遥感技术与应用, 2022, 37(3): 702-712 doi: 10.11873/j.issn.1004-0323.2022.3.0702

叶绿素荧光专栏

中国区域2007~2018植被荧光时空变化与气候响应模式研究

严致荣,1,2, 刘良云,2, 竞霞1

1.西安科技大学测绘科学与技术学院，陕西 西安 710054

2.中国科学院空天信息创新研究院，北京 100101

Spatiotemporal Variations of Satellite-based SIF and Its Climate Response in China from 2007 to 2018

Yan Zhirong,1,2, Liu Liangyun,2, Jing Xia1

1.School of Surveying and Mapping Science and Technology，Xi'an University of Science and Technology，Xi'an 710054，China

2.Institute of Aerospace Information Innovation，Chinese Academy of Sciences，Beijing 100101，China

通讯作者: 刘良云（1975-），男，湖南邵阳人，博士，研究员，主要从事植被定量遥感研究。E⁃mail:liuly@radi.ac.cn

收稿日期: 2021-01-22   修回日期: 2022-03-15  

基金资助: 中国科学院重点部署项目.  ZDRWZS⁃2019⁃1
国家自然科学基金项目.  41825002.  41871239

Received: 2021-01-22   Revised: 2022-03-15  

作者简介 About authors

严致荣（1997-），男,江西赣州人，硕士研究生,主要从事为植被定量遥感研究E⁃mail:19210210070@stu.xust.edu.cn , E-mail：19210210070@stu.xust.edu.cn

摘要

基于GOME-2 卫星日光诱导叶绿素荧光（SIF）产品数据集，对2007~2018年中国区域SIF进行时空变化分析，探讨了中国区域SIF对气温、降水、辐射等气候变化的响应。结果表明：①中国植被区域SIF总体上呈现从东南向西北递减的空间分布，12 a间年均SIF增加了20.2%，增幅达0.034 mW/m2/sr/nm，增加区域占比为80.3%，呈显著增长区域占比25.7%，增长区域主要分布在植被较为密集的中国东部、南部和东北部。②季节尺度上，夏季SIF增加的区域和幅度最大，增幅达0.065 mW/m2/sr/nm，增加区域占比为82.1%，呈显著增长的区域占比19.4%，SIF增长区域与年均SIF的趋势基本一样。春季和秋季SIF总体也是呈增长的趋势，而冬季只在中国南部增长趋势明显。③与气候因子的偏相关响应分析表明，在寒温带针叶林区域，气温是SIF增长主要的影响因子；在暖温带及温带植被区域，降水是SIF增长主要的影响因子；在亚热带常绿阔叶林区域，影响SIF增长的更可能是人类活动；对处于较低纬度地区的热带季风雨林区域来说，辐射是SIF增长的主要影响因子。研究结果揭示了2007~2018年间的中国区域植被荧光时空变化规律及其与气候变化间的响应关系，可为全球碳循环研究提供必要的数据支撑。

关键词： 日光诱导叶绿素荧光 ; GOME-2卫星 ; 趋势分析 ; 气候响应

Abstract

Based on the GOME-2 satellite SIF dataset， we analyzed the spatial and temporal changes of SIF from 2007 to 2018 in China， and investigated the response of SIF to climate changes， such as temperature， precipitation， and radiation. The results showed that： （1） The SIF in China's vegetation region generally shows a decreasing distribution from southeast to northwest. The average annual SIF increases by 20.2% in last 12 years， with an amplitude of 0.034 mW/m2/sr/nm， and the increase area accounts for 80.3% of the whole China. The area with significant growth of SIF accounts for 25.7%， which were mainly distributed in eastern， southern and northeastern China. （2） The SIF increase in summer season during last twelve years is the largest with an amplitude of 0.065 mW/m2/sr/nm； the area with increased summer SIF accounts for 82.1% of the whole China， and the area with significant increase accounts for 19.4%. （3） The response of SIF to climate change was investigated using the partial correlation method. temperature is the main factor affecting the interannual variation of SIF； precipitation is the main driven factor for SIF in warm temperate and temperate vegetation regions； human activities are more likely to affect the growth of SIF in the green broad-leaved forest area； radiation is the driven factor for tropical monsoon rain forest areas located in low latitudes. The above results reveal the temporal and spatial changes of vegetation fluorescence in China from 2007 to 2018 and its response to climate change， which can provide important support for global carbon cycle research.

Keywords： Sunlight-induced chlorophyll fluorescence ; GOME-2 satellite ; Trend analysis ; Climate response

PDF (5442KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

严致荣, 刘良云, 竞霞. 中国区域2007~2018植被荧光时空变化与气候响应模式研究. 遥感技术与应用[J], 2022, 37(3): 702-712 doi:10.11873/j.issn.1004-0323.2022.3.0702

Yan Zhirong, Liu Liangyun, Jing Xia. Spatiotemporal Variations of Satellite-based SIF and Its Climate Response in China from 2007 to 2018. Remote Sensing Technology and Application[J], 2022, 37(3): 702-712 doi:10.11873/j.issn.1004-0323.2022.3.0702

1 引 言

叶绿素荧光是指叶绿素分子吸收光量子（主要指蓝光和红光），被激发的电子由受激态通过重新发射光子回到基态而产生的一种光信号。自然光条件下，植被吸收的光合有效辐射（Absorbed Photosynthetic Active Radiation， APAR）一部分用于光合作用，其他部分以热的形式向外耗散，或者以长波（650~850 nm）形式发射叶绿素荧光信号，这部分受激发射的光信号称为日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence， SIF）［1］。SIF与植物的营养和生长状态密切相关［2-4］，也对环境胁迫，水或热应激［5-6］的响应很敏感，因此SIF不仅可以用于估测陆地植被生产力［7-8］，还可以作为植被对生物和非生物因子胁迫相应的指标。

降水、温度、辐射等气候因子影响着植被生长，从而改变卫星遥感观测的植被SIF信号［9］。了解植被SIF时空变化能提高气候预测精度和更好地预测植被在异常气候下恢复能力［10］。Detmers等［11］利用GOSAT卫星SIF数据分析了澳大利亚地区的碳吸收情况，发现降水增加导致植被的生长增强，从而导致生物圈碳吸收量大幅增加，与植被SIF水平的提高相一致。Green等［12］利用GOME-2 SIF数据分析了全球生物圈—大气反馈规律，发现SIF能解释反馈发生区域高达30%的降水和地面辐射变化。Li等［13］在生态系统水平上，基于涡旋协方差通量站点，观察到了SIF相比于EVI与气候因素有更强的相关性，在干旱和半干旱地区，SIF比EVI对气候变化更敏感，在湿润地区，SIF与太阳辐射呈正相关，而EVI与太阳辐射无显著相关性。在亚马逊湿地阔叶林生物群落的生态区中，SIF季节变化的76%是由季节性辐射变化解释的，而降水和两者结合则解释了13%和11%［14］。Chen等［15］通过GOME-2卫星SIF分析发现2014年华北平原严重干旱区域的GPP下降了10.6%，与统计单产数据估计的单产下降（9.1%）一致。众多研究表明，利用光学植被指数等遥感数据，发现中国区域植被呈显著增加趋势，如Chen等［16］发现，根据MODIS的数据，2000~2017年间每10 a全球叶片面积净增加2.3%，而中国叶面积净增加量占全球的25%，植被面积占全球的6.6%。但中国区域植被SIF的时空变化规律如何，以及中国区域对气候变化的响应特征是什么，这些问题具有重要研究意义、而缺乏研究。

因此，研究基于2007~2018年中国区域的GOME-2卫星SIF产品数据集，分析我国的SIF时空变化特征，同时结合研究区气温、降水、辐射数据，分析SIF与气候因子在生长季的相关性，旨在探讨SIF对气候变化的响应特征、阐明不同生态区域SIF影响的关键气候因子，为气候变化情境下陆地植被光合响应与预测提供重要理论依据。

2 研究区概况

我国位于欧亚大陆东南部季风气候区，幅员辽阔，山地众多，地形复杂。不仅有从温带到热带、从湿润到干旱的不同气候带，也具有从寒冷的北方针叶林到温暖的亚热带常绿阔叶林和热带雨林的多样性自然植被。这种环境、气候和植被的多样性与复杂性为研究中国陆地植被SIF时空变化和气候变化响应提出了挑战。需要对不同区域植被SIF季节变化、年均变化等进行进一步分析，揭示各区域SIF对气候因子的响应特点，并对各区域之间的差异进行比较。采用中国植被气候分区资料（图1），将中国地区分为亚热带常绿阔叶林区域、寒温带针叶林区域、暖温带落叶阔叶林区域、温带草原区域、温带荒漠区域、温带针叶落叶阔叶混交林区域、热带季风雨林及雨林区域、青藏高原高寒植被区域等8个分区［17］。在这些区域内部其植被覆盖比较一致，气候特征相似，可以将其作为一个整体讨论。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   中国气候分区图

审图号：GS（2019）1822

Fig.1   China's climate zone map


3 数据与方法

3.1　GOME-2月值SIF 产品

搭载在MetOp-A/B 卫星的GOME-2传感器Channel 4通道覆盖了590~790 nm的波段范围，光谱分辨率达0.5 nm，而且信噪比较高（SNR>1 000），可用于SIF测量。该卫星像元大小约为40 km×180 km，从2013年7月起MetOp-A的空间分辨率升为40 km×40 km，过境时间为当地时间9：30，重访周期为1.5 d。Hu等［18］基于Joiner等［19］生产的 GOME-2A日值SIF产品，并结合MERRA同化短波辐射资料和MODIS FAPAR产品，采用基于APAR的时间升尺度模型，生产了全球0.5°网格的连续时间尺度月值SIF 产品。而对于月均SIF的时间升尺度处理，是在一定的时序周期内（如一个月），可以假设同一种植被类型的冠层O2-A波段的SIF与APAR的比值基本不变，APAR可以作为O2-A波段SIF时间尺度扩展的驱动变量。在月尺度上，研究以APAR 为时间尺度扩展的驱动变量，认为SIF与APAR的比值为不变的常数k。该常数k可由一个月内SIF的瞬时观测值与对应的瞬时APAR的比值来计算。因此，利用一个月内多次观测瞬间晴空SIF及其对应的PAR、FAPAR等资料就可以计算升尺度的月均SIF。

SIFMon≈1M×∑MonSIFinsPARins×FAPARins×(PARMon×FAPARMon)

其中：M为一个月内有效卫星观测次数；SIFins、PARins、FAPARins分别一个月内的卫星瞬间观测SIF、PAR和FAPAR信号；PARMon和FAPARMon为月均PAR和FAPAR；SIFMon为升尺度的月均SIF。已有研究表明，fPAR与NDVI之间有着显著地的线性相关关系，可以基于FAPAR-NDVI线性模型估算FAPAR［20-22］。因此，公式（1）中的FAPAR由NDVI所代替。

SIFMon≈1M×∑MonSIFinsPARins×NDVIins×(PARMon×NDVIMon)

其中：NDVIins和NDVIMon分别为卫星观测瞬间和月均NDVI值。此外，由于GOME-2存在一定时间衰减， 星上辐亮度数据的时间衰减会线性传递到SIF反演产品，Liu等［23］选用了撒哈拉沙漠中一处利比亚定标场的均质区域，基于该区域地表反射率不变的假设，获得了定标场区域星上辐亮度的时间衰减系数，对SIF产品进行了时间衰减校正，最终获得了时间衰减校正的GOME-2月值SIF产品数据集。GOME-2A的时间退化趋势采用伪不变方法确定。在撒哈拉沙漠中一个非常均匀的亮地表区域（7.5°~8.5° E，31°~32° N）被选作准不变地物，通过计算该不变地物星上（TOA）反射率的时间变化曲线来跟踪GOME-2A仪器的辐射性能衰减。若忽略2007~2018年该不变地物近红外波段光谱反射率和大气光学特性的时空变化，则可以认为TOA反射率的时间趋势等同于TOA GOME-2A仪器的辐射衰减。结果表明，从2007年1月到2018年12月GOM-2A仪器的性能下降了约17.9%，并可以用二次多项式函数精确拟合仪器辐射衰减状况，如公式（3）所示。

Norm(date)=106.401×(data100000)2-91.918×date100000+20.672,(R2=0.921)

其中：Norm（date）是2007年之后特定日期的校正系数；“日期”等于自1900年1月1日以来的天数。

目前该产品可在zenodo网站免费下载（http：//doi.org/10.5281/zenodo.4433590）。

3.2　非植被区域掩膜

MCD12数据是利用Terra和Aqua两颗卫星遥感获得的土地覆盖类型数据，MCD12C1是其中分辨率为0.05°的版本，可在USGS网站上免费下载（https：∥lpdaac.usgs.gov/products/mcd12c1v006/）。采用像素合并方法，统计各0.5°网格中的0.05°产品各地表覆盖类型比例，将最大比例地物设定为该网格的地表类型，从而实现0.05°到0.5°空间升尺度处理。

基于该MODIS地表覆盖对GOME-2 SIF产品的水体、城市建设用地、冰雪、裸地等非植被区域进行了掩膜处理。

3.3　气象与辐射数据

气象数据是在美国NOAA网站（https：∥www.ncdc.noaa.gov/cdo-web/）下载的中国193个站点的2007~2018年逐日降水，气温资料，辐射站点数据来自国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn）的太阳辐射日均值数据集［24-27］。

3.4　Sen+ Mann-Kendall趋势分析法

Sen趋势度分析方法是一种利用中位数函数研究长时间序列的方法，但其本身不能实现序列趋势显著性判断，而Mann- Kendall 方法则无需样本数据服从特定的分布，也不受少数异常值的影响，对于测量误差（gross errors）和离群数据（outliers）有较好的规避能力，因此引入该方法对序列趋势进行显著性检验，得到Sen+ Mann-Kendall趋势分析方法［28］。

Sen趋势度β计算公式为：

        β=Medianxj-xij-i,j>i

趋势度β可判断时间序列趋势的升降，当β>0时，时间序列呈上升的趋势；β<0时，时间序列呈下降的趋势。

Mann-Kendall公式如下对于时间序列X(x1、x2、x3……)：

S=∑i=1n-1∑j=i+1nsgn(xj-xi)

其中：n为数据样本长度；sgn为符号函数。sgn定义如下：

sgnθ=+1   θ>00      θ=0-1   θ<0

当n<10时，直接使用统计量s进行双边趋势检验；当n≥10时，统计量大致服从正态分布，则使用检验统计量Z进行趋势检验。

Z值计算公式为：

Z=(S-1)/[Var(S)]1/2     S>0         0                                 S=0   (S+1)/[Var(S)]1/2     S<0   

其中：

VarS=nn-12n+5-∑i=1mtiti-1(2ti+5)∕18；m，序列中结（重复出现的数据组）的个数；ti，结的宽度（第i组重复数据组中的重复数据个数）。

同样采用双边趋势检验，在给定显著性水平α下，当|Z|≤Z1-α/2时，接受原假设，即趋势不显著：当Z>Z1-α/2时，则拒绝原假设，即认为趋势显著。

4 结果与分析

4.1　中国植被区域SIF分布特征

2007~2018年中国区域SIF的空间分布，反映了中国区域12年来植被覆盖的基本特征。中国区域植被12 a里年均SIF值为0.175 mW/m2/sr/nm，春季、夏季、秋季和冬季的平均SIF值分别为0.144、0.381、0.130和0.044 mW/m2/sr/nm。如图2（b）所示，中国区域年均SIF总体上呈现从东南向西北递减的空间分布。东部地区年均SIF值总体在0.1~0.3 mW/m2/sr/nm之间，东南地区和华北平原有少量区域年均SIF大于0.3 mW/m2/sr/nm，西部由于深居内陆，植被稀少，SIF总体小于0.1 mW/m2/sr/nm。由夏季SIF空间分布（图2（d））可以看出，与多年平均态相比，中国东部地区植被更加繁密，SIF明显较大，总体大于0.3 mW/m2/sr/nm，而东北和华北大部分地区超过了0.5 mW/m2/sr/nm。SIF小于0.1 mW/m2/sr/nm总体出现在青藏高原和西北地区。春季（图2（c））和秋季（图2（e））的植被覆盖区几乎都出现在较温暖的中国南部和东南部。而在冬季（图2（f）），中国区域由于气温和降雨的影响，植被稀少，整体SIF在0.1 mW/m2/sr/nm以下。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2007~2018年间中国植被区域年均SIF和各季平均SIF 审图号：GS（2019）1822

Fig.2   Average annual and seasonal mean SIF of vegetation regions in China from 2007 to 2018


4.2　中国植被区域SIF变化特征

对2007~2018年12年间中国植被区域的SIF年均值和春夏秋冬各季节SIF分别进行线性趋势拟合，得到12 a中国植被区域SIF累计增幅（∆SIF）。中国植被区域12 a里ΔSIF为0.034 mW/m2/sr/nm，春季、夏季、秋季和冬季的ΔSIF分别为0.033、0.065、0.023和0.008 mW/m2/sr/nm。年均值SIF的增幅如图3（b）所示， 12 a间ΔSIF大部分都在0~0.1 mW/m2/sr/nm之间，占比为74.9%，年均SIF的变化趋势有很强的空间特征，增长的区域大多分布在植被较为密集的中国东部、南部和东北部。全国范围内，几乎没有ΔSIF<-0.1 mW/m2/sr/nm的区域。夏季SIF的增幅如图3（d）所示，与年均值增幅结果一样，SIF增长的区域同样大多分布在植被较为密集的中国东部、南部和东北部。但是ΔSIF>0.1 mW/m2/sr/nm的区域有较大幅度的增加，由年均尺度的占比5.4%上升到夏季的占比29.6%。春季（图3（c））和秋季（图3（e））SIF总体也是呈增长的趋势，由于冬季植被覆盖稀疏，植被SIF信号弱，所以冬季植被的增长趋势会低很多，只在中国南部增长趋势明显。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2007~2018年间中国植被区域年均和各季∆SIF 审图号：GS（2019）1822

Fig. 3   Annual average and seasonal ∆SIF of vegetation region in China from 2007 to 2018


4.3　中国植被区域SIF显著性变化特征

利用Sen+ Mann-Kendall趋势分析法对12 a间中国区域植被年均和各季的SIF进行显著性分析，分为不显著变化（|Z|≤1.96，未通过显著性95%检验），显著减小（β<0且|Z|>1.96，通过显著性95%检验）和显著增长（β>0且|Z|>1.96，通过95%的显著性检验）3个等级。如图4（a）所示，从各个等级所占的百分比来看，不管是年均值还是各季均值，SIF年际间变化总体上来说呈不显著变化，呈不显著变化的百分比均超过73%。年均值SIF的年际变化显著性分析结果如图4（b）所示，年均值SIF呈显著增长的区域占比25.7%，主要分布在中国的南部、东部和东北部。夏季SIF年际变化显著性分析结果如图4（d）所示，夏季的SIF显著增长区域占比19.4%，主要分布在中国的东部和东北部，与年均尺值的SIF显著性增长趋势总体一样。而春季（图4（c））、秋季（图4（e））、冬季（图4（f））的SIF年际间变化显著性与年均尺度和夏季的SIF相比，显著增长的区域均不超过11%，且没有很强的空间分布性。说明夏季变化主导着全年的SIF变化趋势。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2007~2018年间中国植被区域年均和各季SIF显著性变化 审图号：GS（2019）1822

Fig.4   Significant annual and seasonal variations of SIF in China's vegetation regions from 2007 to 2018


4.4　不同气候区域SIF和气候因子的年际变化

基于气象站点数据，分别对12 a来中国区域植被夏季（6月、7月、8月）的SIF、气温、降水和辐射进行一元线性拟合，去量纲化后，做变化趋势分析。如图5所示，12 a间SIF在各分区总体都是增长趋势；气温在暖温带落叶阔叶林区域、寒温带针叶林区域、青藏高原高寒植被区域、温带草原区域和热带季风雨林区域增长趋势较为明显，在其他分区基本不变；降水在温带针叶落叶阔叶混交林区域、温带草原区域和温带荒漠区域增长趋势较为明显，在其他分区基本不变。辐射在温带针叶落叶阔叶混交林区域下降趋势较为明显，在暖温带落叶阔叶林区域、热带季风雨林区域的增长趋势较为明显。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   气温、降水、辐射、SIF在八个分区的变化趋势

Fig.5   Changes in temperature， precipitation， radiation， and SIF in the eight regions


4.5　不同气候区域SIF对气候因子的响应关系

为了定量描述不同气候因子对中国不同气候类型植被SIF变化的贡献，利用偏相关系数箱形图方法，定量分析了中国八个气候区域的植被夏季SIF的气候变化响应特征。偏相关系数是在对其他变量的影响进行控制的条件下， 衡量多个变量中某两个变量之间的线性相关程度的指标［29］。对八个气候区的每个站点做偏相关分析，可只分析SIF与其中一个气候因子之间的相关程度，而将其他气候因子的影响剔除。在寒温带针叶林区域，气温和降水都呈增加趋势，辐射呈降低趋势（图5），而气温和辐射与SIF呈正相关，降水与SIF总体呈不相关（图6（a））。说明在寒温带针叶林区域，气温是SIF增长主要的影响因子。在温带针叶阔叶林混交林区域（图6（b））、温带荒漠区域（图6（c））和温带草原区域（图6（d））等温带植被地区，12 a来降水都成增加趋势，辐射都呈降低趋势，气温总体呈不变趋势，而降水都和SIF呈正相关，辐射都和SIF呈现负相关，SIF总体是增长的，说明在这些温带植被地区，特别是温带荒漠区域和温带草原区域等干旱半干旱地区，气温在总体保持不变的情况下，相对于降水，辐射并不是SIF增长的主要影响因子，降水的提高更可以促进植被的增长，因此可以抵消掉辐射降低带来的对植被的影响。在暖温带阔叶林区域（图6（e）），辐射总体呈不变的趋势，降水呈小幅增加趋势，气温增加趋势则更明显，辐射总体与SIF不相关，降水和气温与SIF呈正相关，且相关性相当。说明在暖温带阔叶林区域，在辐射保持总体不变的情况下，气温和降水的增长都会促进SIF的增长。但降水相比于气温，增长幅度更小，与SIF的相关性却相当，说明降水在暖温带阔叶林区域是比气温更重要的影响因子。在亚热带常绿阔叶林区域（图6（g）），降水呈增加趋势，辐射和气温都呈基本不变趋势，而降水、气温和辐射与SIF都只有较微弱的相关性，一方面是由于降水、气温和辐射这些影响因子变化不大，另一方面也是因为亚热带常绿阔叶林区域水热条件适宜，相比于气候因子，人类活动对植被的影响更大。热带季风雨林、雨林区域（图6（h）），热带季风雨林、雨林区域（图6（h）），气温、降水和辐射总体呈增加趋势，且增加幅度相当，辐射总体与SIF呈正相关，气温和降水总体与SIF呈不相关。说明辐射相对于气温和降水，对处于低纬度地区的热带季风雨林区域影响更显著。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2007~2018年间中国各分区生长季气温（temp）、降水（pre）、辐射（rad）与SIF的偏相关系数箱形图

Fig.6   Box plot of partial correlation coefficients of temperature， precipitation， radiation and SIF in growing seasons in different regions of China from 2007 to 2018


5 讨 论

温度通常是限制湿润的温带或寒温带地区植被生长的因素［30］。在全球变暖背景下，北方高纬度区域，如阿拉斯加，加拿大西北部和欧亚大陆北部的大部分地区都出现了明显的变暖现象［31］，因而这些区域的植被活动受温度变化的影响最为明显。通过研究1981~1991年间的全球GIMMS AVHRR NDVI数据发现，在北部高纬度地区，植被与温度变化存在显著的相关关系，夏冬季的较高温度促进了植物生长的增加［32］。利用AVHRR LAND NDVI数据集分析了1982~1990年全球范围内年度和季节性植被活动的年际趋势，发现在北部中高纬度地区，由于温度逐渐升高，植被活动在广泛的区域增加了［33］。分析了北方高纬度地区植被绿化率（RVG）在1982~2016年间的长期变化规律，发现高纬度变暖将推动植被的季节性向快速绿化和早熟的方向发展，从而增强气候与植被的相互作用［34］。本文对我国寒温带针叶林区域SIF与气候因子的响应研究也发现，总体增长的气温相较于降水和辐射来说，是SIF增长的最大影响因子。

植被与降水的显著关系往往出现在干旱半干旱地区和干湿季气候差异明显地区，尤其是干旱半干旱生态系统植被生长的开始期和持续时间一般受降水控制［35］。通过分析1982~2003年NDVI数据及相应的气候数据，发现中国西北部典型干旱地区NDVI的变化与生长期当前的降水和蒸散量高度相关，而与温度无关［36］。Ning等［37］通过分析黄土高原北部1998~2012年NDVI与气候因子的相关性，发现降水增加是年最大NDVI升高的主要原因，与温度相比，植被对该地区的降水变化更敏感。通过分析2000~2013年的遥感和气象数据，发现生长季降水及其季节分布是控制中国北方干旱地区植被年际变化的主要因素。其他因素，例如植物功能性状，先前的土壤湿度和人类活动，可能通过与水的相互作用而介导植被对降水变化的响应［38］。本文对我国温带荒漠区域和温带草原区域等干旱半干旱地区SIF与气候因子的响应研究也发现，相较于气温和辐射，降水是SIF的最大影响因子。

在低纬度的降水不是限制因子的区域，植被会表现出对辐射变化的显著响应。最近的一项发现，全球辐射与来自GOME-2的SIF总体呈正相关［39］。较高的辐射有利于热带雨林的生态系统生产力，这与深层自然［40］和树木的茎干蓄水能力密切相关［41］。Graham等［42］对热带雨季云层覆盖和与拉尼娜相关的异常沉重云层进行光限制的实验测试发现，在热带森林的雨季期间，与降水和温度相比，由于云量增加导致的太阳辐射减少可能是阻碍植物生长的主要原因。在本文研究中，相较于气温和降水，总体而言，辐射在我国的热带季风雨林区域表现了对SIF更高的敏感性。

人类活动也是影响SIF变化不可忽略的因素之一，特别是近年来退耕还林、封山禁牧、天然林保护、三北防护林建设、南水北调和大面积农田灌溉等都改变植被覆盖状况［43-45］。此外，由人类活动排放温室气体引起的气候变暖也会改变中国大尺度植被覆盖的变化［46］。但现有大范围植被覆盖数据的时间尺度都比较短，也缺少人类活动改变植被覆盖的监测信息，目前还无法定量区分人类活动影响中国区域植被覆盖变化的相对贡献及其区域差异。

6 结 论

利用GOME-2_SIF产品数据集，对2007~2018年中国区域SIF进行时空变化分析，分析了2007~2018这12 a间中国区域植被荧光的时空变化特征以及对气温、降水、辐射等气候因子的响应，主要结论如下：

（1）中国区域年均SIF总体上呈现从东南向西北递减的空间分布。东部地区年均SIF值总体在0.1~0.3 mW/m2/sr/nm之间，西部内陆区域植被稀少，SIF总体小于0.1 mW/m2/sr/nm。与多年平均态相比，在夏季，中国东部地区植被更加繁密，SIF明显较大，总体大于0.3 mW/m2/sr/nm，而东北和华北大部分地区超过了0.5 mW/m2/sr/nm。春季和秋季的植被覆盖区几乎都出现在较温暖的中国南部和东南部。而在冬季，中国区域由于温度和降雨的影响，植被稀少，整体SIF在0.1 mW/m2/sr/nm以下。

（2）中国区域植被SIF呈增加趋势，12 a间年均SIF增加了20.2%，年均值SIF的增量大部分位于0~0.1 mW/m2/sr/nm之间，占比为74.9%，增长区域大多分布在植被较为密集的中国东部、南部和东北部。全国范围内，几乎没有∆SIF<-0.1 mW/m2/sr/nm的区域。而夏季SIF增长的区域同样大多分布在植被较为密集的中国东部、南部和东北部。但是∆SIF>0.1 mW/m2/sr/nm的区域有较大幅度的增加，由年均的占比5.4%上升到夏季的占比29.6%。

（3）不管是年均值还是各季SIF，SIF总体上来说呈不显著变化，占比均超过73%。年均值SIF呈显著增长的区域占比25.7%，主要分布在中国的南部、东部和东北部，夏季的SIF显著增长区域占比19.4%，主要分布在中国的东部和东北部。而春季、秋季、冬季的SIF与年均值和夏季的SIF相比，显著增长的区域均不超过11%。

（4）在寒温带针叶林区域，气温是SIF增长主要的影响因子。在暖温带阔叶林区域以及在温带植被地区，特别是温带荒漠区域和温带草原区域等干旱半干旱地区，降水是SIF增长主要的影响因子。而在在亚热带常绿阔叶林区域，降水、气温和辐射与SIF都只有较微弱的相关性，影响SIF增长的更可能是人类活动。而对处于处于低纬度地区的热带季风雨林区域来说，辐射是SIF增长的主要影响因子。

本文基于GOME-2卫星日光诱导叶绿素荧光产品数据集，探究了2007~2018年中国区域SIF的时空变化规律，较为详细地探讨了中国区域SIF对气温、降水、辐射等气候变化的响应。但是，由于缺少与各气象站点同步观测的塔基SIF数据，因此并没有对SIF与气象因子之间的响应关系进行地面验证，可以在之后的工作中收集中国各区域的塔基SIF数据，从而对SIF的响应因素进行进一步的研究。

参考文献

Liu Liangyun. Principles and applications of vegetation quantitative remote sensing［M］. Beijing： Science Press，2014.

[本文引用: 1]

刘良云.植被定量遥感原理与应用［M］.北京：科学出版社.2014.

[本文引用: 1]

Zhang Yongjiang， Liu Liangyun， Wang Jihua， et al.

Detection of fluorescence in reflection spectrum of blade by high spectrometer

［J］. Optical Technology， 2007， 33（1）：119-121.

[本文引用: 1]

张永江，刘良云，王纪华， 等.

应用高光谱仪探测叶片反射光谱中的荧光

［J］. 光学技术， 2007，33（1）： 119-121.

[本文引用: 1]

Zhang Yongjiang， Zhao Chunjiang， Liu Liangyun，et al.

Preli-minary study on passive pluorescence detection of water stress on maize leaves

［J］. Transactions of the Chinese Society of Agricultural Engineering，2006，22（9）：39-43.

张永江，赵春江，刘良云，等.

被动荧光探测水分胁迫对玉米叶片影响的初步研究

［J］， 农业工程学报，2006，22（9）：39-43.

Zarco-Tejada P J， Berni J A， Suárez L， et al.

Imaging Chlorophyll fluorescence with an airborne narrow-band multispectral camera for vegetation stress cetection

［J］. Remote Sensing of Environment， 2009， 113（6）： 1262-1275.

[本文引用: 1]

Lee J E， Frankenberg C， van der Tol C， et al.

Forest productivity and water stress in Amazonia： Observations from GOSAT chlorophyll rluorescence

［J］. Proceedings of the Royal Society B： Biological Sciences，2013，280（1761）： DOI： 10.1098/rspb.2013.0171.

[本文引用: 1]

Zhang Y， Guanter L， Berry J A， et al.

Estimation of vegetation photosynthetic capacity from space‐based measurements of chlorophyll fluorescence for terrestrial biosphere models

［J］. Global Change Biology， 2014， 20（12）： 3727-3742.

[本文引用: 1]

Du S， Liu L， Liu X， et al.

First investigation of the relationship between solar-induced chlorophyll fluorescence observed by TanSat and gross primary productivity

［J］. IEEE Journal of selected topics in Applied Earth Observations and Remote Sensing，2021，14：11892-11902. DOI：10.1109/JSTARS. 2021.3128355 .

[本文引用: 1]

Gao H， Liu S， Lu W， et al.

Global analysis of the relationship between reconstructed solar-induced Chlorophyll Fluorescence （SIF） and Gross Primary Production （GPP）

［J］. Remote Sensing，2021，13（14）：2824. DOI：10.3390/rs13142824 .

[本文引用: 1]

Jovanić B， Radenković B， Despotović-Zrakić M， et al.

Effect of UV-B radiation on chlorophyll fluorescence， photosynthetic activity and relative chlorophyll content of five different corn hybrids

［J］. Journal of Photochemistry and Photobiology，2022：100115. DOI：10.1016/j.jpap.2022. 100115 .

[本文引用: 1]

Cao J， An Q， Zhang X， et al.

Is satellite sun-induced chlorophyll fluorescence more indicative than vegetation indices under drought condition？

［J］. Science of The Total Environment，2021，792：148396. DOI：10.1016/j.scitotenv.2021. 148396 .

[本文引用: 1]

Detmers R， Hasekamp O， Aben I， et al.

Anomalous carbon uptake in Australia as seen by GOSAT

［J］. Geophysical Research Letters， 2015， 42（19）： 8177-8184.

[本文引用: 1]

Green J K， Konings A G， Alemohammad S H， et al.

Regionally strong feedbacks between the atmosphere and terrestrial biosphere

［J］. Nature Geoscience， 2017， 10（6）： 410-414.

[本文引用: 1]

Li X， Xiao J.

Global climatic controls on interannual variability of ecosystem productivity： Similarities and differences inferred from solar-induced chlorophyll fluorescence and enhanced vegetation index

［J］. Agricultural and Forest Meteorology， 2020（288）： DOI：10.1016/j.agrformet.108018.

[本文引用: 1]

Bertani G， Wagner F H， Anderson L O， et al.

Chlorophyll fluorescence data reveals climate-related photosynthesis seasonality in Amazonian forests

［J］. Remote Sensing，2017，9（12）： DOI：10.3390/rs1275.

[本文引用: 1]

Chen X， Mo X， Zhang Y， et al.

Drought detection and assessment with solar-induced chlorophyll fluorescence in summer maize growth period over North China Plain

［J］. Ecological Indicators， 2019， 104： 347-356.

[本文引用: 1]

Chen C， Park T， Wang X， et al.

China and India lead in greening of the world through land-use management

［J］. Nature Sustainability， 2019， 2（2）： 122-129.

[本文引用: 1]

Wu Zhengyi. China vegetation［M］. Beijing： Science Press， 1980.

[本文引用: 1]

吴征镒. 中国植被［M］.北京：科学出版社，1980.

[本文引用: 1]

Hu J， Liu L， Guo J， et al.

Upscaling solar-induced chlorophyll fluorescence from an instantaneous to daily scale gives an improved estimation of the gross primary productivity

［J］， Remote Sensing， 2018， 10（10）： DOI：10.3390/rs10101663.

[本文引用: 1]

Joiner J， Guanter L， Lindstrot R， et al.

Global monitoring of terrestrial chlorophyll fluorescence from moderate spectral resolution near-infrared satellite measurements： Methodology， simulations， and application to GOME-2

［J］. Atmospheric Measurement Techniques， 2013， 6（2）： 2803-2823.

[本文引用: 1]

Dong J， Naibin W， Xiaohuan Y，et al.

Dynamic properties of absorbed photosynthetic active eadiation and its relation to crop yield

［J］. System Sciemces and Comprehensive Studies In Agriculture， 2002，18（1）：51-54.

[本文引用: 1]

Sellers P J， Tucker C J， Collatz G J，et al.

A global 1 by 1 NDVI data set for climate studies. Part 2： The generation of global fields of terrestrial biophysical parameters from the NDVI

［J］. International Journal of Remote Sensing， 1994， 15 （17）： 3519-3545.

Liu L， Guan L， Liu X.

Directly estimating diurnal changes in GPP for C3 and C4 crops using far-red sun-induced Chlorophyll fluorescence

［J］. Agricultural and Forest Meteorology 2017， 232： 1-9.

[本文引用: 1]

Liu L.

GOME-2 Monthly SIF with correction of temporal degration

［DB/OL］. http：//doi.org/10.5281/zenodo.4433590， 2021，2021.

[本文引用: 1]

Tang W.

Daily average solar radiation dataset of 716 weather stations in China （1961~2010）

［DB/OL］， National Tibetan Plateau Data Center，2019，DOI： 10.11888/AtmosphericPhysics.tpe.249399.file.唐文君.中国716个气象站太阳辐射日均值数据集（1961~2010）［DB/OL］.国家青藏高原科学数据中心，2019，DOI：10.11888/AtmosphericPhysics.tpe.249399.file .

[本文引用: 1]

Tang W， Yang K， Qin J，et al.

Development of a 50-year daily surface solar radiation dataset over China

［J］. Science China Earth Sciences，2013， 56 （9）：1555-1565.

Tang W-J， Yang K， Qin J，et al.

Solar radiation trend across China in recent decades： A revisit with quality-controlled data

［J］. Atmospheric Chemistry and Physics，2011， 11 （1）： 393-406.

Yang K， Koike T， Ye B.

Improving estimation of hourly， daily， and monthly solar radiation by importing global data sets

［J］， Agricultural and Forest Meteorology，2006，137（1-2）：43-55.

[本文引用: 1]

Cai Bofeng， Yu Rong.

Research progress and evaluation of vegetation long time series trend characteristics based on remote sensing

［J］. Journal of Remote Sensing， 2009，13（6）： 1170-1186.蔡博峰，于嵘. 基于遥感的植被长时序趋势特征研究进展及评价［J］. 遥感学报， 2009.13（6）：1170-1186.

[本文引用: 1]

Marrelec G.

Krainik A， Duffau H，

et al.Partial correlation for functional brain interactivity investigation in functional MRI［J］. Neuroimage，2006，32（1）：228-237.

[本文引用: 1]

Zhang X， Friedl M A， Schaaf C B， et al.

Climate controls on vegetation phenological patterns in northern nid- and high latitudes inferred from MODIS data

［J］. Global Change Biology， 2004，10（7）： 1133-1145.

[本文引用: 1]

Chapman W L， Walsh J E.

Recent variations of sea ice and air temperature in high latitudes

［J］. Bulletin of the American Meteorological Society， 1993， 74（1）： 33-47.

[本文引用: 1]

Myneni R B， Keeling C D， Tucker C J， et al.

Increased plant growth in the northern high latitudes from 1981 to 1991

［J］. Nature， 1997，386（6626）：698-702.

[本文引用: 1]

Kawabata A， Ichii K， Yamaguchi Y.

Global monitoring of interannual changes in vegetation activities using NDVI and its relationships to temperature and precipitation

［J］. International Journal of Remote Sensing， 2001， 22（7）：1377-1382.

[本文引用: 1]

Park H， Jeong S， Peñuelas J.

Accelerated rate of vegetation green‐up related to warming at northern high latitudes

［J］. Global Change Biology， 2020， 26（11）： 6190-6202.

[本文引用: 1]

Spano D， Cesaraccio C， Duce P . et al.

Phenological stages of natural species and their use as climate indicators

［J］. International Journal of Biometeorology， 1999， 42（3）： 124-133.

[本文引用: 1]

Zhao X， Tan K， Zhao S， et al.

Changing climate affects vegetation growth in the arid region of the Northwestern China

［J］. Journal of Arid Environments， 2011， 75（10）： 946-952.

[本文引用: 1]

Ning T， Liu W， Lin W， et al.

NDVI variation and its responses to climate change on the Northern Loess Plateau of China from 1998 to 2012

［J］. Advances in Meteorology， 2015， 2015（1）：1-10.

[本文引用: 1]

Xu H J， Wang X P.

Effects of altered precipitation regimes on plant productivity in the arid region of Northern China

［J］. Ecological Informatics， 2016，31：137-146.

[本文引用: 1]

Walther S， Duveiller G， Jung M， et al.

Satellite observations of the contrasting response of trees and grasses to variations in water availability

［J］. Geophysical Research Letters， 2019， 46（3）： 1429-1440.

[本文引用: 1]

Myneni R B， Yang W， Nemani R R， et al.

Large seasonal swings in leaf area of Amazon rainforests

［J］. Proceedings of the National Academy of Sciences，2007，104（12）：4820-4823.

[本文引用: 1]

Matheny A M， Bohrer G， Garrity S R， et al.

Observations of stem water storage in trees of opposing hydraulic strategies

［J］. Ecosphere， 2015，6（9）：1-13.

[本文引用: 1]

Graham E A， Mulkey S S， Kitajima K， et al.

Cloud cover limits net CO2 uptake and growth of a rainforest tree during tropical rainy seasons

［J］. Proceedings of the National Academy of Sciences， 2003， 100（2）： 572-576.

[本文引用: 1]

Wang Qiang， Zhang Bo， Dai Shengpei， et al.

Vegetation coverage changes and influencing factors in the Three North Shelterbelt project area

［J］. China Environmental Science， 2012， 32（7）： 1302-1308.

[本文引用: 1]

王强，张勃，戴声佩， 等.

三北防护林工程区植被覆盖变化与影响因子分析

［J］. 中国环境科学， 2012， 32（7）： 1302-1308.

[本文引用: 1]

Song Fuqiang， Xing Kaixiong， Liu Yang， et al.

Monitoring and evaluation of vegetation dynamics in Northern Shaanxi based on MODIS/NDVI

［J］. Acta Ecologica Sinica，2011，31（2）：354-363.

宋富强，邢开雄，刘阳， 等.

基于MODIS/NDVI的陕北地区植被动态监测与评价

［J］. 生态学报，2011，31（2）： 354-363.

He Yong， Dong Wenjie， Guo Xiaoyin，et al.

NPP variation characteristics of terrestrial vegetation in the eastern route of the South-to-North Water Transfer Project in My Country

［J］. Climate Change Research Progress，2006，2（5）：246-249.

[本文引用: 1]

何勇，董文杰，郭晓寅， 等.

我国南水北调东线地区陆地植被NPP变化特征

［J］. 气候变化研究进展，2006，2（5）：246-249.

[本文引用: 1]

Wang Futang.

Several progress in research on the impact of climate warming in My Country in the past ten years

［J］. Journal of Applied Meteorology，2002，13（6）：755-766.

[本文引用: 1]

王馥棠.

近十年来我国气候变暖影响研究的若干进展

［J］. 应用气象学报， 2002，13（6）：755-766.

[本文引用: 1]

/

〈 〉