地反映植被生長狀態。

通量觀測以較高的時間頻率連續測量地表植被與大氣間二氧化碳、水汽以及能量的交換,提供了植被精確的代謝活動數據,高度連續的觀測數據也更加準確地反映出植被生長季的起止等關鍵物候時間點。同時,長白山溫帶紅松闊葉林通量觀測站數據采集源區基本在1 km2左右,與季節更替和大氣條件穩定與否相關,總體上與MODIS植被指數產品空間分辨率一致[28]。因此使用通量觀測直接獲取的凈生態系統碳交換量(NEE)并估算生態系統呼吸(Re)計算出的GPP,常作為“真值”檢驗遙感地面反演模型的結果[29]。

由于通量數據存在觀測條件不滿足相關假設與傳感器標定問題,渦流的隨機性與傳感器內部的噪聲問題等,因此需要對通量觀測數據進行坐標軸旋轉、WPL校正和儲存項校正以消除地形、 空氣水熱傳輸和觀測高度對于觀測數據的影響[30]。由于夜間大氣層結構穩定導致夜間觀測到的CO2交換通量存在不能反映真實交換通量的可能性,因此需要對夜間湍流較弱情況下的數據進行U*剔除并對天氣異常、 電力不穩定以及蟲禽干擾等造成的錯誤數據進行剔除[31]。

在進行數據的校正和插補后,將每日每半小時間隔的連續觀測數據加和得到2003—2010年逐日的GPP時間序列數據(圖2)。

圖2 長白山站2003—2010年GPP季節變動曲線圖Fig.2 Seasonal variation of GPP in Changbai Mountain station for 2003—2010

通量數據在本文中作為驗證數據,被當做植被物候的客觀“真值”曲線,由于時間分辨率越高,植被的物候曲線會保留更多植被生長變化的細節,提供更符合植被真實生長狀態的物候信息,因此并未對GPP進行8 d的最大值合成而是計算成每日的通量數據并應用到物候曲線分析中。

2.2 物候特征參數提取

本研究中采用模型擬合結合動態閾值法進行物候參數提取,并在TIMESAT軟件3.2版本完成,選擇生長季開始時間(start of growth season, SOS)、生長季結束時間(end of growth season, EOS),生長季長度(length of growth season, LOS),季節中點(time for the mid of the season)4個參數,并統計時序數據的最大值時間點進行物候分析。

2.2.1 數據異常值處理

經過預處理之后,數據仍存在著明顯的異常點,必然會影響擬合后的曲線形態和精確度,因此需要利用TIMESAT進行異常值處理。

本文選擇利用STL(Seasonal and Trend decomposition using Loess)分解法結合數據權值文件的方式對3種指數進行異常值處理。STL分解法是以魯棒局部加權回歸作為平滑方法的時間序列分解方法,其中Loess(locally weighted scatterplot smoothing)為局部多項式回歸擬合[32],與原始權值文件結合使用可更好地考慮到數據特性。經過異常值處理后3種指數的時間序列曲線形態得到明顯改善,去除生長季與非生長季的異常值。由于SIF是每年46期數據而MODIS植被指數為每年23期數據,因此曲線形態上SIF變化更加細致。三種指數異常值處理前后曲線對比如圖3所示,紅色虛線為處理后剔除掉的異常值部分。

圖3 3種指數時間序列曲線處理前后對照圖Fig.3 Three time series curve before and after the processing comparison SIF：葉綠素熒光,chlorophyll fluorescence

2.2.2 擬合模型選擇與物候特征參數提取

TIMESAT 3.2中共提供了3種擬合模型,考慮到模型的構建原理與適用性,針對D-L擬合(Double logistic functions)與S-G濾波(Adaptive Savitzky-Golay filtering)通過式1計算Pearson相關系數,并繪制3種數據生長季數據點的殘差箱線圖比較兩種方法保持原時間序列曲線整體形態和高質量點的能力。

(1)

圖4 3種指數擬合前后曲線相關系數 Fig.4 Correlation coefficients of three indices fitting curves

根據圖4和圖5所示,D-L擬合法在擬合前后曲線相關系數上明顯更具優勢,只在SIF數據上略低于S-G濾波,但也達到了0.955,其它兩種數據分別為0.977和0.966,很好地保留了原時間序列曲線的整體特征。在生長季高質量數據點的偏差分布上,D-L模型處理后整體偏差較小且分布更為均勻集中,表明在較好地保留高質量數據點的同時也使得曲線更加平滑。

圖5 3種指數擬合前后殘差箱線圖(只保留生長季(4—9月)高質量數據點)Fig.5 Residual box chart of three indices after function fitting (only retain the high quality data points in the growing season(4—9 months))

經過對兩種擬合模型對比后,選擇效果更為理想的D-L模型并結合動態閾值法(式2)提取物候特征參數。

indext=(indexmax-indexmin)×20%

(2)

式中,indexmax代表該指數一年中數據最大值,indexmin代表最小值,取兩者振幅的20%作為生長季開始/結束的閾值,indexmax左側曲線高于indext時即為進入生長季,右側低于indext則為生長季結束。

指數生長季中點時間根據曲線左端和右端分別增長/減少至80%幅度的時間點取均值得到(式3),并統計每年達到生長最大值時間點。

tmid=average(tl,80%,tr,80%)

(3)

式中,tmid為生長季中點時間,tl,80%和tr,80%分別為曲線左端和右端分別增長/減少至80%幅度的時間點。

3 結果

3.1 3種指數時間序列曲線整體特征

3種數據的7年時間序列曲線呈現明顯的季節性變化且整體變化一致(圖 6),曲線為單峰形態,非生長季階段的曲線受限于數據質量等原因數據波動明顯大于生長季,且冬季曲線數值均高于0。

植被指數時序直接反映了植被綠度的季節性變化并間接表現出植物光合作用的強弱及其季節和年際差異。NDVI年均值在0.51—0.57,7年數據標準差為0.24,EVI年均值為0.29—0.31,7年數據標準差為0.17,NDVI相較于EVI整體數值偏高,同期數據近2倍于EVI。NDVI曲線非生長季存在較大波動,有多處異常峰值,而EVI在相同時間段內曲線更加平滑,整體分布更加集中,尤其是生長季階段相較NDVI曲線波峰較寬且平坦的形態,EVI生長季波峰表現為 “尖峰”形態,更加準確反映植被生長季的變化特征。

NDVI與EVI時序曲線的生長季形態大致對稱,最大值基本在生長季峰期的中間位置,而SIF時序曲每一年的生長季最大值時間要早于生長季峰期的時間中點,較早達到生長峰值,之后迅速衰減進入衰老期,這也是SIF數據與MODIS 兩種植被指數相比最明顯的區別。

圖6 2007—2013年3種指數時間序列曲線對比Fig.6 Comparison of three time series curve for 2007—2013

圖7 3種指數7年均值時間序列曲線 Fig.7 The time series curve mean values of three indices averaged by seven years

計算3種指數2007—2013年間7年時間序列數據均值得到圖7中年均值時間序列曲線,NDVI明顯區別于另外兩種數據,在3月底便進入快速增長階段,直至8月初才逐步開始衰減,形成平坦且較長的生長季峰期形態,10月初逐漸下降并趨于平穩。而EVI與SIF曲線的變化趨勢基本一致,均在4月末開始快速上升,但SIF曲線在6月中旬便較早到達生長季峰值,之后迅速衰減,兩者曲線在7月中旬逐漸重合,EVI稍滯后于SIF,9月末結束衰減過程并趨于穩定。

3.2 3種指數物候特征參數對比分析

3種數據在時間序列曲線形態上有較大差別,得到的物候參數差異較大。如表2所示,生長季的開始時間上,NDVI早于另兩種數據,在部分年份比SIF早近1個月的時間,EVI與NDVI相差較小,只在2007年有近16 d的差別,其余年份基本一致。生長季結束時間上,NDVI平均晚于SIF 1個月左右,與EVI差值最小值在6 d左右,最大值(2013年)達到了25 d。在生長季的持續時間上,同樣是NDVI>EVI>SIF,在部分年份NDVI得到的LOS近2倍于SIF得到的LOS,顯示出了巨大的差異性。

由圖8可以清晰看出,SIF數據的季節峰值時間點明顯早于MODIS數據,同時也早于SIF數據的季節中點,而MODIS數據的峰值點與季節中點則更為接近。由于季節峰值時間點是根據每一期數據統計得到,因此受限于數據采集的時間跨度無法同季節中點(計算得出)一樣精確,因此此處分析認為季節峰值時間點與季節中點相差在一個數據期數內就代表時間基本一致。基于這種判斷,MODIS 數據的季節中點與季節峰值時間點基本在同一時間,而SIF數據表現為季節峰值時間點早于季節中點約2—3個數據周期。

表2 3種指數的物候特征參數

NDVI：歸一化植被指數,Normalized Difference Vegetation Index；EVI：增強型植被指數,Enhanced Vegetation Index；SIF：葉綠素熒光,chlorophyll fluorescence;SOS：生長季開始時間,start of growth season；EOS：生長季結束時間,end of growth season；LOS:生長季長度,length of growth season

圖8 3種指數生長季峰值與時間中點對比圖 Fig.8 The peak value in growing season and the midpoint of three indices 圖中曲線為3種數據的季節峰值時間點的擬合曲線

以上提取的物候參數反映出了NDVI、EVI與SIF數據物候監測結果的較大差異,植被綠度在葉綠素還未進入活躍期時便已開始發生明顯變化,且變化幅度為對稱形態。而葉綠素的高強度活動周期更加集中和短促,在植被進入到生長季之后迅速達到最旺盛的狀態,而后快速衰減。植被葉片的生長也在葉綠素光合作用達到峰值后進入到生長最快速的階段,之后在植被仍維持一定的綠度時光合作用的活躍期結束。

3.3 3種指數監測森林物候能力的比較

利用2003—2010年間7年間通量站點的GPP逐日數據對同時段內的NDVI、EVI、SIF得到的物候監測結果進行驗證。

圖9中清晰地顯示出3種指數與GPP之間的變化關系。NDVI曲線與GPP數據差異較大,著重體現在NDVI監測到的生長季明顯要長于GPP監測的生長季,在非生長季與GPP數據也出現了較大偏差。EVI相較于NDVI則有較大改善,整體上較為符合GPP數據的變化趨勢,但非生長季數值明顯偏高,無法捕捉生長季中植被快速生長時的變化細節。SIF曲線形態與GPP之間存在良好的相關性,不僅與GPP數據點基本重合,且在生長季期間很好地反映出植被GPP數值的變化細節,總體偏差較小。

圖9 2007—2010年MODIS植被指數(NDVI、EVI)、SIF時間序列曲線與GPP對比圖Fig.9 Comparison of MODIS vegetation index(NDVI, EVI) and SIF time series curve with GPP for 2007—2010

圖10中,4種數據的年均值曲線圖也反映出了上述特點,SIF曲線依然是與GPP最為吻合的曲線,而MODIS植被指數雖然在整體趨勢上也保持了與GPP相同的變化過程,但偏差較大,存在著約1個月左右的時間偏差。綜合圖9圖10中的曲線對比關系,SIF顯示出與植被GPP數據最好的匹配關系,但SIF曲線依然出現了早于GPP開始衰減的趨勢,這也是SIF曲線與其他數據相比的一個特性。

圖10 4種數據年均值時間序列曲線圖Fig.10 Time series curves of mean value of NDVI, EVI, SIF and GPP

4 討論

4.1 NDVI與EVI時間序列曲線的差異

EVI在計算公式中引用藍波段并針對殘留氣溶膠的后處理改善了NDVI的不足,使兩種指數在物候曲線產生了較大差異[33]。NDVI生成算法中只采用了紅光和近紅外兩種波段,當植被覆蓋度較高時,植被葉片中的葉綠素使紅光波段很快趨于飽和,加之算法本身為非線性增長函數,導致高植被覆蓋度時出現飽和效應,低植被覆蓋度時數值易偏高夸大曲線振幅[34],因此曲線呈現出較早開始上升,生長季較長且平坦。而NDVI后處理中對大氣校正的不徹底導致水汽、氣溶膠殘留,因此在長白山站點春冬季存在冰雪覆蓋的情況下,更易受到云霧遮掩,冰雪覆蓋影響[35],使得非生長季期間出現較大的起伏以及多處異常峰值。

4.2 SIF與植被指數的差異

相比反映植被綠度的植被指數,通過探測植被光合作用發射的熒光信號,快速、無損傷反映植被光合作用特征的葉綠素熒光,則成為了監測植被對光能利用情況的“探針”[36- 37]同時也可以很好反映植被的生長狀態。

SIF與植被指數之間的差異主要體現在兩個方面。在本研究中,SIF物候曲線明顯晚于兩種植被指數進入生長季,且較早結束,大約在4月末開始,9月末結束。劉新杰等[18]對我國西北、西南、華北地區進行物候研究的結果顯示SIF高值通常在4—5月期間,而MODIS數據高值通常出現在7—9月。本文中SIF的高值出現時間大致為6—7月,植被指數高值出現時間大致為7—9月,與劉新杰等的研究具有相似的規律性,即SIF要早于MODIS植被指數達到生長季峰期水平,但SIF峰期提前的時間與本文存在1—2個月的差異。考慮到該研究中的3處區域中,西北區與本文差值最小,西南最大,因此水熱條件越充足,植被的SIF曲線到達峰期的時間就越早。Walther等[19]對北美中高緯落葉林進行物候研究并對比了MODIS NDVI,EVI,GOME- 2 SIF數據,研究結果與本文總體一致,SIF在4月初快速增長,5月末達到最大值,7—9月緩慢下降并逐步進入秋季快速衰減階段。植被指數的EOS晚于SIF的情況,通常是反映植被綠度變化的指數共有的問題,因為在植被進入秋季衰老期后,植被光合作用雖然大幅度減弱并趨于停止,但葉片綠度并不會迅速反映這種改變而是存在一個漸變過程,且衛星信號通常會被衰老死亡但未凋落的葉片影響,因此相較于SIF的秋季衰減NDVI、EVI均存在一個滯后過程[38]。

SIF在夏季生長季會出現早于植被指數的快速下降,Yang等[39]利用攝像機與MODIS圖像進行林冠測量時提到過這種現象,Walther等[19]利用GOME- 2反演的SIF數據對中高緯森林進行物候研究時也發現北美的多處落葉闊葉林以及部分混交林出現這種情況。產生這種現象的原因,Wilson等[40]提出夏季氮元素分配的改變導致光合作用中一種可能有重要作用的Rubisco酶發生了改變。Bauerle等[41]通過實驗提出是光周期的調節使得光合作用在夏季驟降。本文研究中發現SIF曲線夏季驟降只在落葉林以及混交林中出現,且時間點在夏至日前后[25]。對于北半球的中高緯地區來說,夏至日前后太陽高度角達到一年中最大值,氣溫開始升高,氣候學上以每5 d的平均氣溫高于22℃的始日作為夏季開始,并伴有頻繁降雨天氣[42]。綜合以上兩點,落葉林(以及如本文中具有明顯落葉林特性的混交林)的生長習性使其在春季復蘇期會吸收更多的二氧化碳進行光合作用以生出大量新葉[43],在這過程中光合作用強度迅速增大。但隨著夏至日前后光照強度與時長的增加、溫度的升高,使葉綠素的光合作用受到抑制[44],因此伴隨光合作用強度的下降SIF也表現出在夏季迅速衰減的特性。

4.3 3種指數與通量站GPP數據的關系

GPP是表征植被通過光合作用產生有機物與能量總和的生物變量,通量塔高時間頻率的日觀測數據計算得到的GPP數據對植被的生長狀態具有非常高的代表性[45]。GPP與SIF之間的季節變化相關性已在多種植被類型上被驗證[24,46- 47]。Yang等[48]更是指出SIF數據,包括衛星與地面兩種獲取方式,在落葉林類型上與通量塔GPP存在每日和季節性的強關聯。本文的研究中SIF曲線雖然存在夏季驟降現象,但依然顯示出了與通量站GPP數據的良好一致性,Bauerle[41]等通過試驗證實這種變化與葉片光合作用的季節變化一致。這種下降并未使得GPP出現明顯的下降,說明雖然光合作用的強度受到抑制,但產生的有機物總量卻沒有受到較大干擾,考慮到SIF強度與光能利用率(LUE)之間存在可靠負相關關系[49],因此本文推測SIF雖然快速下降,但葉綠素利用太陽輻射進行光合作用的效率卻得到了提升,因此GPP并未出現明顯下降。植被指數的局限性導致與GPP之間存在明顯偏差,EVI相比于NDVI與GPP吻合程度更高一些,雖然無法很好捕捉植被生長變化的特征細節,但對于季節性變化較大的森林類型,憑借葉片的物候特征與二氧化碳吸收具有強關聯,因此也可以用來監測GPP的季節變化[50]。

5 結論

本文以長白山針闊混交林站點為研究區域,采用MODIS NDVI、EVI與GOME- 2 SIF數據,利用數據擬合與動態閾值法提取物候特征參數,并對比分析3種數據在森林植被物候監測上的區別與各自特性,最后利用通量站GPP數據進行驗證。

研究結果表明,NDVI受限于計算公式和后處理中的不足使得噪聲影響明顯,在非生長季數據起伏波動最大,生長季出現飽和現象,與GPP數據也存在較大差異。EVI曲線更加平滑規律且與GPP匹配程度更好,但秋季衰減時間稍晚于GPP數據。SIF雖然存在波動但總體較小,季節變化趨勢明顯,與GPP季節變化基本一致,較好反映了植被生長的變化特征,但受夏至日前后光照強度和溫度升高影響出現夏季驟降現象。

結合以上研究結果,植被指數對于植被綠度的監測雖然憑借生長過程中與二氧化碳通量變化的關聯可以一定程度上監測GPP的季節變化反映植被的生長狀態,但受限于計算與后處理方式、植被的季節變化幅度等,在關鍵物候時間上普遍存在提前和滯后現象。SIF與GPP具有良好一致性,可以較好反映植被的生長過程并精確捕捉植被光合作用的變化細節。但反演SIF熒光波段的選擇,后處理中質量控制的方法都會影響數據在物候研究中的參考性,并且SIF的變化與多種植被參量(APAR,LUE等)的關系依然不夠明確,因此對于SIF變化細節的研究依然是亟待解決的問題。

致謝：LP DAAC網站(https://lpdaacsvc.cr.usgs.gov/appeears/)提供MODIS 植被指數時間序列數據,K?hler等反演GOME- 2 SIF數據(ftp://ftp.gfz-potsdam.de/home/mefe/GlobFluo/),中國生態系統網絡(CERN)提供長白山溫帶紅松闊葉林通量站長期觀測數據,特此致謝。

參考文獻(References):

[1] 李榮平, 周廣勝, 張慧玲. 植物物候研究進展. 應用生態學報, 2006, 17(3): 541- 544.

[2] 夏傳福, 李靜, 柳欽火. 植被物候遙感監測研究進展. 遙感學報, 2013, 17(1): 1- 16.

[3] Walther G R, Post E, Convey P, Menzel A, Parmesan C, Beebee T J, Fromentin J M, Hoegh-Guldberg O, Bairlein F. Ecological responses to recent climate change. Nature, 2002, 416(6879): 389- 395.

[4] Richardson A D, Anderson R S, Altaf Arain M, Barr A G, Bohrer G, Chen G S, Chen J M, Ciais P, Davis K, Desai A R, Dietze M C, Dragoni D, Garrity S R, Gough C M, Grant R, Hollinger D Y, Margolis H A, McCaughey H, Migliavacca M, Monson R K, Munger J W, Poulter B, Raczka B M, Ricciuto D M, Sahoo A K, Schaefer K, Tian H Q, Vargas R, Verbeeck H, Xiao J F, Xue Y K. Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program site synthesis. Global Change Biology, 2012, 18(2): 566- 584.

[5] 廖亮林, 周蕾, 王紹強, 汪小欽. 2005- 2013年中國新增造林植被生物量碳庫固碳潛力分析. 地理學報, 2016, 71(11): 1939- 1947.

[6] Tang J W, K?rner C, Muraoka H, Piao S L, Shen M G, Thackeray S J, Yang X. Emerging opportunities and challenges in phenology: a review. Ecosphere, 2016, 7(8): e01436.

[7] Yang X, Mustard J F, Tang J W, Xu H. Regional-scale phenology modeling based on meteorological records and remote sensing observations. Journal of Geophysical Research, 2012, 117(G3): G03029.

[8] 阮蘭君, 楊燕瓊. 遙感在森林生物量監測的應用. 林業與環境科學, 2016, 32(2): 94- 98.

[9] Zhang X Y, Goldberg M D. Monitoring fall foliage coloration dynamics using time-series satellite data. Remote Sensing of Environment, 2011, 115(2): 382- 391.

[10] Hmimina G, Dufrêne E, Pontailler J Y, Delpierre N, Aubinet M, Caquet B, Grandcourt A D, Burban B, Flechard C, Granier A, Gross P, Heinesch B, Longdoz B, Moureaux C, Ourcival J M, Rambal S, André L S, Soudani K. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements. Remote Sensing of Environment, 2013, 132(6): 145- 158.

[11] Melaas E K, Friedl M A, Zhu Z. Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM + data. Remote Sensing of Environment, 2013, 132: 176- 185.

[12] 安佑志. 基于遙感的中國北部植被NDVI和物候變化研究[D]. 上海: 華東師范大學, 2014: 1- 2.

[13] 于信芳, 莊大方. 基于MODIS NDVI數據的東北森林物候期監測. 資源科學, 2006, 28(4): 111- 117.

[14] Balzarolo M, Vicca S, Nguy-Robertson A L, Bonal D, Elbers J A, Fu Y H, Grünwald T, Horemans J A, Papale D, Peuelas J, Suyker A, Veroustraete F. Matching the phenology of Net Ecosystem Exchange and vegetation indices estimated with MODIS and FLUXNET in-situ observations. Remote Sensing of Environment, 2016, 174: 290- 300.

[15] 馬新萍, 白紅英, 賀映娜, 秦進. 基于NDVI的秦嶺山地植被遙感物候及其與氣溫的響應關系——以陜西境內為例. 地理科學, 2015, 35(12): 1616- 1621.

[16] Zarco-Tejada P J, Pushnik J C, Dobrowski S, Ustin S L. Steady-state chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects. Remote Sensing of Environment, 2003, 84(2): 283- 294.

[17] Joiner J, Yoshida Y, Vasilkov A P, Yoshida Y, Corp L A, Middleton E M. First observations of global and seasonal terrestrial chlorophyll fluorescence from space. Biogeosciences, 2011, 8(3): 637- 651.

[18] Liu X J, Liu L Y. Retrieval of chlorophyll fluorescence from GOSAT TANSO — FTS data based on weighted least square fitting. Journal of Remote Sensing, 2013, 17(6): 1518- 1532.

[19] Walther S, Voigt M, Thum T, Gonsamo A, Zhang Y G, K?hler P, Jung M, Varlagin A, Guanter L. Satellite chlorophyll fluorescence measurements reveal large‐scale decoupling of photosynthesis and greenness dynamics in boreal evergreen forests. Global Change Biology, 2016, 22(9): 2979- 2996.

[20] 侯學會, 牛錚, 高帥. 近十年中國東北森林植被物候遙感監測. 光譜學與光譜分析, 2014(2): 515- 519.

[21] ChinaFLUX. http://www.chinaflux.org/.

[22] K?hler P, Guanter L, Joiner J. A linear method for the retrieval of sun-induced chlorophyll fluorescence from GOME- 2 and SCIAMACHY data. Atmospheric Measurement Techniques, 2015, 8(6): 2589- 2608.

[23] Munro R, Anderson C, Callies J, Eisinger M, Corpaccioli E, Lang R, Lefebvre A, Livschitz J, Albinana A P. GOME- 2 on MetOp//Proceedings of the 2006 Atmospheric Science Conference. Frascati, Italy: European Space Agency, 2006.

[24] Frankenberg C, Fisher J B, Worden J, Badgley G, Saatchi S S, Lee J E, Toon G C, Butz A, Jung M, Kuze A, Yokota T. New global observations of the terrestrial carbon cycle from GOSAT: Patterns of plant fluorescence with gross primary productivity. Geophysical Research Letters, 2011, 38(17): 351- 365.

[25] Joiner J, Yoshida Y, Vasilkov A P, Schaefer K, Jung M, Guanter L, Zhang Y, Garrity S, Middleton E M, Huemmrich K F, Gu L, Marchesini L B. The seasonal cycle of satellite chlorophyll fluorescence observations and its relationship to vegetation phenology and ecosystem atmosphere carbon exchange. Remote Sensing of Environment, 2014, 152: 375- 391.

[26] Jung M, Reichstein M, Margolis H A, Cescatti A, Richardson A D, Arain M A, Arneth A, Bernhofer C, Bonal D, Chen J Q, Gianelle D, Gobron N, Kiely G, Kutsch W, Lasslop G, Law B E, Lindroth A, Merbold L, Montagnani L, Moors E J, Papale D, Sottocornola M, Vaccari F, Williams C. Global patterns of land‐atmosphere fluxes of carbon dioxide, latent heat, and sensible heat derived from eddy covariance, satellite, and meteorological observations. Journal of Geophysical Research, 2011, 116(G3): 245- 255.

[27] 徐博軒, 陳報章, 許光,等. 基于葉面積指數估算植被總初級生產力. 生態學報, 2016, 36(12): 3546- 3555.

[28] 趙曉松, 關德新, 吳家兵, 金昌杰, 韓士杰. 長白山闊葉紅松林通量觀測的footprint及源區分布. 北京林業大學學報, 2005, 27(3): 17- 23.

[29] 莊金鑫. 渦動相關通量觀測計算及其不確定性分析[D]. 北京: 中國科學院寒區旱區環境與工程研究所, 2013: 3- 10.

[30] Liu Y F, Yu G R, Wen X F, Wang Y H, Song X, Li J, Sun X M, Yang F T, Chen Y R, Liu Q J. Seasonal dynamics of CO2fluxes from subtropical plantation coniferous ecosystem. Science in China Series D: Earth Sciences, 2006, 49(S2): 99- 109.

[31] 黃昆, 王紹強, 王輝民,等. 中亞熱帶人工針葉林生態系統碳通量拆分差異分析. 生態學報, 2013, 33(17): 5252- 5265.

[32] Cleveland R B, Cleveland W S. STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 1990, 6(1): 3- 33.

[33] Shen M G, Tang Y H, Desai A R, Gough C, Chen J. Can EVI-derived land-surface phenology be used as a surrogate for phenology of canopy photosynthesis? International Journal of Remote Sensing, 2014, 35(3): 1162- 1174.

[34] 李文梅, 譚志豪, 李文娟, 楊強. MODIS NDVI與MODIS EVI的比較分析. 遙感信息, 2010,(6): 73- 78.

[35] 崔凱. 基于遙感技術的作物物候監測方法及動態變化分析研究[D]. 長沙: 中南大學, 2012: 33- 35.

[36] Cheng Z. Estimating light-use efficiency by the separated Solar-induced chlorophyll fluorescence from canopy spectral data. Journal of Remote Sensing, 2010, 14(2): 356- 371.

[37] Schreiber U, Bilger W, Neubauer C. Chlorophyll fluorescence as a non-destructive indicator for rapid assessment of in vivo photosynthesis. Ecological Studies, 1994, 100(1): 49- 70.

[38] Gonsamo A, Chen J M, Price D T, Kurz W A, Wu C Y. Land surface phenology from optical satellite measurement and CO2eddy covariance technique. Journal of Geophysical Research, 2015, 117(G3): 1472- 1472.

[39] Yang X, Tang J W, Mustard J F. Beyond leaf color: comparing camera-based phenological metrics with leaf biochemical, biophysical, and spectral properties throughout the growing season of a temperate deciduous forest. Journal of Geophysical Research, 2014, 119(3), 181- 191.

[40] Wilson K B, Baldocchi D D, Hanson P J. Spatial and seasonal variability of photosynthetic parameters and their relationship to leaf nitrogen in a deciduous forest. Tree Physiology, 2000, 20(9), 565- 578.

[41] Bauerle W L, Oren R, Way D A, Qian S S, Stoy P C, Thornton P E, Bowden J D, Hoffman F M, Reynolds R F. Photoperiodic regulation of the seasonal pattern of photosynthetic capacity and the implications for carbon cycling. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(22): 8612- 8617.

[42] Wikipedia. Summer solstice.(2017-05- 18). https://en.wikipedia.org/wiki/Summer_solstice.

[43] 夏富才, 潘春芳, 趙秀海. 溫帶落葉林的植物物候特征及其對氣候變化的響應. 生態環境學報, 2012, 21(5): 793- 799.

[44] 李曉, 馮偉, 曾曉春. 葉綠素熒光分析技術及應用進展. 西北植物學報, 2006, 26(10): 2186- 2196.

[45] Guanter L, Frankenberg C, Dudhia A, Lewis P E, Gómez-Dans J, Kuze A, Suto H, Grainger R G. Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements. Remote Sensing of Environment, 2012, 121: 236- 251.

[46] Lee J E, Frankenberg C, Tol C V D, Berry J A, Guanter L, Boyce C K, Fisher J B,Morrow E, Worden J R, Asefi S, Badgley G, Saatchi S. Forest productivity and water stress in Amazonia: observations from GOSAT chlorophyll fluorescence. Proceedings of the Royal Society B Biological Sciences, 2013, 280(1761): 176- 188.

[47] Parazoo N C, Bowman K, Frankenberg C, Lee J E, Fisher J B, Worden J, Jones D B A, Berry J, Collatz G J, Baker I T, Jung M, Liu J J, Osterman G, O′Dell C, Sparks A, Butz A, Guerlet S, Yoshida Y, Chen H L, Gerbig C. Interpreting seasonal changes in the carbon balance of southern Amazonia using measurements of XCO2and chlorophyll fluorescence from GOSAT. Geophysical Research Letters, 2013, 40(11): 2829- 2833.

[48] Yang X, Tang J W, Mustard J F, Lee J E, Rossini M, Joiner J, Munger J W, Kornfeld A, Richardson A D. Solar-induced chlorophyll fluorescence that correlates with canopy photosynthesis on diurnal and seasonal scales in a temperate deciduous forest. Geophysical Research Letters, 2015, 42(8): 2977- 2987.

[49] Cheng Z H, Liu L Y. Estimating light-use efficiency by the separated Solar-induced chlorophyll fluorescence from canopy spectral data. Journal of Remote Sensing, 2010, 14(2): 364- 370.

[50] Hadley J L, O′Keefe J, Munger J W, Hollinger D Y, Richardson A D. Phenology of forest-atmosphere carbon exchange for deciduous and coniferous forests in southern and northern New England//Noormets A, ed. Phenology of Ecosystem Processes. New York, NY: Springer, 2009: 119- 141.