遥感技术与应用, 2023, 38(2): 465-478 doi: 10.11873/j.issn.1004-0323.2023.2.0465

遥感应用

不同时间尺度植被近红外反射率指数与生态系统总初级生产力关系研究

毕文君,, 侯吉宇, 周艳莲,

南京大学 地理与海洋科学学院，江苏 南京 210023

Study on the Relationship between Near-Infraded Reflectance of Vegetation and Gross Primary Productivity of Ecosystem at Different Time Scales

BI Wenjun,, HOU Jiyu, ZHOU Yanlian,

School of Geography and Ocean Science，Nanjing University，Nanjing 210023，China

通讯作者: 周艳莲(1980-),女,湖北应城人,副教授,主要从事陆地生态系统碳水循环模拟及生态环境遥感研究。E⁃mail：zhouyl@nju.edu.cn

收稿日期: 2021-12-06   修回日期: 2023-01-08  

基金资助: 国家自然科学基金项目.  42077419

Received: 2021-12-06   Revised: 2023-01-08  

作者简介 About authors

毕文君(1997-),女,山东聊城人,硕士研究生,主要从事陆地生态系统总初级生产力模拟研究E⁃mail：mg1927049@smail.nju.edu.cn , E-mail：mg1927049@smail.nju.edu.cn

摘要

新型植被指数植被近红外反射率（Near-Infrared Reflectance of Vegetation，NIRv）近年来成为研究植物光合作用的有效工具，研究多时间尺度下NIRv与总初级生产力（Gross Primary Productivity，GPP）的关系，对探索全球及区域尺度长时间序列GPP具有重要意义。利用中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）遥感数据和站点通量观测数据，分析比较了2004~2006年中国区域内不同植被类型的8个典型站点的归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）和NIRv两种植被指数与GPP的关系，并分析不同时间尺度（天、8天和月）NDVI和NIRv表征GPP季节变化的能力，结果表明：NDVI和NIRv均能表征GPP，且表征程度由高到低次序均为混交林、草地、常绿针叶林、农田和常绿阔叶林，除常绿阔叶林类型外，其余植被类型NIRv表征效果均更优，；内蒙古和西双版纳的NDVI在生长季始末存在提前和滞后，NIRv的生长季偏移现象弱于NDVI；随着时间尺度的增加，NDVI和NIRv与GPP之间的决定系数R2逐渐增大，月尺度的NDVI和NIRv与GPP的R2最高，表征GPP效果最好，平均R2分别为0.78和0.81，且不同站点之间的R2差异逐渐减小；不同植被类型之间差异明显，混交林、常绿针叶林、草地和农田的两种植被指数和GPP的R2较高，常绿阔叶林R2最低。研究结果可为植被指数与GPP相关关系的建立，进一步提高区域尺度碳通量模拟精度提供重要依据。

关键词： 植被指数 ; NIRv ; NDVI ; 总初级生产力

Abstract

Near-infrared Reflectance of Vegetation （NIRv），a new Vegetation index，has become an effective tool for studying plant photosynthesis in recent years. Studying the relationship between NIRv and Gross Primary Productivity （GPP） at multi-time scales is of great significance for exploring global and regional scale long-time series GPP. Using Moderate Resolution Imaging Spectroradiometer （MODIS） data and site flux data，the relationship between Normalized Difference Vegetation Index （NDVI） and NIRv and GPP was analyzed and compared at 8 typical vegetation types in China from 2004 to 2006，and the ability of NDVI and NIRv to represent seasonal variation of GPP at different time scales （daily，8-day and monthly） was analyzed. The results showed that： both NDVI and Nirv could characterize GPP，and the order of simulation degree from high to low was mixed forest，grassland，evergreen needleleaf forest，cropland and evergreen broad-leaved forest. Except for evergreen broad-leaved forest，NIRv had more effective simulation in other vegetation types. The NDVI of Inner Mongolia and Xishuangbanna was in advance and lagged at the beginning and end of the growth season，and the growth season offset of NIRv was weaker than that of NDVI. With the increase of time scale，the determination coefficient R2 between NDVI and NIRv with GPP gradually increased，and the R2 between NDVI and NIRv with GPP on monthly scale was the highest. The average R2 was 0.78 and 0.81 respectively，and the difference of R2 between different sites gradually decreased. There were significant differences among different vegetation types. The R2 of NDVI-GPP and NIRv-GPP in mixed forest，evergreen needleleaf forest，grassland and cropland were higher than that in evergreen broad-leaved forest. The research results can provide an important basis for establishing the correlation between vegetation index and GPP，and further improving the accuracy of regional carbon flux estimation.

Keywords： Vegetation index ; NIRv ; NDVI ; Gross primary productivity

PDF (10012KB) 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

毕文君, 侯吉宇, 周艳莲. 不同时间尺度植被近红外反射率指数与生态系统总初级生产力关系研究. 遥感技术与应用[J], 2023, 38(2): 465-478 doi:10.11873/j.issn.1004-0323.2023.2.0465

BI Wenjun, HOU Jiyu, ZHOU Yanlian. Study on the Relationship between Near-Infraded Reflectance of Vegetation and Gross Primary Productivity of Ecosystem at Different Time Scales. Remote Sensing Technology and Application[J], 2023, 38(2): 465-478 doi:10.11873/j.issn.1004-0323.2023.2.0465

1 引 言

作为全球碳循环过程的重要组成部分，陆地生态系统通过植被光合作用吸收大气中的二氧化碳（CO2），释放出氧气（O2），维持了整个生态系统的碳平衡［1］。总初级生产力（Gross Primary Productivity，GPP）指单位时间和单位面积上绿色植物通过光合作用固定的总的有机碳［2］，GPP是植被冠层光合作用速率的度量指标，GPP的大小代表了生态系统固定碳的能力大小［3］。模拟植被GPP季节变化并估算区域GPP总量，对于研究全球碳收支和气候变化有着重要的意义［4］。

涡度相关技术是直接测定大气与生态系统群落之间CO2交换量的主要方法，也是在站点尺度上进行GPP估算的有效手段［5］，但是由于受到时间和空间的制约，难以用其对区域或全球尺度上的GPP进行估算［6］。遥感技术手段的出现为估算区域和全球GPP提供了有效的途径，利用遥感和气象数据作为输入的GPP模型已经被广泛地应用于区域和全球尺度GPP模拟研究中［7-8］。这些模型大体上可以分成三种类型：机理性生态过程模型、光能利用率（Light Use Efficiency，LUE）模型和经验模型，其中机理性的生态过程模型结构复杂，需要较多的输入数据进行驱动，驱动数据的质量直接影响模拟GPP的精度；光能利用率模型中，LUE是一个重要的生理参数，在实际应用中难以获得，通常根据植被类型为不同生态系统赋一个固定的值，没有充分考虑LUE的时空变化，进而导致GPP高估或低估［9-10］。

直接利用遥感植被指数的经验模型方法简单并且能够有效估算GPP［6，11］。植被的生理生化特性与光谱反射率之间存在密切的联系，植被反射光谱特性能够间接反映植物光合作用和生长状况［12-13］，健康的绿色植被能够大量吸收红光，并且在近红外波段具有很强的反射特性，归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）利用植被光谱曲线上不同波段反射率差异特性来反映植被的生长情况变化［14］。钱钊晖等［15］利用站点上地面光谱观测数据验证了NDVI与GPP显著相关；Vicca等［16-19］发现NDVI和EVI等植被指数与GPP之间存在很强相关性，能够表示出GPP明显的年际变化和季节变化，另外，利用红边波段的NDVI指数能够提高GPP模拟精度，但NDVI对于冠层结构变化导致的GPP下降并不敏感；Wu等［20-21］发现NDVI还与吸收光和有效辐射比例（FPAR）、LUE等植被生理参数之间有明显的相关关系，能有效地反映出植被光合作用的变化。

然而，由于卫星传感器空间分辨率从几米变化到几公里，遥感数据的任何一个像元很可能是植被和非植被部分（土壤背景等）构成的混合像元［22］，因此，遥感植被指数中的一部分信息可能源自背景等非光合作用部分，使遥感模拟GPP产生一定困难。与植被生长曲线相比，NDVI在生长初期和末期容易出现提前和滞后，并且当植被覆盖度很高时NDVI容易出现饱和效应［23］，导致利用像元的NDVI直接进行GPP的模拟产生一定的误差。Badgley等［22］考虑到混合像元中土壤等非光合作用背景对于遥感反射率的影响，基于NDVI指数计算得到的植被近红外反射率指数（Near-Infrared Reflectance of Vegetation NIRv）。研究发现在高植被覆盖地区NIRv与月尺度太阳诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence，SIF）之间存在很强的线性关系，并且和全球GPP模拟数据之间也有很强的相关性［24-25］。Luo等［26］利用多角度地面光谱系统进行观测，发现每3天的NIRv能够很好地表征森林草地生态系统的物候变化，Rastogi等［27］发现与其他植被指数相比利用ASD光谱仪测得的NIRv对于研究植被光合有重要的作用。Zeng等［28］通过地面观测实验证明了NIRv对于土壤背景的影响不敏感但是对于叶倾角的变化比较敏感，NIRv对于估算植被生物量有很好的前景。Wang等［29-30］基于遥感NIRv生成1982~2018年长时间序列全球GPP数据产品，并用来进行全球变化对GPP的影响分析。然而不同时间尺度遥感NIRv数据与地面观测GPP数据之间的关系还有待进一步研究。

本研究选取了中国区域内的8个典型站点，利用2004~2006年共24个站年的GPP数据和MODIS遥感反射率数据，在3种时间尺度（天、8天和月）下，比较NIRv和NDVI两个植被指数与GPP之间的关系，探索不同植被类型、不同时间尺度下两个植被指数表征GPP季节动态的变化的优劣。研究可为区域及全球范围建立NIRv与GPP的相关关系提供科学依据。

2 数据和方法

2.1　研究站点介绍

研究使用了中国8个典型通量站点，包括森林、草地和农田等主要的生态系统类型，分为混交林（Mixed Forest，MF）、常绿针叶林（Evergreen Needleleaf Forest，ENF）、常绿阔叶林（Evergreen Broadleaf Forest，EBF）、草地（Grasslands，GRA）和农田（Croplands，CRO）5种主要的植被类型，其中4个森林生态系统站点分别是长白山温带针阔混交林（CBS），千烟洲亚热带人工针叶林（QYZ），和西双版纳热带雨林（XSBN）、鼎湖山亚热带常绿阔叶林（DHS），草地生态系统点包括海北高寒草甸站（HB）、当雄高寒草甸站（DX）和内蒙古温带典型草原站（NMG），以及小麦和玉米轮作的农田类型站点禹城（YC）。8个通量站点的详细信息见表1。

表1   中国通量网的8个典型站点概况

Table 1  Overview of 8 typical sites in ChinaFLUX

站名纬度/°N经度/°E海拔高度/m植被类型研究年份/年
长白山（CBS）42.40128.10738MF2004~2006
千烟洲（QYZ）26.73115.05102ENF2004~2006
鼎湖山（DHS）23.15112.50300EBF2004~2006
西双版纳（XSBN）21.90101.26756EBF2004~2006
禹城（YC）36.96116.6428CRO2004~2006
海北（HB）37.67101.333300GRA2004~2006
当雄（DX）30.4391.054250GRA2004~2006
内蒙古（NMG）43.55116.681200GRA2004~2006

新窗口打开| 下载CSV


2.2　通量观测数据及处理

中国陆地生态系统通量观测研究网络（ChinaFLUX）提供了每半小时的通量数据（http：//chinaflux.org/），包括生态系统呼吸（Ecosystem Respiration，Re）和净生态系统交换量（Net Ecosystem Exchange，NEE），单位为mg CO2 m-2 s-1。ChinaFLUX使用30 min CO2通量观测数据计算湍流通量，进行降水同期数据剔除等数据质量控制与保证的操作，并利用30 mins常规气象观测数据通过平均昼夜变化法、查表法以及结合光响应方程和呼吸方程的非线性回归法进行缺失观测数据的插补，获得完整的NEE数据［31］。ChinaFLUX自主研制的通用性碳水通量数据分析和自动化处理系统，保证了通量观测的技术规范性、数据可比性和管理的高效性［32］。本研究将下载所得8个站点、24站年的半小时尺度数据累加得到每天的NEE和Re，将单位转换至g C m-2 d-1，利用NEE和Re计算得到GPP ［33］：GEE=NEE-Re，GPP=-GEE，（GEE代表总生态系统交换量，单位是g C m-2 d-1）。8天尺度和月尺度GPP数据用每日GPP相加取平均值得到，空值不参与计算，单位均为g C m-2 d-1。将GPP为负值的数据剔除后得到8个站点2004~2006年共24个站年的天、8天和月尺度GPP数据。

2.3　遥感数据

采用经过多角度大气校正算法（Multi-Angle Implementation of Atmospheric Correction MAIAC）处理后的MODIS地表反射率数据（MCD19A1）计算每个站点的NDVI和NIRv，MAIAC算法是一种针对MODIS数据进行大气校正的算法［34］，它通过时间序列分析来提高气溶胶反演和大气校正的精度，最后得到不同波段地表反射率，NASA提供MAIAC算法大气校正后的MODIS地表反射率数据。MODIS地表反射率数据包括多个可见光和红外波段，其中1~7波段的空间分辨率为500 m，第一波段为红光波段（620~670 nm），第二波段近红外波段（841~876 nm）。提取2004~2006年8个通量站点所在像元第一波段和第二波段的地表反射率数据，计算得到NIRv和NDVI，去掉了值为负和受到云及阴影的影响比较大的异常数据，将NIRv和NDVI分别平均到8天尺度和月尺度，最后缺失数据赋空值处理。

2.4　NDVI和NIRv的计算

NDVI是一种有效的反映植被生长状况的季节性变化和年际变化的植被指数，NDVI指数通过将近红外波段和红光波段反射率进行归一化有效地减少遥感反射率信号中的噪声［35］，计算公式为：

NDVI=ρNIR-ρredρNIR+ρred

NIRv是一种通过NDVI指数计算得到的冠层植被反射率指数，能够有效降低土壤背景反射率的影响［24］，计算公式为：

NIRv=NDVI*ρNIR

其中：ρNIR和ρred分别表示近红外波段（NIR，841~876 nm）和红光波段（red，620~670 nm）的反射率。

2.5　分析方法

本研究分别将2004~2006年每年及三年整体的3种时间尺度下的NDVI和NIRV分别与GPP作线性拟合，选取线性拟合决定系数R2（Coefficient of Determination）作为判断NDVI和NIRv与GPP相关程度的指标，取值范围为0~1之间，R2越趋近于1，代表相关程度越高，其计算公式为：

R2=1-SSR∑i(yi-y¯)

其中：yi和y¯分别表示第i个观察值和观察值的均值，SSR表示残差平方和。

3 结果与分析

3.1　天尺度NIRv和NDVI与GPP关系

图1表示2004~2006年长白山（CBS）、千烟洲（QYZ）、鼎湖山（DHS）、西双版纳（XSBN）、禹城（YC）、海北（HB）、当雄（DX）和内蒙古（NMG）8个站点天尺度NDVI和NIRv与GPP之间的关系（图1

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   2004~2006年8个站点天尺度NDVI和NIRv与GPP关系

Fig.1   The relationships between NDVI and NIRv with GPP at daily scale at eight sites during 2004~2006


图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   2004~2006年8个站点天尺度NDVI和NIRv与GPP关系（续）

Fig.1   The relationships between NDVI and NIRv with GPP at daily scale at eight sites during 2004~2006（to be continued）


（a1~h1）），以及3个站年两个植被指数与GPP线性回归的散点图（图1（a2~h2））。图1（a1~h1）表明不同植被类型站点每年GPP随着时间变化先上升再下降，但开始上升和下降的时间上都存在比较大的差异。此外在NMG（温带典型草原）和XSBN（热带雨林）站点上不同年份GPP之间差异较大，NMG站点2005年和2006年的GPP明显低于2004年的GPP（图1（e1）），XSBN站点2006年的GPP低于2004年和2005年的GPP（a7~g1）并且变化曲线更加平缓，NMG站点GPP的年际变化主要是由于2005年和2006年发生了严重的干旱导致植被生产力下降［36］。

天尺度NDVI和NIRv与GPP季节变化趋势一致，当GPP开始上升时两个指数随之升高，GPP开始下降时两个指数的值也随之降低。NDVI在生长季开始和结束阶段出现了比较明显的提前和滞后现象，与GPP季节变化相比偏差较大；而NIRv在这两个阶段有很大程度的提高（图1（a1~h1）），与GPP季节变化更加一致，能够改善NDVI与GPP季节变化不一致的问题。图1（a2~h2）表示两个植被指数和GPP线性回归的散点图。不同植被类型的两种植被指数与GPP之间的线性关系差异较大，MF、ENF、GRA和CRO植被类型两个植被指数和GPP之间的相关性更高（图1（a2~h2），R2最大值=0.84），而EBF植被类型（DHS和XSBN），两个植被指数和GPP之间的相关性较低（图1（b2~g2））。

图2表示不同站点2004~2006年每年天尺度NDVI和NIRv与GPP之间的R2。在全部24个站年的结果中有20个站年的NIRv的R2高于NDVI。同一植被指数（NDVI或NIRv）和GPP之间的R2在不同植被类型差别较大。MF和ENF（CBS和QYZ）以及GRA植被类型中的两个高寒草甸站点（DX和HB）上两个指数和GPP之间的R2明显高于EBF植被类型（DHS和XSBN）。CBS（温带针阔混交林）站点NIRv-GPP的R2最高。同一站点不同年份两个指数和GPP之间的R2也存在明显差异，NMG站点2005年和2006年（干旱年）两个指数和GPP的R2明显低于2004年（正常年），CRO植被类型YC站点2005年两个指数和GPP之间的R2高于另外两年的R2。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   8个站点2004~2006年每年的天尺度NDVI、NIRv与GPP的决定系数R2

Fig.2   The R2 between NDVI and NIRv with GPP at daily scale at eight sites during 2004~2006


3.2　8天尺度NIRv和NDVI与GPP关系比较

图3表示8个站点2004~2006年每年的8天尺度NDVI和NIRv与GPP（图3（a1~h1））以及不同站年两个植被指数与GPP之间的散点图（图3（a2~ h2））。与天尺度结果相比8天尺度的GPP季节变化波动较小（图3（a1~h1））。整体上8天尺度NDVI和NIRv与GPP季节变化更加同步，但是NDVI仍然在生长季开始阶段和结束阶段出现了比较明显的提前和滞后（图3（a1~h1）），而NIRv与GPP季节变化更加一致。NDVI和NIRv与GPP的线性回归的散点图（图3（a2~h2））表明，与天尺度相比，8天尺度的两个植被指数与GPP之间的线性关系更强。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2004~2006年8个站点8天尺度NDVI、NIRv与GPP关系

Fig.3   The relationships between NDVI and NIRv with GPP at 8-day scale at eight sites during 2004~2006


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2004~2006年8个站点8天尺度NDVI、NIRv与GPP关系（续）

Fig.3   The relationships between NDVI and NIRv with GPP at 8-day scale at eight sites during 2004~2006（to be continued）


图6表示8个站点2004~2006年每年的8天尺度NDVI和NIRv与GPP之间的决定系数R2。8天尺度NDVI和NIRv与GPP的R2明显高于同一站年上天尺度NDVI和NIRv与GPP的R2。从天尺度到8天尺度，全部站年的NDVI-GPP的R2平均提高了0.12，NIRv-GPP的R2也平均提高了0.12（图2和图3）。不同植被类型站点之间同一个植被指数（NDVI或NIRv）与GPP之间的相关性仍然有很大差异，整体上MF、ENF、GRA和CRO植被类型两个植被指数和GPP之间的R2更高，而EBF植被类型的两个植被指数和GPP的R2相对较低。同一站年8天尺度的NIRv与GPP之间的R2仍然高于NDVI。除DHS（亚热带常绿阔叶林）站点以外，其余站点NIRv与GPP之间的R2都高于NDVI，其中XSBN（热带雨林）站点最为明显，NIRv-GPP的R2相对于NDVI-GPP，3年平均提高了0.37，总体提高了0.17（图3（a2~h2））。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2004~2006年8个站点的月尺度NDVI、NIRv与GPP的关系

Fig.4   The relationships between monthly NDVI and NIRv with GPP at eight sites during 2004~2006


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   8个站点2004~2006年每年的月尺度NDVI、NIRv与GPP决定系数R2

Fig.5   R2 between monthly NDVI and NIRv with GPP at eight sites during 2004~2006


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   8个站点2004~2006年每年的8天尺度NDVI、NIRv与GPP的决定系数R2

Fig.6   R2 between NDVI and NIRv with GPP at 8-day scale at eight sites during 2004~2006


3.3　月尺度NIRv和NDVI与GPP之间的关系

图4表示月尺度NDVI和NIRv与GPP季节变化关系（图4（a1~h1））以及两个植被指数和GPP之间的散点图（图4（a2~h2））。与天和8天尺度结果相比，月尺度NIRv和GPP的季节变化曲线更加接近，但NDVI与GPP季节变化之间仍然存在一定的滞后或提前。NDVI和NIRv与GPP之间的散点图（图4（a2~h2））表明月尺度的NDVI和NIRv与GPP之间的正相关关系高于天尺度和8天尺度。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2004~2006年8个站点的月尺度NDVI、NIRv与GPP的关系（续）

Fig.4   The relationships between monthly NDVI and NIRv with GPP at eight sites during 2004~2006（to be continued）


图5表示8个站点2004~2006年每年月尺度NDVI和NIRv与GPP之间的决定系数R2。同一站年月尺度NDVI和NIRv与GPP的R2明显高于天尺度和8天尺度结果（图6）。不同植被类型两个植被指数在表征GPP季节变化能力仍然存在差异，但是这种差异随着时间尺度的增加逐渐减小。MF、ENF、GRA和CRO植被类型两个植被指数和GPP的R2都在0.8左右。同一站点不同年份的结果仍然存在较大的差异，受到干旱情况影响导致的GPP明显下降的NMG站点尤为明显（图5）。除了DBF植被类型以外，剩余全部站点NIRv-GPP的R2都高于NDVI-GPP的R2。

3.4　不同时间尺度NDVI和NIRv与GPP相关性差异

图7（a）为天、8天和月尺度NDVI和NIRv与GPP之间R2的箱型图，图7（b）是NIRv的R2与NDVI的R2的差值（△R2）箱型图。图7（a）表明随着时间尺度的增加两种植被指数与GPP的R2都逐渐增大，从天到8天尺度NDVI和NIRv与GPP的R2平均提高了0.12，从8天到月尺度NDVI和NIRv与GPP的R2分别提高了0.14和0.09。随着时间尺度的增加，不同站点的两个植被指数和GPP的R2的变化范围都逐渐缩小。同一时间尺度NIRv与GPP的R2明显高于NDVI与GPP的R2，整体上，全部8个站点的月尺度NIRv和GPP的平均R2值最大，为0.81。图7（b）表明随着时间尺度的增加NIRv-GPP的R2与NDVI-GPP的△R2并没有明显的变化规律，由于NIRv计算过程中使用到了NDVI，因此对于NDVI表征GPP变化效果比较好的站点，使用NIRv能够提高模拟GPP的能力，但相比之下，NIRv比NDVI更能准确地反映出GPP的变化，去掉表现不好的EBF植被类型的两个站点（DHS和XSBN）之后剩余站点上的△R2的范围都在0~0.2之间。海北（GRA）站点从天尺度增加至8天尺度时NDVI、NIRv与GPP的R2均下降了0.01，从8天尺度增加到月尺度时两种植被指数与GPP的R2均增加；其余所有站点NDVI-GPP与NIRv-GPP的R2从天到8天尺度、8天到月尺度每一阶段均有提高。随着时间尺度的增加，当雄（GRA）、内蒙古（GRA）和西双版纳（EBF）站点的NIRv-GPP的R2增长得比NDVI-GPP的R2快。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   不同时间尺度NDVI和NIRv与GPP线性回归的R2以及R2差值（△R2）箱形图

（a） R2 （b） R2差值（△R2= R2NIRv- R2NDVI）

Fig.7   Box diagram of R2 and R2 difference （△R2） of linear regression of NDVI and NIRv with GPP at different time scales


4 结论与讨论

本研究利用2004~2006年中国区域8个典型站点的通量数据和MODIS MAIAC地表反射率数据，分别比较了天、8天和月尺度NDVI和NIRv和GPP季节变化之间的关系。结果表明：

（1）两个植被指数表征GPP变化的能力整体上相对一致，主要是由于NIRv指数计算过程中用到了NDVI，因此对于NDVI-GPP线性回归R2比较高的站点，NIRv-GPP线性回归的R2也相对较高，整体上NDVI和NIRv与GPP之间都存在比较明显正相关关系。

（2）对于不同植被类型两个植被指数表征GPP变化的能力不同，对于MF（CBS）、ENF（QYZ）、CRO（DX和HB）和GRA（YC）植被类型站点两个植被指数表征GPP变化的效果均较好，且NIRv表征效果更佳；而对于EBF植被类型（DHS和XSBN）来说两个植被指数表征GPP的变化能力相对较弱，此外NDVI和NIRv指数对于受到干旱等环境因素影响的站点（NMG、XSBN）模拟GPP变化的效果较差。

（3）NDVI在植被生长开始和结束阶段往往会出现明显的提前和滞后，与GPP变化曲线相比偏差比较大；而对于NIRv，在这些阶段与GPP的变化更加一致，反映植被光合作用能力的效果更好，整体上NIRv的R2更高与GPP之间相关性更强，使用NIRv时，与GPP的R2最多能够提高0.2。

（4）不同的时间尺度的NDVI和NIRv对模拟GPP变化有很大影响，随着时间尺度的增加，NDVI和NIRv表征GPP变化的能力均明显增强，两个植被指数与GPP线性回归方程的R2都有很大程度的提高。无论是NDVI还是NIRv不同植被类型站点之间R2的差异随时间尺度的增加而逐渐减小，NDVI和NIRv对于模拟植被长期的相对稳定的光合作用变化具有比较好的效果。

NIRv由于易获取，能更好地捕捉GPP的季节循环，并且其对GPP时空模式的估计不需要复杂和数据密集型的机器学习方法，在表征冠层光合作用的时空变化方面具有很大优势。NDVI在植被生长季开始和结束的偏移可能与干旱有关，而NIRv偏移不明显，其对干旱的响应尚不清楚，有待进一步研究。本研究结果可以：（1）拓展NIRv与GPP的关系至区域或全球尺度；（2）为利用NIRv改进参数化模型、提高大尺度下的碳通量模拟精度；（3）NIRv在农作物产量估算与预测上提供依据。

参考文献

QUERE C L， RAUPACH M R， CANADELL J G，et al.

Trends in the sources and sinks of carbon dioxide

［J］. Nature Geoscience，2009，2（12）：831-836. DOI：10.1038/ngeo689

[本文引用: 1]

LIETH H.

Primary production：Terrestrial ecosystems

［J］. Human Ecology，1973，1（4）：303-332.DOI：10.1007/BF01536729

[本文引用: 1]

ANAV A， FRIEDLINGSTEIN P， BEER C，et al.

Spatiotemporal patterns of terrestrial gross primary production： A review

［J］. Reviews of Geophysics，2015，53（3）： 785-818. DOI： 10.1002/2015RG000483

[本文引用: 1]

TURNER D P， OLLINGER S V， KIMBALLJ S.

Integrating remote sensing and ecosystem process models for landscape to regional-scale analysis of the carbon cycle

［J］. BioScience， 2009，54（2004）： 573-584. DOI： 10.1641/0006-3568（2004）054 ［0573： IRSAEP］2.0.CO；2

[本文引用: 1]

BALDOCCHI D， FALGE E， GU L，et al.

FLUXNET： A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide，water vapor，and energy flux densities

［J］. Bulletin of the American Meteorological Society， 2001，82： 2415-2434. DOI： 10.1175/1520-0477（2001）082<2415：FANTTS>2.3.CO；2

[本文引用: 1]

SHI H， LI L， EAMUS D，et al.

Assessing the ability of MODIS EVI to estimate terrestrial ecosystem gross primary production of multiple land cover types

［J］. Ecological Indicators， 2017，72： 153-164. DOI： 10.1016/j.ecolind.2016.08.022

[本文引用: 2]

LEES K J， QUAIFE T， ARTZ R R E，et al.

Potential for using remote sensing to estimate carbon fluxes across northern peatlands-a review

［J］. Science of The Total Environment， 2018，615： 857-874. DOI： 10.1016/j.scitotenv ，2017.09.103

[本文引用: 1]

BI W， HE W， ZHOU Y，et al.

A global 0.05° dataset for gross primary production of sunlit and shaded vegetation canopies from 1992 to 2020

［J］. Scientific Data， 2022，9： 213. DOI： 10.1038/s41597-022-01309-2

[本文引用: 1]

HE M， ZHOU Y， JU W，et al.

Development of a two-leaf light use efficiency model for improving the calculation of terrestrial gross primary productivity

［J］. Agricultural and Forest Meteorology，2013，173：28-39. DOI：10.1016/j.agrformet. 2013.01.003

[本文引用: 1]

PROPASTIN P， IBROM A， KNOHL A，et al.

Effects of canopy photosynthesis saturation on the estimation of gross primary productivity from MODIS data in a tropical forest

［J］. Remote Sensing of Environment， 2012，121： 252-260. DOI： 10.1016/j.rse.2012.02.005

[本文引用: 1]

RYU Y， BERRY J A， BALDOCCHI D D.

What is global photosynthesis？ History，uncertainties and opportunities

［J］. Remote Sensing of Environment， 2019，223： 95-114. DOI： 10.1016/j.rse.2019.01.016

[本文引用: 1]

CURRAN P J， DUNGAN J L， PETERSON D L.

Estimating the foliar biochemical concentration of leaves with reflectance spectrometry：Testing the kokaly and clark methodologies

［J］. Remote Sensing of Environment， 2001，76（3）： 349-359. DOI： 10.1016/S0034-4257（01）00182-1

[本文引用: 1]

KOKALY R F， CLARK R N.

Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression

［J］. Remote Sensing of Environment，1999，67（3）： 267-287. DOI： 10.1016/S0034-4257（98）00084-4

[本文引用: 1]

WALKER J J， DE BEURS K M， WYNNE R H.

Dryland vegetation phenology across an elevation gradient in Arizona，USA，investigated with fused MODIS and Landsat data

［J］. Remote Sensing of Environment，2014，144：85-97. DOI： 10.1016/j.rse.2014.01.007

[本文引用: 1]

QIAN Zhaohui， WANG Shaoqiang， CHEN Jinghua，et al.

Multiple vegetation indices characterizing seasonal variation of photosynthesis in subtropical evergreen forest

［J］，Acta Ecologica Sinica，2018，38（16）：5771-5781.

[本文引用: 1]

钱钊晖，王绍强，陈敬华，等.

表征亚热带常绿林光合作用季节变化特征的多种植被指数

［J］，生态学报，2018，38（16）：5771-5781.

[本文引用: 1]

VICCA S， BALZAROLO M， FILELLA I，et al.

Remotely-sensed detection of effects of extreme droughts on gross primary production

［J］. Scientific Reports，2016，6（1）： 28269. DOI： 10.1038/srep28269

[本文引用: 1]

DONG J， XIAO X， WAGLE P，et al.

Comparison of four EVI-based models for estimating gross primary production of maize and soybean croplands and tallgrass prairie under severe drought

［J］. Remote Sensing of Environment，2015，162：154-168. DOI： 10.1016/j.rse.2015.02.022

SAKOWSKA K， VESCOVO L， MARCOLLA B，et al.

Monitoring of carbon dioxide fluxes in a subalpine grassland ecosystem of the Italian Alps using a multispectral sensor

［J］. Biogeosciences， 2014，11（17）： 4695-4712. DOI： 10.5194/bg-11-4695-2014

VERBESSELT J， HYNDMAN R， NEWNHAM G，et al.

Detecting trend and seasonal changes in satellite image time series

［J］. Remote Sensing of Environment， 2010，114（1）： 106-115. DOI： 10.1016/j.rse.2009.08.014

[本文引用: 1]

WU C， NIU Z， GAO S.

Gross primary production estimation from MODIS data with vegetation index and photosynthetically active radiation in maize

［J］. Journal of Geophysical Research Atmospheres，2010，115（D12）：D013023. DOI：10.1029/2009JD013023

[本文引用: 1]

WANG Q， TENHUNEN J， DINH N Q，et al.

Similarities in ground- and satellite-based NDVI time series and their relationship to physiological activity of a Scots pine forest in Finland

［J］. Remote Sensing of Environment， 2004，93（1-2）： 225-237. DOI： 10.1016/j.rse.2004.07.006

[本文引用: 1]

LIU Xiaotian， ZHOU Lei， SHI Hao，et al.

Comparative analysis of phenological characteristics of temperate coniferous and broadleaved mixed forest based on multiple remote sensing vegetation index，chlorophyll fluorescence and CO2 flux data

［J］.Acta Ecologica Sinica，2018，38（10）：3482-3494.

[本文引用: 2]

刘啸添，周蕾，石浩，等.

基于多种遥感植被指数、叶绿素荧光与CO2通量数据的温带针阔混交林物候特征对比分析

［J］.生态学报，2018，38（10）：3482-3494.

[本文引用: 2]

SMITH M O， USTIN S L， ADAMS J B，et al.

Vegetation in deserts： I. A regional measure of abundance from multispectral images

［J］. Remote Sensing of Environment，1990，31（1）： 1-26. DOI： 10.1016/0034-4257（90）90074-V

[本文引用: 1]

BADGLEY G， FIELD C B， BERRY J A.

Canopy near-infrared reflectance and terrestrial photosynthesis

［J］. Science Advances，2017，3（3）：e1602244. DOI：10.1126/sciadv.1602244

[本文引用: 2]

LI X， XIAO J， HE B，et al.

Solar-induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes： First global analysis based on OCO-2 and flux tower observations

［J］. Global Change Biology，2018，24（9）： 3990-4008. DOI： 10.1111/gcb.14297

[本文引用: 1]

LUO Y， EL-MADANY T， FILIPPA G，et al.

Using near-infrared-enabled digital repeat photography to track structural and physiological phenology in Mediterranean tree-grass ecosystems

［J］. Remote Sensing，2018，10： 1293. DOI： 10.3390/rs10081293

[本文引用: 1]

RASTOGI A， BANDOPADHYAY S， STRÓZECKI M，et al.

Monitoring the impact of environmental manipulation on peatland surface by simple remote sensing indices

［J］. ITM Web of Conferences，2018，23： 00030. DOI： 10.1051/itmconf/20182300030

[本文引用: 1]

ZENG Y， XU B， YIN G，et al.

Spectral invariant provides a practical modeling approach for future biophysical variable estimations

［J］. Remote Sensing，2018，10： 1508. DOI： 10.3390/rs10101508

[本文引用: 1]

WANG S， ZHANG Y， JU W，et al.

Tracking the seasonal and inter-annual variations of global gross primary production during last four decades using satellite near-infrared reflectance data

［J］.Science of The Total Environment，2020，755：142569. DOI： 10.1016/j.scitotenv.2020.142569

[本文引用: 1]

WANG S， ZHAN Y， JU W，et al.

Recent global decline of CO2 fertilization effects on vegetation photosynthesis

［J］. Science，370（6522）：1295-1300. DOI：10.1126/science.abb7772

[本文引用: 1]

LI Chun， HE Honglin， LIU Min，et al.

ChinaFLUX CO2 flux data processing system and application

［J］，Geo-Information Science，2008（5）：557-565.

[本文引用: 1]

李春，何洪林，刘敏，等.

ChinaFLUX CO2通量数据处理系统与应用

［J］.地球信息科学，2008（5）：557-565.

[本文引用: 1]

YU Guirui， ZHANG Leiming， SUN Xiaomin.

The main progress and development prospect of ChinaFLUX

［J］，Progress in Geography，2014，33（7）：903-917.

[本文引用: 1]

于贵瑞，张雷明，孙晓敏.

中国陆地生态系统通量观测研究网络（ChinaFLUX）的主要进展及发展展望

［J］. 地理科学进展，2014，33（7）：903-917.

[本文引用: 1]

LIU Z， SHAO Q， LIU J.

The performances of MODIS-GPP and ET products in China and their sensitivity to input data （FPAR/LAI）

［J］. Remote Sensing，2014，7（1）：135-152. DOI： 10.3390/rs70100135

[本文引用: 1]

LYAPUSTIN A I， WANG Y， LASZLO I，et al.

Multi-angle implementation of atmospheric correction for MODIS （MAIAC）： 3. atmospheric correction

［J］. Remote Sensing of Environment，2012，127（12）：385-393. DOI：10.1016/j.rse. 2012. 09.002

[本文引用: 1]

HUETE A， DIDAN K， MIURA T，et al.

Overview of the radiometric and biophysical performance of the MODIS vegetation indices

［J］. Remote Sensing of Environment，2002，83（1-2）： 195-213. DOI： 10.1016/S0034-4257（02）00096-2

[本文引用: 1]

HAO Yanbin， WANG Yanfen， CUI Xiaoyong.

Drought stress reduces carbon accumulation in leymus chinensis steppe，Inner Mongolia

［J］.Chinese Journal of Plant Ecology，2010，34（8）：898-906.

[本文引用: 1]

郝彦宾，王艳芬，崔骁勇.

干旱胁迫降低了内蒙古羊草草原的碳累积

［J］.植物生态学报，2010，34（8）：898-906.

[本文引用: 1]

/

〈 〉