基于高时空分辨率融合影像的红树林总初级生产力遥感估算

图1 广东湛江红树林国家级自然保护区及高桥红树林通量观测站位置图

（红树林分布图由全球变化科学研究数据出版系统提供）审图号：GS(2019)1822

Fig.1 Location of Zhanjiang Mangrove national Nature Reserve and Gaoqiao mangrove eddy flux tower (Mangrove map was provided by Global Change Research Data Publishing & Repository)

2.2　数据

2.2.1　通量观测数据

实验使用的通量观测数据来源于高桥站配备的通量观测系统，包括GPP、近地面气温（Tair）和光合有效辐射（Photosynthetically Active Radiation，PAR）。通量观测系统中的LI-7500开路式红外气体分析仪（Li-Cor， Inc.， USA）CO₂/H₂O可观测得到净生态系统交换量（Net Ecosystem Exchange，NEE），进一步经数据处理获得GPP；而微气象监测系统中的空气温湿度探头和光合有效辐射探头（LI-190SB）分别可观测得到Tair和PAR数据。本实验使用的所有通量观测数据的观测时间间隔均为30 min。选取2012年的GPP、Tair和PAR数据，通过均值合成的方式合并至日尺度数据，用于光能利用率模型参数估计和模型估算结果验证。

2.2.2　遥感影像与矢量数据

（1）Landsat数据。实验选取由美国USGS提供的Landsat Level-2 Surface Reflectance（Landsat SR）数据集作为融合算法的高空间分辨率影像输入数据。该数据集是将Landsat4-5 TM、Landsat7 ETM+和Landsat8 OLI获取的Level-1影像经过辐射定标和大气校正得到的30 m空间分辨率，16 d时间分辨率的地表反射率数据集，包括可见光、近红外和短波红外波段。

由于研究区位于亚热带地区，存在较为频繁和严重的云污染现象，因此本实验中以与通量观测数据一致的2012年为基准，选取间隔3 a内（即2009~2015年）、具有相近年日序数（Date of Year，DOY）的无云或少云的影像，且数据筛选过程中不限传感器种类（即TM、ETM+和OLI的数据，其中TM和OLI数据优先）。最后选取覆盖全年共23景Landsat SR影像。

（2）MCD43C4数据。实验选取由美国NASA提供的MCD43C4数据集作为融合算法的高时间分辨率影像输入数据。该数据集是基于MODIS Terra/Aqua MCD43C1数据，利用双向反射分布函数（BRDF）经过星下反射率调整后合成的全球0.05°空间分辨率，1 d时间分辨率的地表反射率数据集，包含原MODIS数据1~7反射率波段。本实验中选取了与通量观测数据一致的2012年共366景MCD43C4影像。

（3）中国区域高时空分辨率地面气象要素驱动数据集CMFD。本实验选取由寒区旱区科学数据中心提供数据服务的中国区域高时空分辨率地面气象要素驱动数据集（CMFD）作为光能利用率模型驱动数据。

CMFD是以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料，以及TRMM降水资料为背景场，融合了中国气象局常规气象观测数据制作而成。空间分辨率0.1°，时间分辨率为3 h，数据可获取时间段为1979~2015年^［21］。实验选取2012年近地面气温与地面向下短波辐射（Downward Shortwave Radiation，srad）两个气象要素的日尺度数据作为模型气象输入数据。气候学中将 PAR视为太阳下行短波辐射的一部分，它与srad的转换关系由公式（1）确定：

P A R = η_{Q} \cdot s r a d

（1）

其中： $η_{Q}$ 为光合有效系数，取值随天文和气象条件的变化而变化，本研究中 $η_{Q}$ 取值为0.45^［22］。

（4）中国地区红树林分布数据。研究区内的红树林空间分布利用全球变化科学研究数据出版系统提供的30 m中国红树林空间分布矢量数据（http：∥www.geodoi.ac.cn/WebCn/doi.aspx？Id=731）进行提取。该数据是基于光学和微波多源遥感卫星影像，选取红树林冠层和常绿特征指标，结合潮汐淹水特征、地形、海拔和坡度等因子，通过构建红树林分类算法提取的一套红树林空间分布产品^［23］。

3 实验方法

3.1　遥感影像预处理

首先将MCD43C4和CMFD数据投影至与Landsat相同的UTM WGS84坐标系，投影条带号为49N，并重采样到30 m，以满足影像融合算法与光能利用率模型对各影像输入数据具有完全一致的地理坐标信息和空间分辨率的要求；再经数据配准和基于中国地区红树林分布数据的影像裁剪处理，使Landsat、MCD43C4和CMFD影像序列具有与研究区一致的空间范围。

针对预处理后的Landsat和MCD43C4数据，计算增强型植被指数（EVI）和水体指数（NDWI）作为融合影像输入数据，用于驱动光能利用率模型，计算式如公式（2）和（3）所示：

E V I = G \cdot \frac{ρ_{N I R} - ρ_{R e d}}{ρ_{N I R} + (C_{1} \cdot ρ_{R e d} - C_{2} \cdot ρ_{B l u e}) + L}

（2）

N D W I = \frac{ρ_{N I R} - ρ_{S W I R}}{ρ_{N I R} + ρ_{S W I R}}

（3）

其中：常系数G=2.5， $C_{1}$ =6， $C_{2}$ =7.5，L=1；参量 $ρ_{N I R}$ 、 $ρ_{R e d}$ 、 $ρ_{B l u e}$ 、 $ρ_{S W I R}$ 分别对应于影像的近红外波段、红波段、蓝波段和短波红外波段的地表反射率。特别地，对Landsat7 ETM+的EVI和NDWI影像进行去条带处理。

3.2　基于ESTARFM的多源遥感数据融合

ESTARFM是基于STARFM算法发展而来的针对异质性较为严重的地表进行数据融合的算法^［24］。

在忽略大气校正和数据配准带来的误差且假定两个时期（ $t_{1}$ 和 $t_{2}$ ）之间地物没有发生明显变化的前提下，Landsat和MODIS的像元反射率满足如公式（4）和（5）的线性关系，经整理得到待预测 $t_{2}$ 时期像元值，如公式（6）所示：

F (x, y, t_{1}, B_{i}) = k \cdot C (x, y, t_{1}, B_{i}) + b

（4）

F (x, y, t_{2}, B_{i}) = k \cdot C (x, y, t_{2}, B_{i}) + b

（5）

F (x, y, t_{2}, B_{i}) = F (x, y, t_{1}, B_{i}) +

k \cdot (C (x, y, t_{2}, B_{i}) - C (x, y, t_{1}, B_{i}))

（6）

其中：F和C分别表示高分辨率Landsat数据与粗分辨率MODIS数据的像元值， $(x, y)$ 为像元坐标； $t_{1}$ 和 $t_{2}$ 为获取影像的两个时期， $B_{i}$ 为影像波段，方程常系数k、b的取值随像元位置变化而变化。

但实际上地表覆盖具有强空间异质性，高分辨率和粗分辨率影像的像元值之间基本不存在简单线性关系。因此，为提高预测影像的精度，该算法以待预测像元为中心设置某一大小的窗口，通过赋予窗口内与待预测像元具有相似光谱特征的像元不同的权重系数，利用卷积方式估算中心像元值，并滑动窗口以预测整幅影像，公式（6）调整如公式（7）所示。

F (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{2}, B_{j}) = F (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{1}, B_{j}) + \sum_{i = 1}^{N} W_{i} \cdot V_{i} \cdot (C (x_{i}, y_{i}, t_{2}, B_{j}) - C (x_{i}, y_{i}, t_{1}, B_{j})

（7）

其中：N为窗口内包含中心像元在内的相似像元个数；w为窗口大小； $W_{i}$ 是第i个相似像元的权重； $V_{i}$ 是第i个相似像元的转换系数。

基于公式（7），选取 $t_{m}$ 和 $t_{n}$ 两个时期的高分辨率和粗分辨率参考影像对，以该时间段内某一待预测时期 $t_{k}$ 的低分辨率影像为基准，分别预测该时期高分辨率影像为 $F_{k m} 和 F_{k n}$ ；以待预测时期 $t_{k}$ 与 $t_{m}$ 、 $t_{n}$ 时期粗分辨率影像的差异为权重分别得到权重系数 $β_{k m}$ 和 $β_{k n}$ ，计算得到最终的中心像元反射率值如公式（8）所示。

F (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{k}, B_{i}) =

β_{k m} \cdot F_{k m} (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{m}, B_{i}) +

β_{k n} \cdot F_{k n} (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{n}, B_{i})

（8）

选取相邻时期的两景Landsat EVI/NDWI及相同DOY的MCD43C4 EVI/NDWI作为两对参考影像对，预测该影像对覆盖时间段内每一天的高分辨率影像；特别地，与Landsat同DOY的MCD43C4影像不进行融合预测。此外，ESTARFM算法中需要预先设定两个参数：影像类别数和滑动窗口大小。影像类别数根据目视判断，本实验中高桥站的类别数定为5。滑动窗口大小的不同会直接影响窗口内相似像元个数及其权重系数的不同，过小的滑动窗口会导致融合结果出现斑块，而过大的融合窗口会引入不必要的信息，降低算法运行效率的同时也会降低预测影像精度。本实验针对EVI和NDWI分别设置5个像元和10~100个像元之间每次间隔10个像元作为滑动窗口大小，依据表1中的评价指标评价融合预测影像与真实影像的相似度。

表1 ESTARFM影像融合算法精度评价指标

Table 1 Accuracy assessment indexes of ESTARFM image fusing algorithm

指标名称	计算式	参数释义
均值（Mean）	$\bar{F_{p}} = \sum_{i = 1}^{N} \sum_{j = 1}^{M} \frac{F_{p} (i, j)}{M \times N}$	$F_{p} (i, j)$ 为融合预测影像； $F (i, j)$ 为真实影像； M $\times$ N为影像的大小；融合质量越好的融合影像，其均值、标准差会越靠近真实影像的均值和标准差； $R^{2}$ 和r越接近1；RMSE、 RMSEr、MAD和MAPE越接近于0
标准差（SD）	$σ_{F_{p}} = \sqrt[]{\frac{1}{M \times N} \sum_{i = 1}^{N} \sum_{j = 1}^{M} (F_{p} {(i, j) - \overset{̑}{F_{p}})}^{2}}$
均方根误差（RMSE）	$R M S E = \sqrt[]{\frac{\sum_{i = 1}^{M} \sum_{j = 1}^{N} [F_{p} (i, j) - F {(i, j)]}^{2}}{M \times N}}$
相对均方根误差（RMSEr）	$R M S E r = \frac{R M S E}{\bar{F_{p}}}$
决定系数（R²）	$R^{2} = \frac{{(\sum_{i = 1}^{M} \sum_{j = 1}^{N} (F_{p} (i, j) - \overset{̑}{F_{p}}) (F (i, j) - \dot{F}))}^{2}}{\sum_{i = 1}^{M} \sum_{j = 1}^{N} (F_{p} {(i, j) - \overset{̑}{F_{p}})}^{2} \sum_{i = 1}^{M} \sum_{j = 1}^{N} (F {(i, j) - \dot{F})}^{2}}$
相关系数（r）	$r = \sqrt[]{R^{2}}$
平均绝对差（MAD）	$M A D = \frac{1}{M \times N} \sum_{i = 1}^{N} \sum_{j = 1}^{M} \|F_{p} (i, j) - F (i, j)\|$
平均绝对百分误差（MAPE）	$M A P E = \frac{1}{M \times N} \sum_{i = 1}^{M} \sum_{j = 1}^{N} \|\frac{F_{p} (i, j) - F (i, j)}{F (i, j)}\|$
耗时（Time）	获取每一张预测影像所需时间

新窗口打开| 下载CSV

3.3　VPM光能利用率模型

光能利用率LUE （Light Use Efficiency）是表征植被将吸收的可用于光合作用的太阳辐射能转换成生物能的参数，它可以构建起遥感反演得到的PAR与植被固碳量之间的联系，从而用于植被冠层GPP估算。VPM光能利用率模型结构简单且模拟精度较高，模型输入数据均可由遥感技术获取，在植被GPP估算研究中被广泛应用^［25］。其结构式如公式（9）所示。

G P P = L U E_{m a x} \times P A R \times F P A R \times T_{s} \times W_{s}

（9）

其中： $L U E_{m a x}$ 是最大光能利用率，是植被在不受任何胁迫的环境下对PAR的利用效率；FPAR为光合有效辐射吸收比例，即植被冠层所吸收的PAR占总PAR的比例；PAR表示的是太阳辐射中植物光合作用能有效利用的光谱成分； $T_{s}$ ， $W_{s}$ 分别为温度和水分限制因子，表征了自然环境因素对植被固碳过程的胁迫。VPM光能利用率模型对各参数的定义如下^［25］。

F P A R = α \times E V I

（10）

一般地， $α$ 取值为1。

T_{s} = \frac{(T - T_{m i n}) \times (T - T_{m a x})}{(T - T_{m i n}) \times (T - T_{m a x}) - {(T - T_{o p t})}^{2}}

（11）

其中：T为输入参数温度； $T_{o p t}$ 为植被光合作用速率最大时对应的温度，此处选择植被EVI最大时对应的温度，本实验为29.2 ℃； $T_{m i n}$ 、 $T_{m a x}$ 分别为植被可以进行光合作用的最低温与最高温，本实验设置参数 $T_{m i n}$ =0， $T_{m a x} = T_{o p t} + (T_{o p t} - T_{m i n})$ ，若温度T小于 $T_{m i n}$ 或大于 $T_{m a x}$ ， $T_{s}$ =0。

W_{s} = \frac{1 + N D W I}{1 + N D W I_{m a x}}

（12）

其中： $N D W I_{m a x}$ 是植被NDWI的最大值。

本实验将具有一致地理信息和空间分辨率的遥感影像产品（包括融合得到的EVI、NDWI和经预处理后的CMFD PAR和Tair数据）作为输入数据驱动VPM光能利用率模型，从而获取研究区的红树林GPP。

4 结果与讨论

4.1　最优融合参数选取与融合结果精度评价

基于表1中的评价指标，以具有相同DOY的Landsat影像为真实影像，分别对不同滑动窗口大小获取的EVI和NDWI融合影像进行精度评价，综合考虑各指标计算结果及其随着滑动窗口大小变化的相对变化大小，本研究对高桥站红树林的EVI融合滑动窗口大小选择为90个像元，对NDWI融合滑动窗口大小选择为70个像元，评价指标计算结果如表2所示。EVI和NDWI融合影像与真实影像的决定系数R²分别为0.759和0.659，说明融合影像与真实影像之间具有较为一致的光谱特征，融合精度较高。此外，从表中还可以看出EVI的融合精度较高于NDWI，融合影像的Mean和SD更接近于真实影像。除RMSEr之外，其他指标结果均优于NDWI的融合精度评价指标结果，融合影像与真实影像的差异更小，但EVI单张影像的融合耗时比NDWI长。

表2 基于最佳滑动窗口大小的融合精度评价结果

Table 2 Accuracy assessment for image fusing result based on optimal moving window size

融合指数	窗口大小	Mean	SD	RMSE	RMSEr	R²	r	MAD	MAPE	Time
EVI	参考影像	0.396	0.149
EVI	90	0.371	0.128	0.078	0.209	0.759	0.871	0.060	1.065	10 m 55 s
NDWI	参考影像	0.481	0.126
NDWI	70	0.449	0.094	0.081	0.180	0.659	0.812	0.063	1.139	5 m 50 s

新窗口打开| 下载CSV

基于最佳融合窗口获取EVI和NDWI融合影像和对应的真实影像，选取红树林像元值绘制散点分布图如图2所示。可以看到散点大多分布于1∶1线附近，具有较高的融合精度。空间分布图则反映了EVI和NDWI融合影像与真实影像具有一致的空间分布格局（图3），EVI的融合结果与真实值接近（图3（a）），而NDWI的融合结果存在一定的低估（图3（b））。

图2

图2 基于最佳滑动窗口大小的融合影像与真实影像红树林EVI与NDWI散点图

Fig.2 Scatter plot of mangrove EVI and NDWI of fused image and observed image based on optimal moving window size

图3

图3 基于最佳滑动窗口大小的融合影像与真实影像红树林EVI与NDWI空间分布图

审图号：GS(2019)1822

Fig.3 Spatial Distribution of mangrove EVI and NDWI of fused image and observed image based on optimal moving window size

4.2　最大光能利用率与模型估算精度评价

不同树种和树龄的红树林具有不同的最大光能利用率，利用经验值代入模型计算得到的GPP会存在一定的误差。因此，本实验从366条日尺度的GPP、Tair和PAR站点数据及融合预测得到的EVI和NDWI数据中随机选取200条数据，基于公式（9），将最小二乘线性拟合得到的斜率作为最大光能利用率的估计值。本实验中，高桥红树林最大光能利用率为3.07 g C MJ^-1（图4（a）），这与森林生态系统的最大光能利用率相近，且大于农田和草地生态系统的最大光能利用率^［22］。最大光能利用率经温度和水分胁迫后得到的实际光能利用率为植被的吸收光能利用率，高桥站红树林的吸收光能利用率为2.24 g C MJ^-1，与朱先进等^［26］基于文献分析和数据处理得到的高桥站2010年红树林吸收光能利用率1.83 g C MJ^-1近似。

图4

图4 高桥站红树林最大光能利用率估计和验证结果

Fig.4 Calibration and validation of mangrove maximum light use efficiency in Gaoqiao

将用于验证的166条数据代入公式（9）计算得到的模型估算GPP与站点观测的实际GPP进行比较，绘制如图4（b）所示的散点图，精度验证结果表明，R²=0.64，存在一定的“低值低估、高值高估”的现象，但散点总体分布与1∶1线附近，最佳拟合线斜率接近于1，即模型估算GPP与站点观测的实际GPP具有一致的趋势，估算结果较好。

将模型估算的日尺度GPP经过8 d均值合成，并与目前主流的MOD17A2 GPP和GLASS GPP遥感卫星产品在2012年的8天模拟值进行比较（图5），决定系数R²由0.47（MOD17A2、GLASS）提高至0.7（本研究），估算精度提高了48.9%（图5（a））。从季节变化趋势来看，站点GPP的年尺度时间序列整体表现为夏、秋两季高于春、冬两季的特征，本实验估算得到的GPP时间序列变化趋势与站点观测较为一致。从模拟的数值匹配度来看，MOD17A2和GLASS在全年均对高桥站红树林有一定的低估，而本实验估算的GPP在春、冬两季更接近于站点GPP，但在夏、秋两季，本实验的估算结果存在一定的高估（图5（b）），这主要因为受气溶胶和云污染等天气因素的影响，驱动数据中CMFD PAR数据存在一定的高估^［27］。图6（a）中可以看出，CMFD PAR在高值区较站点观测PAR偏大，而高值PAR则集中出现在夏、秋两季（图6（b））；相比之下，对于春、冬两季的低值PAR，两者具有较好的一致性，因此，本实验在春、冬两季的模型估算GPP结果优于夏、秋两季。

图5

图5 模型估算GPP与其他卫星GPP产品的比较散点图与时序变化图

Fig.5 Scatter plot and time series among our site-based estimated GPP and satellite GPP products

图6

图6 高桥站站点观测光合有效辐射（PAR）与CMFD PAR的散点图和年时间序列图

Fig.6 Scatter plot and time series of site-observed and CMFD photosynthetically active radiation(PAR) in Gaoqiao

4.3　区域红树林GPP估算

基于融合后的EVI和NDWI数据及CMFD PAR和Tair空间数据估算研究区内红树林GPP，获取了一套2012年30 m空间分辨率、日尺度的红树林GPP空间数据集。研究区内红树林全年GPP均值为1 915.36 g C m^-2 a^-1，部分区域最大可达到3 669.23 g C m^-2 a^-1，全年的日均GPP为5.23 g C m^-2 d^-1，其生产力大于寒温带森林、农田、草地、湿地等生态系统，小于热带森林生态系统。由此证明，相比大部分植被类型，红树林具有更高的生产力^{［2，4，28］}。从图7可以看出，研究区内红树林GPP高值区域集中在高桥站通量观测塔附近（参考图1），而近海的红树林GPP偏低，这主要归因于潮汐和海水盐度对近海的先锋红树林影响较远海的红树林更大，使得近海红树林生长受到更大胁迫，致使GPP较远海红树林低；此外，近海像元通常是红树林和水体的混合像元，水体会降低EVI值，从而造成GPP估算偏低。

图7

图7 2012年高桥站红树林日均GPP空间分布图

审图号：GS(2019)1822

Fig.7 Spatial distribution of daily gross primary production(GPP) in 2012 in Gaoqiao mangrove region

将GPP按每月求取均值后可见，高桥站红树林的GPP呈现明显的季节变化特征（图8），表现为夏（7.77 g C m^-2 d ^-1）、秋（6.17 g C m^-2 d ^-1）两季GPP显著大于春（5.21 g C m^-2 d ^-1）、冬（1.84 g C m^-2 d ^-1）两季，这主要是受到夏、秋两季较高的Tair和PAR共同作用的结果。其中1月的红树林日均GPP最小（1.21 g C m^-2 d ^-1），4月开始进入红树林生长季。至7月，红树林生长最为旺盛，日均GPP达最大值（8.67 g C m^-2 d ^-1），研究区内部分区域GPP最大为16.94 g C m^-2 d ^-1，也主要集中于高桥站通量观测站附近。持续至10月后，红树林GPP逐渐减少，生长季结束。

图8

图8 高桥站红树林逐月日均GPP空间分布图审图号：GS(2019)1822

Fig.8 Spatial distribution of daily gross primary production(GPP) every month in Gaoqiao mangrove region

5 结语

本文基于通量观测数据和卫星遥感影像数据，选取高桥站所在的红树林自然保护区为研究区，利用ESTARFM算法得到的高时空分辨率融合影像和光能利用率模型，开展了区域尺度的红树林GPP遥感模拟研究，得到了以下结论和初步成果：

（1）本实验中基于ESTARFM算法获取的高桥站红树林EVI和NDWI高时空分辨率数据集具有较好的精度（R²分别为0.759和0.659），可作为输入数据驱动遥感参数模型，以弥补现有遥感影像在红树林GPP估算研究中时空分辨率的不足。

（2）基于光能利用率模型估算红树林GPP时，通过引入耦合遥感影像数据和通量观测数据估计的红树林最大光能利用率（3.07 g C MJ^-1），较过去研究中以经验值作为最大光能利用率估算得到的红树林GPP在精度上有一定提高，且相较于MOD17A2和GLASS GPP产品，本实验估算的GPP与站点观测GPP更接近。

（3）2012年高桥站红树林GPP年均值为1 915.36 g C m^-2 a^-1，该值大于大部分植被类型的年均GPP；此外，红树林与其他植被类型一样表现出明显的季节变化特征，生长季为4月至10月。

本文利用遥感参数模型及遥感数据产品，首次获得了一套高时空分辨率红树林GPP数据集，该数据集可为红树林生态评估和保护工作提供高精度数据支持，并辅助于碳汇能力估算研究。但现有的遥感模型未引入海洋对红树林生长的影响，使得GPP估算结果仍然存在局限性，未来研究可从以下两点展开：①红树林所处的滩涂受到周期性的潮汐淹水效应，对被淹水的红树林像元进行校正对于提高估算GPP精度十分必要；此外，潮汐作用会抑制红树林有氧呼吸，减少CO₂释放，同时也会增加横向碳通量，这部分碳通量的引入将对GPP估算精度的提高具有重要意义。②潮汐引入的海水具有较高的盐度，这将引起红树林土壤盐度升高，给红树林固碳过程带来一定的胁迫作用，已有研究表明盐度会通过降低红树林的实际光能利用率从而抑制红树林的固碳过程，因此未来可在遥感模型中考虑盐度因子的作用，进而提高红树林GPP估算精度。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Duarte

C M

， Losada

I J

， Hendriks

I E

， et al.

The Role of Coastal Plant Communities for Climate Change Mitigation and Adaptation

［J］. Nature Climate Change， 2013， 3（11）： 961-968.doi： 10.1038/nclimate1970.

[2]

W Z

， Xiao

J F

， Liu

， et al.

Contrasting Ecosystem CO₂ Fluxes of Inland and Coastal Wetlands： A Meta-analysis of Eddy Covariance Data

［J］. Global Change Biology， 2017， 23（3）： 1180-1198.doi： 10.1111/gcb.13424.

[3]

Alongi

D M

Carbon Cycling and Storage in Mangrove Forests

［J］. Annual Review of Marine Science， 2014， 6（1）： 195-219.doi： 10.1146/annurev-marine-010213-135020.

[本文引用: 3]

[4]

Donato

D C

， Kauffman

J B

， Murdiyarso

， et al.

Mangroves among the Most Carbon-rich Forests in the Tropics

［J］. Nature Geoscience，2011，4（5）：293-297.doi：10.1038/ngeo1123.

[本文引用: 3]

[5]

Duke

N C

， Meynecke

J O

， Dittmann

， et al.

A World without Mangroves？

［J］. Science， 2007， 317（5834）： 41-42.doi： 10.1126/science.317，5834.41b.

[6]

Pendleton

， Donato

D C

， Murray

B C

， et al.

Estimating Global “Blue Carbon” Emissions from Conversion and Degradation of Vegetated Coastal Ecosystems

［J］. PLOS One， 2012， 7（9）： e43542.doi： 10.1371/journal.pone.0043542.

[7]

Zhang

， Guo

Zhihua

， Li

Zhiyong

Carbon Storage and Carbon Sink of Mangrove Wetland： Research Progress

［J］. Chinese Journal of Applied Ecology， 2013， 24（4）： 1153-1159.

张莉，郭志华，李志勇.

红树林湿地碳储量及碳汇研究进展

［J］.应用生态学报， 2013， 24（4）： 1153-1159.

[8]

Jiao

N Z

， Wang

， Xu

G H

， et al.

Blue Carbon on the Rise： Challenges and Opportunities

［J］. National Science Review， 2018， 5（4）： 464-468.doi： 10.1093/nsr/nwy030.

[9]

Cui

X W

， Liang

， Lu

W Z

， et al.

Stronger Ecosystem Carbon Sequestration Potential of Mangrove Wetlands with Respect to Terrestrial Forests in Subtropical China

［J］. Agricultural and Forest Meteorology， 2018， 249： 71-80.doi： 10.1016/j.agrformet.2017.11.019.

[10]

Zhu

X D

， Song

L L

， Weng

Q H

， et al.

Linking in-situ Photochemical Reflectance Index Measurements with Mangrove Carbon Dynamics in a Subtropical Coastal Wetland

［J］. Journal of Geophysical Research： Biogeosciences， 2019， 124（6）： 1714-1730.doi： 10.1029/2019JG005022.

[11]

Liu

J G

， Lai

D Y F

Subtropical Mangrove Wetland is a Stronger Carbon Dioxide Sink in the Dry than Wet Seasons

［J］. Agricultural and Forest Meteorology， 2019， 278： 107644.doi： 10.1016/j.agrformet.2019.107644.

[12]

Barr

J G

， Engel

， Smith

T J

， et al.

Hurricane Disturbance and Recovery of Energy Balance， CO₂ Fluxes and Canopy Structure in a Mangrove Forest of the Florida Everglades

［J］. Agricultural and Forest Meteorology， 2012， 153（15）： 54-66.doi： 10.1016/j.agrformet.2011.07.022.

[13]

Rodda

S R

， Thumaty

K C

， Jha

C S

， et al.

Seasonal Variations of Carbon Dioxide， Water Vapor and Energy Fluxes in Tropical Indian Mangroves

［J］. Forests， 2016， 7（2）： 35.doi： 10.3390/f7020035.

[14]

Zulueta

R C

， Oechel

W C

， Verfaillie

J G

， et al.

Aircraft Regional-Scale Flux Measurements over Complex Landscapes of Mangroves， Desert， and Marine Ecosystems of Magdalena Bay， Mexico

［J］. Journal of Atmospheric and Oceanic Technology， 2013， 30（7）： 1266-1294.doi： 10.1175/JTECH-D-12-00022.1.

[15]

Monji

， Hamotani

， Hirano

， et al.

Characteristics of CO₂ Flux over a Mangrove Forest of Southern Thailand in Rainy Season

［J］. Journal of Agricultural Meteorology， 1996， 52（2）： 149-154.doi： 10.2480/agrmet.52.149.

[16]

Barr

J G

， Engel

， Fuentes

J D

， et al.

Controls on Mangrove Forest-Atmosphere Carbon Dioxide Exchanges in Western Everglades National Park

［J］. Journal of Geophysical Research： Biogeosciences， 2010， 115（G2）： 14.doi： 10.1029/2009JG001186.

[17]

Barr

J G

， Engel

， Fuentes

J D

， et al.

Modeling Light Use Efficiency in a Subtropical Mangrove Forest Equipped with CO₂ Eddy Covariance

［J］. Biogeosciences， 2013， 10（3）： 2145-2158. doi：10.5194/bg-10-2145-2013.

[18]

Lele

， Kripa

M K

， Panda

， et al.

Seasonal Variation in Photosynthetic Rates and Satellite-based GPP Estimation over Mangrove Forest

［J］. Environmental Monitoring and Assessment， 2021， 193（2）. doi： 10.1007/s10661-021-08846-0.

[19]

Wang

， Jia

M M

， Yin

D M

，et al.

A Review of Remote Sensing for Mangrove Forests： 1956~2018

［J］. Remote Sensing of Environment， 2019， 231（15）： 111223.doi： 10.1016/j.rse.2019.111223.

[20]

Bunting

， Rosenqvist

， Lucas

R M

， et al.

The Global Mangrove Watch： A New 2010 Global Baseline of Mangrove Extent

［J］. Remote Sensing，2018，10（10）：1669. doi：10.3390/ rs10101669.

[21]

Chen

Y Y

， Yang

， He

，et al.

Improving Land Surface Temperature Modeling for Dry Land of China

［J］. Journal of Geophysical Research： Atmospheres，2011，116（D20）：15921. doi： 10.1029/2011JD015921.

[22]

Zheng

， Zhang

， Xiao

J F

，et al.

Sources of Uncertainty in Gross Primary Productivity Simulated by Light Use Efficiency Models： Model Structure， Parameters， Input Data， and Spatial Resolution

［J］. Agricultural and Forest Meteorology， 2018， 263： 242-257.doi： 10.1016/j.agrformet.2018.08.003.

[23]

Chen

B Q

， Xiao

X M

， Li

X P

，et al.

A Mangrove Forest Map of China in 2015： Analysis of Time Series Landsat 7/8 and Sentinel-1A Imagery in Google Earth Engine Cloud Computing Platform

［J］.ISPRS Journal of Photogrammetry and Re-mote Sensing，2017，131：104-120. doi：10.1016/j.isprsjprs. 2017.07.011.

[24]

Zhu

X L

， Chen

， Gao

，et al.

An Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model for Complex Heterogeneous Regions

［J］. Remote Sensing of Environment， 2010， 114（11）： 2610-2623.doi： 10.1016/j.rse.2010.05.032.

[25]

Xiao

X M

， Hollinger

， Aber

， et al.

Satellite-based Modeling of Gross Primary Production in an Evergreen Needleleaf Forest

［J］. Remote Sensing of Environment， 2004， 89（4）： 519-534.doi： 10.1016/j.rse.2003.11.008.

[26]

Zhu

Xianjin

， Yu

Guirui

， He

Honglin

，et al.

Radiation and Light-use Efficiency Dataset of Typical Chinese Ecosystems （2002~2010）

［J］. China Scientific Data，2019，4（1）：97-109.

朱先进，于贵瑞，何洪林，等.

2002~2010年中国典型生态系统辐射及光能利用效率数据集

［J］.中国科学数据， 2019， 4（1）：97-109.

[27]

Cai

W W

， Yuan

W P

， Liang

S L

，et al.

Improved Estimations of Gross Primary Production Using Satellite-derived Photosynthetically Active Radiation

［J］. Journal of Geophysical Research： Biogeosciences， 2014， 119（1）： 110-123.doi： 10.1002/2013JG002456.

[28]

Luyssaert

， Inglima

， Jungs

， et al.

CO₂ Balance of Boreal， Temperate， and Tropical Forests Derived from a Global Database

［J］. Global Change Biology， 2007， 13： 2509-2537.doi： 10.1111/j.1365-2486.2007.01439.x.