基于日光誘導葉綠素熒光的陸地生態系統GPP估算研究

董 恒 郭 宏 袁艷斌

(武漢理工大學資源與環境工程學院， 武漢 430070)

0 引言

陸地生態系統總初級生產力(Gross primary productivity, GPP)是指單位時間和單位面積上，綠色植物通過光合作用所固定的有機碳總量，又稱總第一性生產力[1]。作為地球生物圈中的主要生產者，綠色植被所固定的化學能為地球上其他所有生物提供能量。因此，精確估算世界各地總初級生產力是目前急需解決的問題。

植被生產力的模擬研究經歷了從最初的簡單統計模型、遙感數據驅動的過程模型到動態全球植被模型等多個發展階段。遙感數據因其能夠提供時空連續的植被變化特征，在區域評估和預測研究中扮演了不可替代的角色[2]。現階段，利用遙感數據來進行GPP估算的模型主要包括經典的光能利用率(Light use efficiency, LUE)模型以及近年來發展迅速的基于日光誘導葉綠素熒光(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輻射(Absorbed photosynthetically active radiation, APAR)后會按照一定的比例將太陽能固定為有機化學能，這一轉化比例就是光能利用率[3]。比較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]。這類模型具有諸如遙感數據獲取便捷、可進行大范圍估算、模型簡單等優點，是目前國內外學者廣泛采用的GPP估算模型。

基于日光誘導葉綠素熒光的GPP估算模型是近年來逐漸興起的一種新型的GPP估算模型。利用傳統的諸如植被指數、葉片葉綠素濃度、生物量、冠層結構等植被參數估算GPP需要眾多的輔助數據以及繁雜的模擬步驟，且模型具有一定的滯后性。而葉綠素熒光作為植被光合作用過程中的副產品可以更加快速準確地反映植被內部的生理狀態變化，因此相較于光能利用率模型而言，葉綠素熒光模型有著更加堅固的理論基礎[10]。各國學者也已經開展了許多利用葉綠素熒光估算GPP的研究，利用葉綠素熒光來估算農田[11-12]、草地[13]、森林[14]等生態系統的GPP，并取得了較好的效果。然而，這些研究中所使用的葉綠素熒光估算模型僅包含葉綠素熒光這一單一要素，未將冠層自身結構以及外界環境對植被的影響考慮在內，這也在一定程度上限制了模型估算精度的提升。

針對此問題，本研究結合不同植被類型的13個通量站點作觀測數據，在傳統線性模型的基礎上融入溫度脅迫因子和飽和水氣壓脅迫因子，并利用植被指數的不同數學形式對葉綠素熒光的冠層逃逸率進行模擬，構建新的葉綠素熒光GPP估算方法，以期為利用日光誘導葉綠素熒光估算大區域的GPP提供新的途徑。

1 數據和方法

1.1 研究區域

由于通量塔探測足跡往往小于1 km2，GOME-2遙感圖像像元的空間尺度為0.5°×0.5°，因此需要通過計算相應指標來評估通量站點對其所在像元的代表性。參照文獻[15]，若一個站點所觀測的植被類型占該站點對應像元面積的60%以上，且該像元內的EVI標準差小于0.1，則該站點被選作研究站點。篩選出的通量站點具體信息如表1所示。

表1 通量站點信息Tab.1 Information of flux sites

1.2 數據

1.2.1葉綠素熒光數據

本次研究所采用的葉綠素熒光數據是由搭載在MetOp-A衛星上的GOME-2傳感器測量得到的SIF740產品。GOME-2葉綠素熒光數據集包括V26和V27兩個版本，V27在V26的基礎上添加了新字段并改進了誤差矯正方法。GOME-2葉綠素熒光數據分為level 2和level 3兩個級別，level 2是日尺度葉綠素熒光產品，level 3是在level 2數據基礎上經過一系列處理得到的空間分辨率為0.5°×0.5°的月尺度葉綠素熒光產品。本研究選用的數據是V27版本的level 3數據，該數據可從網站(http:∥avdc.gsfc.nasa.gov/pub/data/satellite/MetOp/GOME_F/)免費下載。

1.2.2通量站點數據

通量站點數據來源于FLUXNET團隊制作的FLUXNET2015數據集(http:∥fluxnet.fluxdata.org/data/fluxnet2015-dataset/)。FLUXNET 2015數據集涵蓋不同區域通量站點網中212個通量站點的多年觀測數據。這212個通量站點均勻分布于全球各地，各個站點觀測的植被類型也不盡相同，為開展全球碳循環規律等方面的研究提供了很好的數據支撐。

1.2.3植被指數數據

本研究所使用的MOD13C2植被指數產品由搭載在Terra衛星上的MODIS傳感器測量獲得。該產品是月尺度植被指數產品，空間分辨率為0.05°×0.05°，包含了歸一化植被指數NDVI、增強植被指數EVI、植被指數數據質量標識、紅光波段反射率、近紅外波段反射率、藍光波段反射率、中紅外波段反射率、平均太陽高度角等數據，該數據可從網站(https:∥lpdaac.usgs.gov/data_access/data_pool)下載。

1.2.4土地覆蓋數據

土地覆蓋數據是由馬里蘭大學基于MCD12Q1產品經過空間聚合后生產的土地分類數據(http:∥www.landcover.org/data/lc/)。數據的時間尺度為年尺度，空間分辨率為5′×5′。數據所遵循的土地分類標準是IGBP土地分類標準，包含17種不同的土地類型，其中有12種是植被類型，分別是常綠針葉林、常綠闊葉林、落葉針葉林、落葉闊葉林、混合林、郁閉灌木林、稀疏灌木林、灌木草原、稀樹草原、草地、耕地、耕地與自然植被。

1.3 研究方法

植被發射的葉綠素熒光與光合作用之間有著密不可分的關系，但僅用葉綠素熒光并不能完全解釋植被的光合作用狀態，需要將環境等因素考慮在內。參考GUANTER等[11]提出的葉綠素熒光GPP估算模型[16]為

(1)

式中GPP——總初級生產力,gC/(m2·d)

SIF——葉綠素熒光,mW/(m2·nm·sr)

LUE——光能利用率,%

LUEf——熒光量子產量,%

fesc——葉綠素熒光的冠層逃逸率

由于遠紅外波段受冠層影響較小，因此一般默認fesc為1。

對于LUEf而言，除非遇到比較極端的天氣狀況(高溫、干旱、霜凍等)，否則LUEf的變化不會很大[17-18]。同時考慮到本次研究所使用的熒光數據分辨率較低，難以反映出LUEf的變化，故將LUEf設為定值進行研究。

LUE是GPP光能利用率模型中的核心參數，已經有許多科學家開展相關研究來尋找計算LUE的方法。本研究選用MOD17產品使用的LUE計算方法，其計算公式為

LUE=LUEmaxTMINscalarVPDscalar

(2)

其中

(3)

(4)

式中LUEmax——最大光能利用率,%

TMINscalar——最低溫調節系數

VPDscalar——飽和水汽壓差調節系數

TMIN——全天最低溫度,℃

TMINmin——植被光能利用率為0時的最低溫度,℃

TMINmax——植被光能利用率達到最大值時的最低溫度,℃

VPD——日間平均飽和水汽壓差,Pa

VPDmin——植被光能利用率為0時的日間平均飽和水汽壓差,Pa

VPDmax——植被光能利用率達到最大值時的日間平均飽和水汽壓差,Pa

LUEmax、TMINmin、TMINmax、VPDmin和VPDmax可在MOD17產品說明中查閱得到，具體參數如表2所示。至此，本研究的葉綠素熒光GPP估算方法構建完成，公式為

GPP=SIFTMINscalarVPDscalara+b

(5)

式中a、b——模型擬合獲得的常數

雖然在一般情況下，fesc設置成1，但有研究表明，通過改進fesc也可以提升模型的估算精度。植被指數是冠層葉綠素含量和葉面積指數LAI很好的指示器[19-20]，本文利用NDVI和EVI的不同數學形式來模擬fesc。總初級生產力的估算方法為

GPP=SIFTMINscalarVPDscalarf(VI)a+b

(6)

式中f(VI)——植被指數的相關函數

表2 MOD17參數Tab.2 Parameters of MOD17

2 結果分析

2.1 評價指標

(7)

(8)

(9)

式中GPPactual——通量站點測量的實際GPP,gC/(m2·d)

GPPpredict——本研究模型估算得到的GPP,gC/(m2·d)

GPPmean——實測GPP的平均值,gC/(m2·d)

n——樣本數量

p——特征數量

RMSE——均方根誤差,gC/(m2·d)

校正決定系數在決定系數的基礎上引入了樣本數量和特征數量，消除了樣本數量和特征數量的影響。

2.2 融入環境影響因子后的模型估算精度分析

表3 各站點估算精度Tab.3 Estimated accuracy for each site

與傳統線性模型相比，從表3中可以看出，除FR-Pue、US-Whs、US-SRC這3站點外，剩余10個站點估算精度都有所提升，提升最大的是US-MMS站點，其R2提升了0.251 9。從植被類型上看，傳統模型的模擬精度在稀疏灌木林類型的兩個站點均優于本文提出的估算模型，但是其模型效果也不理想，決定系數都低于0.330 0，說明無論是傳統線性模型還是本文提出的估算模型都不能很好地解釋稀疏灌木林的植被光合作用狀況。總體來說，在傳統線性模型中加入環境影響因子在一定程度上提升了模擬精度。

2.3 融入植被指數后的模型估算精度分析

本文不僅在傳統線性模型的基礎上進行了改進，還在加入環境影響因子的基礎上利用植被指數模擬了葉綠素熒光的冠層逃逸率，試圖進一步提高模型的模擬精度。本文選用了NDVI和EVI兩個常用的植被指數來改進模型。由于尚未理清植被指數和fesc之間的關系，因此，本文分別用植被指數的線性模型、冪函數模型、指數模型、對數模型這4種模型來模擬fesc。具體結果如表4所示。

從表4中可以看出，NDVI改進后，每個站點的估算精度與環境因子模型相比都有了一定的提升。其中，提升較大的包括FR-Pue、US-MMS這2個站點，其R2均提升0.1以上。提升最大的是FR-Pue站點，其R2從0.402 9提升至0.617 0。雖然在傳統線性模型的基礎上加入環境影響因子后，FR-Pue站點的R2低于傳統線性模型的R2，但是在經過NDVI改進之后，其R2超過了傳統線性模型。說明在考慮了冠層對于葉綠素熒光逃逸的影響后，模型的估算精度優于傳統線性模型的估算精度。

在13個站點中，有8個站點經過EVI改進后模型的R2高于經過NDVI改進后模型的R2，說明EVI對模型的改進能力優于NDVI。

而植被指數的不同形式對于模型的改進程度也不一樣，線性形式、冪函數形式、指數形式、對數形式均可對模型進行不同程度的改進，但是不同的站點所最適合的形式也不一樣。因此，亦不能確定以何種數學形式將植被指數融入到葉綠素熒光模型之中。更好地模擬fesc這一參數還需要通過更多的研究才能實現。

表4 植被指數改進結果Tab.4 Vegetation index improvement results

2.4 不同GPP估算模型結果的年際特征比較分析

圖1展示了不同站點不同GPP估算模型估算結果的年際變化特征。總體上來看，這4個GPP估算模型估算結果的季節性變化規律和年際特征相似，不同之處在于不同估算模型估算結果隨時間的變化幅度不同。其中，GPPEC表示通量站點測量的GPP；GPPSIF表示傳統線性模型估算得到的GPP；GPPENV表示在傳統線性模型的基礎上融入環境因素后估算得到的GPP；GPPNGT表示NGEE-Tropics項目的GPP估算模型估算結果。

圖1 各站點不同GPP估算模型估算結果季節性變化曲線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等站點的4個GPP估算模型估算結果都在北半球的夏季時期(6—8月)達到峰值，在北半球的冬季時期(12月、1月、2月)達到最低值。而位于南半球的ZA-Kru、AU-DaS等站點的4個GPP估算模型估算結果則都在南半球的夏季時期(12月、1月、2月)達到峰值，在南半球的冬季時期(6—8月)達到最低值。說明無論是在北半球還是南半球，各類型植被的生理狀態都在夏季時期最為活躍，冬季最為平淡。

從圖1中可以看出，GPPSIF和GPPENV的變化幅度較為接近，原因是估算GPPENV的模型是在估算GPPSIF的模型基礎上加入環境影響因子而得到的。因此，這兩個模型在估算GPP時隨時間的變化規律和幅度較為相似。然而，這二者的估算結果又有一些區別。GPPENV相較于GPPSIF來說與GPPEC的變化規律更加接近，雖然GPPENV和GPPSIF均會出現高值低估和低值高估的現象，但是GPPSIF的誤差更大。說明通過引入環境影響因子，葉綠素熒光模型更能反映實際的植被光合作用狀況，而傳統線性模型中僅包含葉綠素熒光這一個因素，在許多情況下還是有不足。

對于GPPNGT來說，在AU-DaS、DE-Kli、US-ME6、FR-Pue、AU-Stp這些站點出現了GPPNGT過高的現象，在US-SRC、US-Whs站點出現了GPPNGT過低的現象，而在其他的站點GPPNGT與其他估算模型估算結果差別不大。US-SRC和US-Whs站點都屬于稀疏灌木林類型，說明不僅僅是環境因子模型和傳統線性模型在模擬稀疏灌木林的GPP時精度較低，GPPNGT與實測的GPP相差也較大；而在剩余的11個站點中，有5個站點的GPPNGT明顯大于其他3個估算模型結果的值，有6個站點的GPPNGT與其他估算模型估算結果相差不大，說明GPPNGT總體上還是偏高。

3 結論

(1)傳統線性模型中融入環境影響因子后，13個通量站點的估算結果中有10個站點的估算精度得到提升，有3個站點的估算精度有所下降。說明在加入了環境影響因子后，模型總體估算精度的提升較為明顯。

(2)通過分析比較不同GPP估算模型估算結果的年際特征，發現相較于GPPSIF來說，GPPENV的變化規律更接近實際測量的GPPEC的變化規律。說明單因素的傳統線性模型還不能完全反映植被的光合作用狀況。

(3)利用植被指數對葉綠素熒光冠層逃逸率進行模擬，提升所有13個站點的估算精度。說明通過模擬冠層逃逸率來提升模型的估算精度十分有效。