日光誘導葉綠素熒光對亞熱帶常綠針葉林物候的追蹤

周 蕾,遲永剛,劉嘯添,戴曉琴,楊風亭

1 浙江師范大學地理與環境科學學院,金華 321004 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 中國資源衛星應用中心,北京 100830

常綠針葉林占全球森林面積的26.9%[1],占中國森林面積的45%[2],在森林固碳中發揮著重要的作用[3]。植被物候是森林對氣候變化響應的關鍵因子,同時是碳水循環變化調節氣候的驅動力[4]。由于植被光合作用是調節全球碳循環最重要的過程,植被物候表征了光合能力與葉片季節性出現和消亡的緊密聯系[5]。目前基于多種遙感信息的陸表物候監測(LSP, Land surface phenology)[6]可以較好地捕捉落葉林物候期[7],但是由于常綠針葉林冠層綠度的季節變動較弱,辨識常綠針葉林的季節變動時期仍舊存在巨大的挑戰[8]。

遙感日光誘導葉綠素熒光(SIF, Sun-induced chlorophyll fluorescence)表現為光合作用更加可靠的替代因子,用于監測大尺度植被物候[7,9-10]。傳統陸表物候監測主要通過反射率估算的植被指數(VI, Vegetation index), 例如歸一化植被指數NDVI(Normalized difference vegetation index)和增強型植被指數EVI(Enhanced vegetation index)[11-12],仍舊存在著較大的不確定性,這主要歸因于積雪對植被指數信號的影響以及常綠森林冠層綠度季節變動的捕捉[9,13-15]。隨著遙感技術的飛速發展,衛星SIF提供了不同于植被綠度信息的生理功能的新視角,在植被物候監測方法發揮著重要的優勢[9-10]。葉片葉綠素吸收光能量后有3種途徑：光化學淬滅(PQ, Photochemical quenching)、非光化學淬滅(NPQ, Non-photochemical quenching)以及SIF[16]。總初級生產力GPP(Gross primary productivity)和SIF通常可以用吸收的光合有效輻射和光能利用率或者熒光產量的乘積來表達[17-18]。因此,植被SIF與GPP存在顯著的相關性[19],可以從葉片[20]、冠層[7,21]和生態系統[22- 24]等多種尺度上印證,同時覆蓋GOSAT (Greenhouse gases observing satellite)[22-23]、GOME- 2 (Global ozone monitoring experiment- 2)[25]和OCO- 2 (Orbiting carbon observatory 2)[10,26]等多種衛星數據。SIF-GPP的相關性理論促進了基于SIF的植被物候監測的研究,并且已經運用在多種植被類型(比如落葉闊葉林和混交林)[27],但利用SIF對常綠針葉林的物候監測還比較少。針葉林吸收的光合有效輻射比率的變異很小,但是卻有明顯的光能利用率LUE(Light-use efficiency)的季節變異[28]。研究表明從小時尺度到周尺度上,常綠林SIF與GPP有很好的相關性[29]。同時SIF能夠提供針葉林LUE的信息[8,30],體現了其相比于其他傳統遙感指數的優勢。熒光效率的季節波動能夠捕捉光保護色素和光合系統II效率,進而能夠準確追蹤光合作用的季節性[29]。研究發現在高緯度常綠針葉林,GOME- 2 SIF估算的生長季長度要比EVI估算的結果長6周[8]。而在中高緯度地區(>42°N),常綠針葉林SIF估算的物候信息在春季返青期有滯后現象,但能準確追蹤秋季衰老[9]。因此,SIF在常綠針葉林物候監測中發揮著重要的作用,但是仍舊需要不同氣候區更多的樹種來驗證SIF的植被物候監測能力。

中國南方地區擁有全世界最大面積的亞熱帶森林,具有較高的固碳能力,在全球碳循環中起到重要的作用。基于長時間通量觀測結果發現東亞季風區(20—40°N)亞熱帶森林凈生態系統生產力(NEP, Net ecosystem productivity)平均為(362±39) g C m-2a-1,高于亞洲熱帶和溫帶森林的NEP,也高于歐洲-非洲和北美同緯度地區森林的NEP[31]。常綠針葉林是亞熱帶森林的重要組成部分,其物候期的變動影響森林固碳的能力。因此,本研究以亞熱帶常綠針葉林為研究對象,利用MODIS植被指數和GOME- 2 SIF數據來估算亞熱帶常綠針葉林的物候期,比較基于SIF和基于反射率觀測的植被指數在監測光合作用物候的能力,評價SIF在亞熱帶常綠針葉林物候監測的重要性。

1 材料與方法

1.1 研究區域介紹

本研究位于千煙洲森林通量觀測站,隸屬于江西省吉安市泰和灌溪鎮(26°44′29.1″N,115°03′29.2″E)。該站微氣象觀測塔建立于2002年8月,塔四周的森林覆蓋率在90%以上。試驗站現有的林分大多為1985年前后營造的人工針葉林,主要樹種為以馬尾松(PinusmassonianaLamb)、濕地松(Pinuselliottii)等為主的常綠針葉林,約占土地總面積的76%。站點下墊面坡度在2.8—13.5°之間,屬于典型亞熱帶季風氣候[32]。站區年平均氣溫17.9℃,平均年降水量1542.4 mm,存在明顯的干濕季,夏季7、8月高溫干旱,年蒸發量1110.3 mm,年均相對濕度84%[33-34]。土壤類型為紅壤[32]。

1.2 數據來源和處理

1.2.1 植被指數(NDVI和EVI)數據

MODIS植被指數數據均來自 LP DAAC網站(https://lpdaacsvc.cr.usgs.gov/appeears/),通過站點的經緯度坐標提取出相應產品的時間序列數據以及質量控制文件。NDVI、EVI植被指數產品采用MOD13A2 V006版本,16天最大值合成,每年23期數據,空間分辨率1 km,時間范圍2007—2011年。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云掩膜、陰影、冰雪覆蓋等質量文件對NDVI、EVI數據進行質量控制[35]。首先利用MOD13A2數據自帶的數據可信度數據集,剔除了有冰雪覆蓋或者云遮擋可靠性差的數據,保留標識為0(具有可信度)和1(較有可信度)的數據；然后利用質量控制數據集,剔除存在云、冰雪、氣溶膠等噪聲影響的數據；最后利用線性插補方法生成時序的NDVI和EVI數據集。

1.2.2 日光誘導葉綠素熒光(SIF)數據

SIF來自于搭載在MetOp-A衛星[36]的GOME- 2反演得到[37]。GOME- 2傳感器的風浪區為40 km×80 km,其第四個通道720—758 nm的子通道用于740 nm SIF的估算[37]。下載遙感反演的日尺度全球SIF產品 (ftp://ftp.gfz-potsdam.de/home/mefe/GlobFluo/), 根據16天最大值合成生成2007—2011年SIF數據,空間分辨率0.5°×0.5°。根據通量站點坐標提取千煙洲SIF時序數據并利用殘差平方和進行質量控制,并采用線性插值方法插補缺失值進而生成時序的SIF數據集。

1.2.3 通量數據GPP

渦度通量技術用來監測森林半小時尺度的CO2通量[38]。在本研究中,采用與遙感指數時間范圍一致(2007—2011年)的千煙洲森林通量站數據。首先需要采用坐標軸旋轉、WPL校正以及儲存項校正以消除地形、空氣水熱傳輸和觀測高度對觀測數據的影響[39]；同時采用摩擦風速U*來剔除夜間湍流較弱情況下的數據[39]。最后將CO2通量數據拆分成GPP和生態系統總呼吸,通過30 min間隔的連續觀測數據加和為每日的GPP,進而得到2007—2011年每日GPP時序數據。

1.3 物候信息估算方法

16天分辨率植被指數(NDVI和EVI)、16天分辨率日光誘導葉綠素熒光SIF與日通量GPP的物候指標的估算通過TIMESAT軟件3.2版本。遙感指數的平滑通過Savitzky-Golay(S-G)濾波進行,然后再采用雙Logistic曲線(D-L)來估算物候參數。S-G濾波法的原理是在每一個點的鄰近域選取一定數量的數據點并進行多項式擬合然后替代該點數據,目的是使得曲線更加光滑。D-L模型函數是一種半局部擬合方法,將全部時間序列劃分為多個極大值、極小值區間分別進行函數擬合。兩種方法采用spike方法來去除參數的異常值。最后采用動態閾值法提取森林的物候特征參數,設定閾值為20%[40-41]。物候參數包括生長季開始時間(SOS, Start of growing season)和生長季結束時間(EOS, End of growing season)2個關鍵參數。

2 結果分析

2.1 植被指數、日光誘導葉綠素熒光和通量GPP時間序列變化

根據2007—2011年3種遙感指數和通量GPP的時間序列變化圖可以看出,3種遙感指數呈現明顯的季節變化,并且季節變化與通量GPP的變異相似(圖1)。其中在大多數年份中SIF最高值出現明顯早于NDVI和EVI。

圖1 2007—2011年3種遙感指數和通量GPP時間序列變化(NDVIEVISIF: 16天；GPP: 每天)Fig.1 The time series of 16-day NDVI, EVI, SIF and daily GPP during 2007—2011NDVI: 歸一化植被指數Normalized difference vegetation index; EVI: 增強型植被指數Enhanced vegetation index; SIF: 日光誘導葉綠素熒光Sun-induced chlorophyll fluorescence; GPP: 總初級生產力Gross primary production

將3種遙感指數和通量GPP真實值和歸一化值的多年平均值來代表各自曲線的季節變動形態(圖2)。GPP在春季早于其他3種指數進入快速增加的階段,但在秋季又早于其他3種指數進入快遞下降的階段；相比于植被指數NDVI和EVI,SIF表現出在春季和秋季的生長季開始和結束的時間上更加貼近于GPP變異；NDVI和EVI多年均值的季節變異相似,但是NDVI在生長季結束時間上都要略晚于EVI,NDVI和EVI的最高值相對滯后。

圖2 3種遙感指數(NDVI、EVI和SIF)與通量GPP多年平均值的季節變動Fig.2 Seasonal trajectories of MODIS NDVI, MODIS EVI, GOME- 2 SIF and GPP from eddy covariance flux in Qianyanzhou station

3種遙感指數與通量GPP都表現為良好的線性關系(P<0.0001),體現季節變動相對吻合(圖3)。其中SIF與GPP的相關性最高,R2達到0.808；NDVI和EVI與GPP的相關性比SIF-GPP的相關性略低,R2分別是0.702和0.748。

圖3 3種遙感指數與通量GPP的相互關系Fig.3 Seasonal correlation between GPP and NDVI, EVI and SIF at 16-day spatial resolution

2.2 基于遙感信息的物候期與基于通量GPP的物候期比對

根據圖4的2007—2011年3種遙感指數和通量GPP估算的物候信息對比發現：NDVI、EVI、SIF和GPP的生長季開始時間(5年均值)分別是第94天、第94天、第82天和第63天,呈現逐漸遞減的趨勢；四種指數的生長季結束時間(5年均值)分別是第350天、第344天、第336天和第324天,同樣是逐漸遞減的趨勢；四種指數的生長季長度(5年均值)分別是258天,251天,255天,272天。因此,SOSGPP要早于3個遙感指數的生長季開始時間(SOSNDVI、SOSEVI和SOSSIF),提前的時間分別是31天(NDVI),31天(EVI)和19天(SIF)；EOSGPP要早于三個遙感指數的生長季結束時間(EOSNDVI、EOSEVI和EOSSIF),提前的時間分別是17天(NDVI),10天(EVI)和2天(SIF)。由此可見,對亞熱帶常綠針葉林而言,雖然3種遙感指數的生長季長度都短于實際光合作用,但是SIF相對于其他兩個植被指數(NDVI和EVI)能夠更好地追蹤生長季的開始和結束時間；而植被指數與光合作用之間存在著一定的滯后作用,包括春季的恢復和秋季的衰老都要晚于實際的光合作用。

圖4 陸表物候與光合物候的比較 Fig.4 The start and end of the growing seasons determined by different remote sensing measurements and EC measurements

2007—2011年3種遙感指數物候信息與通量GPP物候時間序列的相關性分析(圖5)表明SOSSIF與SOSGPP年際變異相似,呈現為相關性的趨勢(SOSGPP=1.094SOSSIF-27.044,R2=0.728,P=0.066)；SOSNDVI(P=0.220)和SOSEVI(P=0.448)與SOSGPP沒有顯著的相關性; EOSNDVI(P=0.864)、EOSEVI(P=0.278)和EOSSIF(P=0.920)與EOSGPP都沒有顯著的相關性。

圖5 3種遙感指數估算的陸表物候與光合物候的對比Fig.5 The relationship between remotely sensed SOS/EOS and observed photosynthesis metrics determined by eddy covariance measurements

2.3 物候期與環境因子的關系

圖6 分析了環境因子(氣溫、降水、輻射、土壤溫度、土壤含水量和飽和水汽壓差)與基于4種變量(NDVI/EVI/SIF/GPP)估算的物候期(SOS和EOS)的相關性。對于SOS,考慮春季和冬季氣候因子的影響；而對于EOS,考慮夏季和秋季氣候因子的影響。總體而言,春季的溫度(包括氣溫和土壤溫度)是影響亞熱帶常綠針葉林生長季開始時間(SOS)最重要的因素,其次是春季水分和輻射的影響(圖6)；秋季的水分(土壤含水量和降水)和輻射是影響生長季結束時間(EOS)最重要的氣象因子(圖6)。4種變量估算的物候期(SOS和EOS)與環境因子的相關性有較大的差異,其中4種變量估算的SOS與環境因子的相關關系的一致性強于EOS。特別是SOSSIF和SOFGPP與環境因子的相關性相比其他兩種指數更為接近。

圖6 亞熱帶常綠針葉林物候與環境因子的相關性 Fig.6 Correlation coefficients between phenology (SOS and EOS) and environmental factors at Qianyanzhou site生長季開始時間(SOS)考慮冬季和秋季環境因子,生長季結束時間(EOS)考慮夏季和秋季環境因子;星號(*)代表顯著相關(P<0.05);Winter_Tair: 冬季氣溫Winter air temperature; Winter_Ts: 冬季土壤溫度Winter soil temperature; Winter_VPD: 冬季飽和水汽壓差Winter vapor pressure deficit; Winter_SWC: 冬季土壤含水量Winter soil water content; Winter_SR: 冬季輻射Winter solar radiation; Winter_Prec: 冬季降水Winter precipitation; Spring_Tair: 春季氣溫Spring air temperature; Spring _Ts: 春季土壤溫度Spring soil temperature; Spring_VPD: 春季飽和水汽壓差Spring vapor pressure deficit; Spring_SWC: 春季土壤含水量Spring soil water content; Spring _SR: 春季輻射Spring solar radiation; Spring _Prec: 春季降水Spring precipitation; Summer_Tair: 夏季氣溫Summer air temperature; Summer_Ts: 夏季土壤溫度Summer soil temperature; Summer_VPD: 夏季飽和水汽壓差Summer vapor pressure deficit; Summer_SWC: 夏季土壤含水量Summer soil water content; Summer _SR: 夏季輻射Summer solar radiation; Summer _Prec: 夏季降水Summer precipitation; Autumn_Tair: 秋季氣溫Autumn air temperature; Autumn_Ts: 秋季土壤溫度Autumn soil temperature; Autumn_VPD: 秋季飽和水汽壓差Autumn vapor pressure deficit; Autumn_SWC: 秋季土壤含水量Autumn soil water content; Autumn_SR: 秋季輻射Autumn solar radiation; Autumn_Prec: 秋季降水Autumn precipitation;

3 討論

3.1 SIF能夠捕捉亞熱帶常綠針葉林的物候信息

日光誘導葉綠素熒光除了能夠估算陸地生態系統生產力、監測植被脅迫狀況,還在植被物候監測方面發揮著重要的作用[42]。第一,光合速率與發射的葉綠素熒光有密切關系是SIF反演GPP的重要基礎。很多研究報道表征光反應系統II(PSII)的SIF與表征CO2固定的GPP有較好的正相關關系[7,22,24-25,27],體現在葉片尺度[20]、冠層尺度[7,21]、生態系統尺度[22- 24]到區域尺度上[22,43-44],從GOSAT[22-23]、GOME- 2[25]到OCO- 2[10,26]多種遙感平臺上。第二,SIF可以用作植被對生物因子(氮等)和非生物因子(干旱、高溫等)脅迫的指標。例如,Flexas等[45]發現C3葉片在水分脅迫下熒光產量下降。Daumard等[46]發現在干旱情況下冠層尺度熒光的下降。2015/2016年亞馬遜干旱研究表明SIF在干旱季節出現大規模下降[47]。第三,正因為SIF與GPP有著良好的相關性,同時SIF能夠快速反映脅迫的信息,開拓了遙感監測植被物候的新領域[42]。例如,Joiner等[27]首次利用GOME- 2 SIF數據提取了落葉闊葉林、混合林和作物的物候信息；而后衛星SIF開始在常綠林和針葉林的物候監測方面發揮重要的作用[8-9,48]。研究表明常綠針葉林CO2交換與光反應系統II及其電子傳輸速率在春季同時開始恢復[14]。因此表征PSII電子傳輸速率的SIF與GPP在季節尺度上有著顯著的正相關[8]。在高緯度常綠針葉林,GOME- 2 SIF很好地捕捉了植被的季節變動,特別是春季的恢復時期[8]。基于地面光譜儀和通量的同步觀測發現常綠林SIF與葉黃素循環和光合系統II的最大量子效率存在著顯著的相關性[29],因而可以證實常綠林GPP的季節性主要受到葉片光合效率和光保護色素適應的共同調節[49]。本研究中,利用GOME- 2 SIF估算的陸表物候和通量GPP估算的光合作用物候的比對可以發現SIF能夠追蹤亞熱帶常綠針葉林的物候信息。

3.2 SIF與其他遙感指數對常綠針葉林物候監測的差異

植被物候是研究植物周期性的生長特征變化(如發芽、開花、落葉等)以及這種生長變化如何受季節/年際氣候變化的影響。其中生長季開始時間SOS和結束時間EOS對氣候變化非常敏感,決定生長季的長度并對生態系統碳循環有重要啟示,是植被物候中最受關注的參數[4]。傳統的地面觀測方法可以精確記錄特定站點和樹種的物候時期,但是由于其覆蓋范圍有限,監測方法和手段的差異,很難應用到大區域長時間物候監測中。隨著遙感技術的飛速發展,越來越多研究側重于基于遙感觀測數據來獲取植被陸地表層的季節格局,也就是最常見的陸表物候(LSP)[6],空間分辨率覆蓋250 m到25 km。渦度相關通量數據監測陸地生態系統和大氣的CO2交換,可以用GPP來提取光合物候時間[50-51]。研究表明遙感估算的陸表物候與通量GPP估算的光合物候有較好的一致性[52]。因此用GPP估算的光合物候能夠用來驗證遙感提取的中分辨率到低分辨率的陸表物候[5]。

傳統的植被指數已被廣泛應用于植被物候監測研究中,但是這些指數往往僅反映植被的綠度信息,而不能追蹤實際的光合作用變化。由于遙感SIF與光合能力直接相關,并且對云和大氣散射不敏感[27],因此SIF不僅能反映植被的形態物候,同時也能追蹤植被脅迫信息[42]。在本研究中,基于表征森林實際生長的通量GPP數據估算得到5年內亞熱帶常綠針葉林生長季開始時間為第63天,結束時間為第324天,生長季長度為272天(圖4)。基于反映植被光合作用特征的SIF曲線獲得物候信息都要滯后GPP物候期,其中SOSSIF滯后SOSGPP19天,EOSSIF滯后EOSGPP2天；基于傳統植被指數的物候期滯后GPP物候期的時間要大于SIF滯后期,植被指數SOS滯后SOSSIF12天,植被指數EOS滯后EOSSIF8—15天。由此可見,對于亞熱帶常綠針葉林,基于SIF的陸表物候監測更加接近于光合作用物候期(SOSGPP和EOSGPP)。

常綠針葉林生長季中樹葉在顏色和總葉面積方面的季節性很弱[53]。常綠針葉林新的枝芽只占生物量很小一部分,芽伸長、針葉生長以及凋落等不能體現森林生產力/生物量的變化[53-54]。同時常綠林常年保持綠色器官,植被綠度(表現為NDVI和EVI等)在休眠階段不會下降到0,因此不能很好的提供實際光合作用發生或停止的信號[40]。以往許多實驗結果表明森林春季恢復要早于植被綠度[55-57]。在本研究中春季返青期綠度增加信息要晚于光合作用第一信號31天。雖然針葉林在休眠時間保持綠色,但是低碳水化合物的需求會導致光合效率的解耦[58]。SIF對常綠針葉林的季節性描述,更多地包含了光能利用率的信息[8,25,28]。因此相比于傳統的植被指數NDVI和EVI,SIF能夠更好地捕捉常綠林的生長階段,SIF物候的滯后期要短于植被指數物候的滯后期。同時3種遙感指數EOS滯后于GPP的時間都短于SOS,這與Walther等中北方常綠針葉林相似[8]。因此,相對于傳統以反射率為基礎的植被指數(NDVI、EVI等),SIF可以直接與“實際光合作用”相聯系,其變化早于葉綠素含量的下降及植物形態結構的變化,特別是在常綠群落、植被受脅迫的早期階段、季節性雪蓋影響等區域[28]。對于冬季休眠的針葉林來說,植被綠度指數很難去捕捉GPP的大小和時期,而SIF能夠有效提高常綠林碳循環動態監測[29]。

3.3 模型改進的啟示

植被物候對生態系統模型有重要啟示,提供模型所需要的物候變動信息[59]。因此SIF與GPP的相關性更多地可以應用在碳循環模型中,在模型中對葉片物候和光合功能方面的參數有很好的約束作用。研究表明在早春和晚秋時期的低溫狀態,碳循環模型對植被生產力的模擬是不精確的[60]。以往很多光能利用率模型都采用植被指數來估算GPP,SIF可能提供模型更好的物候信息[61-62]。而在生態系統過程模型中,SIF能夠有效約束葉片物候光合方面的參數來提供可靠性的知識[63]。很多研究表明日光誘導葉綠素熒光整合到陸面模式可以提高GPP的模擬精度[61,64]。因此,研究SIF追蹤植被物候的能力可以有效地改進目前各類碳循環模型中物候過程,減少模型模擬的不確定性。

3.4 不確定性分析

本研究通過MODIS植被指數和GOME- 2 SIF來追蹤亞熱帶地區常綠針葉林的植被物候,主要存在兩方面的不確定性。首先,植被物候遙感存在尺度效應。(1)空間分辨率方面：傳統植被指數NDVI和EVI,由于其衛星數據覆蓋時間較長,是估算陸表物候的最常用手段,空間分辨率通常250 m到8 km[65-66]。研究表明大區域上春季物候對于250 m和8 km兩種分辨率估算結果相似,差異小于5天,但是在某些地區可能有比較大的差異[67]。目前GOME- 2 SIF產品分辨率較粗(0.5°×0.5°),而通量觀測通常代表的是風浪區內(<1 km2)的碳水交換,兩者在空間尺度上并不完全匹配。但是通量觀測通常所在的站點植被均質性較好,代表性較強。因此有研究表明SIF反映的常綠林綜合信息與通量塔的風浪區是比較一致的[68]。(2)時間分辨率方面：通常估算陸表物候的遙感數據時間分辨率8—16天,天尺度的遙感數據由于大氣和傳感器的影響并不可靠[69]。研究表明如果遙感數據的時間分辨率不低于16天,物候估算誤差不超過3天,因此遙感數據空間分辨率6—16天能夠準確估算植被物候[69]。同時也有研究表明遙感數據在時間尺度整合過程中采用準確觀測日期的數值可以有效地減少低時間分辨率的不確定性[70]。其次,遙感數據重建方法的誤差。目前遙感數據最常用的重建方法包括最佳指數斜率提取法(BISE)、S-G 濾波法、非對稱高斯函數擬合法(AG)、時間序列諧波法(HANTS)和雙邏輯斯蒂函數擬合法(D-L)等。很多研究表明S-G濾波方法對噪聲去除效果較好[71-72]。最后,當前的SIF產品仍舊存在著噪聲,特別是春季SIF或者冬季SIF,導致了物候監測的偏差。本研究使用的SIF產品噪聲相對較低[8]。

4 結論

本研究以亞熱帶常綠針葉林為研究對象,采用MODIS NDVI/EVI、GOME- 2 SIF以及通量GPP來估算常綠針葉林物候期,評價陸表物候與光合作用物候之間的吻合性,明確SIF在常綠針葉林物候監測的重要性。結果表明SIF觀測能夠用來追蹤亞熱帶常綠針葉林GPP的季節動態,其物候期相比于傳統的植被指數更加接近于光合作用物候；而表征綠度的植被指數估算的物候期與光合作用的春季恢復和秋季衰弱的滯后時間較長。通過分析NDVI、EVI、SIF和GPP估算的物候期(SOS和EOS)和環境因子的相關性,結果表明春季溫度是驅動生長季開始時間的主要因素,而秋季水分和輻射是影響生長季結束時間的關鍵因素。

目前SIF的應用仍舊受到粗分辨率的限制,很難在小尺度上開展光合動態監測。隨著NASA OCO- 2衛星數據的發展,可以更好地探究高分辨率SIF和通量GPP的關系[9],進而能夠更加深入地評估SIF在監測光合作用物候的重要作用。同時2017年發射TROPOMI(TROPOspheric Monitoring Instrument)以及2022年預計發射的Flex(Fluorescence Explorer)都將能提供全球高分辨率的SIF,可以更好地估算光合能力和季節性[19,73-74]。

致謝:MODIS 植被指數數據來自于LP DAAC網站(https://lpdaacsvc.cr.usgs.gov/appeears/),GOME- 2 SIF來自于ftp.gfz-potsdam.de/pub/home/mefe/GlobFluo/。中國生態系統網絡CERN提供千煙洲森林站長期觀測數據。