删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

遥感GPP模型在中国地区多站点的应用与比较

本站小编 Free考研考试/2022-01-01
王克清, 王鹤松*,, 孙建新
北京林业大学林学院, 北京 100083

Application and comparison of remote sensing GPP models with multi-site data in China

WANGKe-Qing, WANGHe-Song*,, SUNOsbert Jianxin
College of Forestry, Beijing Forestry University, Beijing 100083, China
通讯作者:* 通信作者Author for correspondence (E-mail:wanghs119@126.com)
版权声明:2017植物生态学报编辑部本文是遵循CCAL协议的开放存取期刊，引用请务必标明出处。
基金资助:国家林业公益性行业科研专项(201404201)和中央高校基本科研业务费专项(BLX2015-16)

展开

摘要
在区域和全球尺度上估算植被总初级生产力(GPP)对理解陆地生态系统的碳循环具有重要意义。由于地表异质性的存在, 局限在站点尺度上的观测数据无法直接扩展到更大空间尺度的区域上。通过与地面观测数据相结合, 遥感成为实现植被GPP空间扩展的主要工具。但是现有模型对气象数据依赖较多, 且在不同气象数据集的驱动下, 模拟结果间会有差异, 进而产生不确定性。建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案。该研究使用TG (temperature and greenness model)和VI (vegetation index model)两个遥感GPP模型, 结合中国通量观测研究联盟(ChinaFLUX)的台站数据, 对中国典型植被类型的GPP进行了模拟、比较与评估, 旨在进一步提高遥感GPP模型在中国区域的适用性。结果表明: (1) TG和VI模型选用的遥感参数均与GPP观测值有较高的相关性, 都可以得到可信的光合转换系数m和a。基于与夜间地表温度平均值的相关关系, m和a在空间尺度上得到了扩展, 这使得TG和VI都可以应用到区域尺度上。(2) TG和VI模型的模拟值与实测值间的相关性大多较高, 决定系数(R2)多在0.67以上。但不同台站间的误差变动较大, TG模型的均方根误差为0.29-6.40 g·m-2·d-1, VI模型的均方根误差为0.31-7.09 g·m-2·d-1。(3)总体而言, TG模型的表现优于VI, 尤其在海拔或纬度较高、以温度限制为主的台站, TG模型的模拟效果较好。上述结果初步揭示遥感GPP模型具备了在区域尺度上应用的潜力。

关键词：总初级生产力;遥感;增强植被指数;地表温度;涡度协相关
Abstract
Aims Estimation of gross primary productivity (GPP) of vegetation at the global and regional scales is important for understanding the carbon cycle of terrestrial ecosystems. Due to the heterogeneous nature of land surface, measurements at the site level cannot be directly up-scaled to the regional scale. Remote sensing has been widely used as a tool for up-saling GPP by integrating the land surface observations with spatial vegetation patterns. Although there have been many models based on light use efficiency and remote sensing data for simulating terrestrial ecosystem GPP, those models depend much on meteorological data; use of different sources of meteorological datasets often results in divergent outputs, leading to uncertainties in the simulation results. In this study, we examines the feasibility of using two GPP models driven by remote sensing data for estimating regional GPP across different vegetation types. Methods Two GPP models were tested in this study, including the Temperature and Greenness Model (TG) and the Vegetation Index Model (VI), based on remote sensing data and flux data from the China flux network (ChinaFLUX) for different vegatation types for the period 2003-2005. The study sites consist of eight ecological stations located in Xilingol (grassland), Changbaishan (mixed broadleaf-conifer forest), Haibei (shrubland), Yucheng (cropland), Damxung (alpine meadow), Qianyanzhou (evergreen needle-leaved forest), Dinghushan (evergreen broad-leaved forest), and Xishuangbanna (evergreen broad-leaved forest), respectively. Important findings All the remote sensing parameters employed by the TG and VI models had good relationships with the observed GPP, with the values of coefficient of determination, R2, exceeding 0.67 for majority of the study sites. However, the root mean square errors (RMSEs) varied greatly among the study sites: the RMSE of TG ranged from 0.29 to 6.40 g·m-2·d-1, and that of VI ranged from 0.31 to 7.09 g·m-2·d-1, respectively. The photosynthetic conversion coefficients m and a can be up-scaled to a regional scale based on their relationships with the annual average nighttime land surface temperature (LST), with 79% variations in m and 58% of variations in a being explainable in the up-scaling. The correlations between the simulated outputs of both TG and VI and the measured values were mostly high, with the values of correlation coefficient, r, ranging from 0.06 in the TG model and 0.13 in the VI model at the Xishuangbanna site, to 0.94 in the TG model and 0.89 in the VI model at the Haibei site. In general, the TG model performed better than the VI model, especially at sites with high elevation and that are mainly limited by temperature. Both models had potential to be applied at a regional scale in China.

Keywords：gross primary productivity;remote sensing;enhanced vegetation index;land surface temperature;eddy covariance

-->0
PDF (4048KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
王克清, 王鹤松, 孙建新. 遥感GPP模型在中国地区多站点的应用与比较. 植物生态学报, 2017, 41(3): 337-347 https://doi.org/10.17521/cjpe.2016.0182
WANG Ke-Qing, WANG He-Song, SUN Osbert Jianxin. Application and comparison of remote sensing GPP models with multi-site data in China. Chinese Journal of Plant Ecology, 2017, 41(3): 337-347 https://doi.org/10.17521/cjpe.2016.0182
陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的。GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012)。在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016)。目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006)。涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016)。目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等。尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上。受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局。
卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012)。通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016)。GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015)。但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差。以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用。简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案。遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要。同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具。已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012)。此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014)。Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟。Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP。这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法。在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展。Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中。但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展。在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识。
综上所述, 本研究基于中国通量观测研究联盟(ChinaFLUX)的台站数据和中等分辨率成像光谱仪(MODIS)数据, 分别对TG和VI两个模型的光合转换系数(m和a)进行相关性分析, 基于相关性分析的结果, 提出了m和a的区域扩展方程。进而通过比较基于集成植被指数与地表温度的TG模型和基于植被指数的VI模型, 探索挖掘遥感数据对提高GPP模拟能力的可行性。通过与通量台站的GPP观测数据进行验证与比较, 分析遥感GPP模型在中国的适用性与潜力。

1 数据和方法

1.1 研究站点

本研究选用的站点包括海北高寒草甸生态系统通量观测站(HB)、鼎湖山南亚热带常绿阔叶林通量观测站(DHS)、锡林郭勒温性典型草原通量观测站(XLGL)、千烟洲人工林通量观测站(QYZ)、禹城暖温带半湿润旱作农田通量观测站(YC)、当雄高寒草甸碳通量观测站(DX)、长白山温带红松阔叶林通量观测站(CBS)以及西双版纳热带雨林通量观测站(XSBN) 1 hm2样地内通量观测系统, 全部隶属于中国通量观测研究联盟(ChinaFLUX)。这些站点分布在中国的青海、广东、内蒙古、江西、山东、西藏、吉林和云南, 覆盖了中国区域不同的气候带, 代表了中国区域不同的温度和水分梯度, 涵盖了包括森林、草原和农田在内的不同的植被类型(Yu et al., 2006)。各站点的具体情况介绍如表1所示。
Table 1
表1
表1研究站点基本信息
Table 1Basic information of the study sites
植被类型 Vegetation type站点名称 Site name地理位置 Geo-location数据时段 Data period
灌丛 Shrubland海北高寒草甸生态系统通量观测站
Haibei Alpine Meadow Ecosystem Flux Observation Site		37.67° N, 101.33° E2003-2005
常绿阔叶林 Evergreen broad-leaved forest鼎湖山南亚热带常绿阔叶林通量观测站
Dinghushan South Subtropical Evergreen Broad-leaved Forest Flux Observation Site		23.17° N, 112.54° E2003-2005
温带草原 Temperate steppe锡林郭勒温性典型草原通量观测站
Xilingol Temperate Grassland Flux Observation Site		43.53° N, 116.67° E2004-2005
常绿针叶林 Evergreen needle-leaved forest千烟洲人工林通量观测站
Qianyanzhou Planted Forest Flux Observation Site		26.74° N, 115.06° E2003-2005
农田 Cropland禹城暖温带半湿润旱作农田通量观测站
Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site		36.83° N, 116.57° E2003-2005
高寒草甸 Alpine meadow当雄高寒草甸碳通量观测站
Damxung Alpine Meadow Flux Observation Site		30.83° N, 91.12° E2004-2005
针阔混交林 Mixed broadleaf-conifer forest长白山温带红松阔叶林通量观测站
Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site		42.40° N, 128.07° E2003-2005
热带雨林 Tropical rain forest西双版纳热带雨林通量观测站
Xishuangbanna Tropical Rainforest Flux Observation Site		21.93° N, 101.20° E2003-2005

The ground observation data for all sites come from the Chinese FLUX Observation and Research Network (ChinaFLUX).所有站点地面观测资料均来自中国通量观测研究联盟。
新窗口打开

1.2 台站与遥感数据

站点通量数据包括生态系统的GPP、碳的净交换量(NEE)和生态系统呼吸(RE)以及空气温度、光合有效辐射(PAR)、降水等气象数据。其中, 通量数据集经过了统一的质量控制与数据插补等处理, 具有较高的可信度(Yu et al., 2006)。
中等分辨率成像光谱仪(MODIS)数据来自MODIS陆地工作组(https://modis-land.gsfc.nasa.gov/), 已经过大气订正、地理坐标订正等处理, 具有较高的数据质量。遥感数据产品包括空间分辨率为500 m的MOD09A1波段反射率产品和分辨率为1 km的MOD11A2地表温度产品, 时间分辨率均为8天。根据8个站点的经纬度信息, 围绕各站点通量塔提取MOD09A1和MOD11A2数据, 数据提取格点的大小为3 km × 3 km。基于MOD09A1, 利用其中的红波段(620-670 nm)、近红外波段(841-875 nm)和蓝波段(459-479 nm)的反射率进行EVI的计算:
EVI = 2.5 × (ρnir - ρred)/(6 × ρred - 7.5 × ρblue + 1) (1)
式中, ρnir、ρred和ρblue分别为近红外波段、红波段和蓝波段的反射率。

1.3 TG模型和VI模型

TG模型是Sims等(2008)发展的基于遥感数据的GPP估算模型。该模型最初应用于北美地区的常绿针叶林和落叶阔叶林, 基于LST与空气温度、水汽压和PAR的相关性, 使用LST和EVI来模拟GPP:
GPP = m × EVIScaled × LSTScaled (2)
EVIScaled = EVI - 0.1 (3)
LSTScaled = min[LST/30,(2.5 - 0.05 × LST)] (4)
式中, GPP为总初级生产力, EVI为增强型植被指数, LSTScaled和EVIScaled分别为扩展地表温度和扩展植被指数; 当EVI小于0.1时, EVIScaled为0; LST为地表温度, 当LST小于0或者大于50时, LSTScaled为0。m为光合转换系数, 随植被类型和环境状况而不同。
VI模型是Wu等(2010)发展的基于遥感数据的GPP估算模型。该模型对小麦(Triticum aestivum)的GPP进行了模拟, 发现EVI × EVI与GPP间有很强的相关关系, 结合PAR, 模型的表达式为:
GPP = a × EVI × EVI × PAR (5)
其中, a为光合有效辐射的光合转换系数, 单位是g·mol-1, 因植被类型和环境状况而不同。在TG和VI两个模型中, m和a是决定上述模型模拟结果精度的关键参数。本研究采用线性回归的方法, 使用2003- 2004年站点观测的GPP数据(XLGL和DX为2004年数据)分别校正两个模型中的光合转换系数m和a, 再用2005年GPP数据来验证两个模型空间扩展后的模拟结果。各站点的m和a可从线性相关性分析的斜率得到, 进而发现它们均与年平均夜间地表温度值(LSTan)有良好的曲线相关关系(图1)。LSTan分别能够解释关键参数m和a的79%和58%的变化。根据公式(6)和(7), 可以直接通过各个站点的遥感数据计算得到各站点该年的光合转换系数:
m = -0.089LSTan2 + 0.49LSTan + 28.502; R2 = 0.79 (6)
a = -0.0039LSTan2 + 0.49LSTan + 1.23; R2 = 0.58 (7)
显示原图|下载原图ZIP|生成PPT
图1光合转换系数m和a与年平均夜间地表温度值(LSTan)的关系。
-->Fig. 1Relationships of the photosynthetic conversion coefficient m and a with annual mean nighttime land surface temperature (LSTan).
-->

1.4 分析

本研究选用决定系数(R2)、均方根误差(RMSE)以及相对误差(RE)评估模型的模拟效果:
$$R^2=1-\frac{\sum_{i=1}^N (GPP_{model}-GPP_{obs})^2}{\sum_{i=1}^N(GPP_{obs}-\overline{GPP_{obs}})^2} \ \ (8)$$
$$RMSE=\sqrt{\frac{\sum_{i=1}^N(GPP_{model}-GPP_{obs})^2}{n}}\ \ \ (9)$$
$$RE=\frac{GPP_{model}-GPP_{obs}}{GPP_{obs}}\ \ \ (10)$$
上面的公式中, GPPmodel和GPPobs分别表示模型模拟植被GPP和观测植被GPP, n表示观测或模拟次数, RMSE的单位是g·m-2·d-1。

2 结果和讨论

2.1 TG和VI模型在实验区的适用性

使用2003-2004年(XLGL和DX为2004年)的通量数据与遥感参数进行相关性分析。图2为TG模型中LSTScaled与EVIScaled的乘积与通量观测数据(EC-GPP)的相关性分析。结果表明, 这8个站点的遥感参数LSTScaled × EVIScaled与EC-GPP都有显著的相关性(p < 0.001), R2大多超过了0.6, 各站点R2排序为: HB > CBS > DX > XLGL > QYZ > YC > DHS > XSBN。其中, HB的R2最高, 为0.91; DHS和XSBN的R2较低, 分别为0.43和0.40。VI模型在8个站点的遥感参数(EVI × EVI × PAR)与EC-GPP同样有显著的相关性(图3), R2大多在0.6以上, 其中HB的R2最高, 达到0.88, DHS和XSBN的遥感参数与EC-GPP的相关性较低(R2 = 0.46和0.32)。各站点R2排序为: HB > XLGL > DX > YC > CBS > QYZ > DHS > XSBN。由结果可见两个模型使用的遥感参数与EC-GPP之间的相关性虽有高低的差异, 但都达到了显著水平(p < 0.001), 都具备了在中国地区使用的潜力。
显示原图|下载原图ZIP|生成PPT
图2不同站点涡度协相关总初级生产力(EC-GPP)与扩展地表温度(LSTScaled)和扩展增强植被指数(EVIScaled)的乘积之间的关系。CBS, 长白山温带红松阔叶林通量观测站; DHS, 鼎湖山南亚热带常绿阔叶林通量观测站; DX, 当雄高寒草甸碳通量观测站; HB, 海北高寒草甸生态系统通量观测站; QYZ, 千烟洲人工林通量观测站; XLGL, 锡林郭勒温性典型草原通量观测站; XSBN, 西双版纳热带雨林通量观测站; YC, 禹城暖温带半湿润旱作农田通量观测站。
-->Fig. 2Relationships between the eddy covariance gross primary production (EC-GPP) and the product of the scaled land surface temperature (LSTScaled) multiplied by the scaled enhance vegetation index (EVIScaled) for different study sites. CBS, Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site; DHS, Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site; DX, Damxung Alpine Meadow Flux Observation Site; HB, Haibei Alpine Meadow Ecosystem Flux Observation Site; QYZ, Qianyanzhou Planted Forest Flux Observation Site; XLGL, Xilingol Temperate Grassland Flux Observation Site; XSBN, Xishuangbanna Tropical Rainforest Flux Observation Site; YC, Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site.
-->

显示原图|下载原图ZIP|生成PPT
图3不同站点涡度协相关总初级生产力(EC-GPP)与增强植被指数(EVI)的平方值和光合有效辐射(PAR)的乘积之间的关系。CBS, 长白山温带红松阔叶林通量观测站; DHS, 鼎湖山南亚热带常绿阔叶林通量观测站; DX, 当雄高寒草甸碳通量观测站; HB, 海北高寒草甸生态系统通量观测站; QYZ, 千烟洲人工林通量观测站; XLGL, 锡林郭勒温性典型草原通量观测站; XSBN, 西双版纳热带雨林通量观测站; YC, 禹城暖温带半湿润旱作农田通量观测站。
-->Fig. 3Relationships between the eddy covariance gross primary production (EC-GPP) and the product of the enhanced vegetation index (EVI) multiplied by photosynthetic active radiation (PAR) for different study sites. CBS, Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site; DHS, Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site; DX, Damxung Alpine Meadow Flux Observation Site; HB, Haibei Alpine Meadow Ecosystem Flux Observation Site; QYZ, Qianyanzhou Planted Forest Flux Observation Site; XLGL, Xilingol Temperate Grassland Flux Observation Site; XSBN, Xishuangbanna Tropical Rainforest Flux Observation Site; YC, Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site.
-->

2.2 TG和VI模型模拟结果的验证与比较

使用2005年数据对上述两个模型的模拟结果分别进行验证(图4, 图5)。结果表明: TG模型在HB的R2达到0.94, 在CBS和DX的R2达到0.8以上。其余各站点的相关性, 除XSBN较低(R2 = 0.06)外, 其余站点R2都在0.64以上。与之相似的是, VI模型也在HB表现最好, R2达到0.88, 除XSBN较低(R2 = 0.13)外, 其余站点R2都在0.55以上。总体上, TG模型的相关性比VI要高。
表2进一步列出了两个模型在各站点的误差情况。两个模型在DX、HB和CBS的误差都较小: TG模型的RE绝对值都小于11%, 同时RMSE都小于1.39 g·m-2·d-1; VI模型RE绝对值都小于33.16%, 同时RMSE都小于1.46 g·m-2·d-1。对于QYZ和YC站, 虽然两个模型相关性都较高, 但模拟结果误差上的表现有所不同。在YC站, VI模型的RE和RMSE比TG模型低; 在QYZ, TG模型的RE和RMSE比VI模型低。在DHS和XSBN, 两个模型的RE和RMSE都较大。在XLGL, 这两个模型均出现严重高估的现象, 相对误差达到126.79%以上, 均方根误差分别为0.62和0.77 g·m-2·d-1。总体比较, TG模型模拟效果优于VI模型, 尤其在海拔或纬度较高、以温度限制为主的台站, TG模型的模拟效果更好。
显示原图|下载原图ZIP|生成PPT
图4TG模型模拟的2005年不同站点总初级生产力(TG-GPP)与同期涡度协相关总初级生产力(EC-GPP)之间的关系。CBS, 长白山温带红松阔叶林通量观测站; DHS, 鼎湖山南亚热带常绿阔叶林通量观测站; DX, 当雄高寒草甸碳通量观测站; HB, 海北高寒草甸生态系统通量观测站; QYZ, 千烟洲人工林通量观测站; XLGL, 锡林郭勒温性典型草原通量观测站; XSBN, 西双版纳热带雨林通量观测站; YC, 禹城暖温带半湿润旱作农田通量观测站。
-->Fig. 4Relationships between the simulated gross primary production in 2005 by the TG model (TG-GPP) and the eddy covariance gross primary production (EC-GPP) for the corresponding time period for different study sites. CBS, Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site; DHS, Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site; DX, Damxung Alpine Meadow Flux Observation Site; HB, Haibei Alpine Meadow Ecosystem Flux Observation Site; QYZ, Qianyanzhou Planted Forest Flux Observation Site; XLGL, Xilingol Temperate Grassland Flux Observation Site; XSBN, Xishuangbanna Tropical Rainforest Flux Observation Site; YC, Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site.
-->

显示原图|下载原图ZIP|生成PPT
图5VI模型模拟的2005年不同站点总初级生产力(VI-GPP)与涡度协相关总初级生产力(EC-GPP)之间的关系。CBS, 长白山温带红松阔叶林通量观测站; DHS, 鼎湖山南亚热带常绿阔叶林通量观测站; DX, 当雄高寒草甸碳通量观测站; HB, 海北高寒草甸生态系统通量观测站; QYZ, 千烟洲人工林通量观测站; XLGL, 锡林郭勒温性典型草原通量观测站; XSBN, 西双版纳热带雨林通量观测站; YC, 禹城暖温带半湿润旱作农田通量观测站。
-->Fig. 5Relationships between the simulated gross primary production (VI-GPP) in 2005 by the VI model and the eddy covariance gross primary production (EC-GPP) for different study sites. CBS, Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site; DHS, Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site; DX, Damxung Alpine Meadow Flux Observation Site; HB, Haibei Alpine Meadow Ecosystem Flux Observation Site; QYZ, Qianyanzhou Planted Forest Flux Observation Site; XLGL, Xilingol Temperate Grassland Flux Observation Site; XSBN, Xishuangbanna Tropical Rainforest Flux Observation Site; YC, Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site.
-->

Table 2
表2
表2TG和VI模型在模拟各站点2005年总初级生产力的表现
Table 2Performance of the TG and VI models in simulating the gross primary production in 2005 for different study sites
站点 Site决定系数 Coefficient of
determination (R2)		相对误差
Relative error (RE) (%)		均方根误差 Root mean square error (RMSE) (g·m-2·d-1)
TGVITGVITGVI
锡林郭勒温性典型草原通量观测站
Xilingol Temperate Grassland Flux Observation Site		0.670.75126.79196.620.620.77
长白山温带红松阔叶林通量观测站
Changbaishan Temperate Broad-Leaved Korean Pine Forest Flux Observation Site		0.870.85-9.94-13.791.391.46
海北高寒草甸生态系统通量观测站
Haibei Alpine Meadow Ecosystem Flux Observation Site		0.940.89-3.103.320.550.75
禹城暖温带半湿润旱作农田通量观测站
Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site		0.670.83-55.41-39.424.303.15
当雄高寒草甸碳通量观测站
Damxung Alpine Meadow Flux Observation Site		0.800.8210.9033.160.290.31
千烟洲人工林通量观测站
Qianyanzhou Planted Forest Flux Observation Site		0.730.72-29.23-56.021.772.75
鼎湖山南亚热带常绿阔叶林通量观测站
Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site		0.640.55-60.08-79.092.192.84
西双版纳热带雨林通量观测站
Xishuangbanna Tropical Rainforest Flux Observation Site		0.060.13-67.71-77.526.407.09


新窗口打开

3 讨论

3.1 遥感参数与GPP模拟

在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b)。对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏。TG模型集成了EVI和LST。其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015)。VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因。Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力。VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小。虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好。
显示原图|下载原图ZIP|生成PPT
图6不同站点涡度协相关总初级生产力(EC-GPP)与模型模拟总初级生产力(TG-GPP和VI-GPP)的时间序列图。CBS, 长白山温带红松阔叶林通量观测站; DHS, 鼎湖山南亚热带常绿阔叶林通量观测站; DX, 当雄高寒草甸碳通量观测站; HB, 海北高寒草甸生态系统通量观测站; QYZ, 千烟洲人工林通量观测站; XLGL, 锡林郭勒温性典型草原通量观测站; XSBN, 西双版纳热带雨林通量观测站; YC, 禹城暖温带半湿润旱作农田通量观测站。
-->Fig. 6Time series of the eddy covariance gross primary production (EC-GPP) and the simulated gross primary production by the TG and VI models (TG-GPP and VI-GPP) for different study sites. CBS, Changbaishan Temperate Broad-leaved Korean Pine Forest Flux Observation Site; DHS, Dinghushan South Subtropical Evergreen Broadleaved Forest Flux Observation Site; DX, Damxung Alpine Meadow Flux Observation Site; HB, Haibei Alpine Meadow Ecosystem Flux Observation Site; QYZ, Qianyanzhou Planted Forest Flux Observation Site; XLGL, Xilingol Temperate Grassland Flux Observation Site; XSBN, Xishuangbanna Tropical Rainforest Flux Observation Site; YC, Yucheng Warmer Temperate Dry Farming Cropland Flux Observation Site.
-->

从图6还可以看出, 两种模型模拟GPP与观测GPP的动态趋势吻合, 但是存在较为严重的高估或低估现象。以XLGL为例, 该站2005年的降水量不足200 mm, 发生了严重的干旱, 导致植被GPP下降(郝彦宾等, 2010)。虽然两个模型的模拟结果都比实测值有很大的高估, 但也应注意到它们的R2都较高(TG为0.67, VI为0.75)。特别是同样情况下, VPM模型模拟结果的相关性仅为0.15 (伍卫星等, 2008)。这说明基于遥感数据的GPP模型具备了区域尺度上模拟潜力的同时, 也暴露了遥感GPP模型在极端环境胁迫下模拟能力的不足。未来的一个工作方向是提高光合转换系数的精度, 这将有助于增强遥感GPP模型在不同环境条件下模拟GPP的适应性。

3.2 尺度扩展与光合转换系数

在模型结果验证中, TG和VI模型在大部分站点的相关性较高, R2大多在0.67以上, 但误差(RE和RMSE)的大小在台站间变化较大。本研究选用的光合转换系数m和a均与LSTan有显著的相关关系, R2分别达到0.79和0.58。说明LSTan是遥感GPP尺度扩展中的敏感参数, 对于实现区域模拟有重要作用(Sims et al., 2008; Gao et al., 2014)。集成更多遥感参数, 可以更好地拟合光合转换系数, 将有助于遥感GPP模型模拟精度的提高。Wang等(2010b)引入了EVI和可见光反照率(visible albedo)来动态地模拟光能利用率模型中的最大光能利用效率。Drolet等(2008)使用基于MODIS的光化学植被指数(PRI)数据, 比较了北美地区森林光能利用率与不同PRI计算表达式间的关系, 发现PRI与植被的光合强度有很高的相关性, 引入PRI后可明显提高GPP的模拟相关性。日光诱导叶绿素荧光信号(sun-induced chlorophyll fluorescence, SIF)与植被的光合过程关系紧密, 分别在687和760 nm波段存在对叶绿素荧光敏感的信息, Guanter等(2012)利用GOSAT卫星数据反演了全球SIF空间分布, 论证了使用SIF直接获取GPP的可行性。Damm等(2010)在生态系统尺度上评估了SIF与GPP的相关性, 发现二者有很好的线性相关关系。这些工作为基于遥感数据的光合转换系数的扩展提供了数据源信息。通过集成更多遥感产品, 可进一步提高光合转换系数的模拟精度, 并终将提升遥感GPP模型的尺度扩展能力。

4 结论

本研究针对中国区域复杂多样的生态系统, 通过对TG和VI两个基于遥感GPP模型中的光合转换系数进行了改进, 初步揭示了这类模型在GPP区域化模拟上的应用潜力。主要结论如下:
(1) TG和VI两个模型使用的遥感参数与GPP间的相关性虽有高低的差异, 但都达到了显著的水平(p < 0.001), 都具备了在中国地区使用的潜力, 改进后的TG和VI都可以应用到区域尺度上。
(2) TG模型集成了植被指数和地表温度, 比VI模型更好地表达了温度和水分对GPP的胁迫效应, 总体表现优于VI, 尤其在海拔或纬度较高、以温度限制为主的地区。
(3)引入更多的遥感参数有益于遥感GPP模型模拟能力的提高, 可以预见会有更多的遥感参数被引入到未来模型中。
致谢 感谢“中国通量观测研究联盟(ChinaFLUX)”提供地面观测资料。
The authors have declared that no competing interests exist.

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]Beer C, Reichstein M, Tomelleri E, Ciais P, Jung M, Carvalhais N, Rödenbeck C, Arain MA, Baldocchi D, Bonan GB, Bondeau A, Cescatti A, Lasslop G, Lindroth A, Lomas M, Luyssaert S, Margolis H, Oleson KW, Roupsard O, Veenendaal E, Viovy N, Williams C, Woodward FI, Papale D (2010). Terrestrial gross carbon dioxide uptake: Global distribution and covariation with climate.
Science, 329, 834-838. [本文引用: 1]
[2]Cao MK, Prinee SD, Li K (2003). Response of terrestrial carbon uptake to climate interannual variability in China.
Global Change Biology, 9, 536-546. [本文引用: 1]
[3]Chen JQ, Yan MH, Wang SQ, Gao YN, Hang M, Wang JB, Xaio XM (2014). Estimation of gross primary production in Chinese terrestrial ecosystems by VPM model.
Quaternary Sciences, 34, 732-742. (in Chinese with English abstract)[陈静清, 闫慧敏, 王绍强, 高艳妮, 黄玫, 王军邦, 肖向明 (2014). 中国陆地生态系统总初级生产力VPM遥感模型估算
. 第四纪研究, 34, 732-742.]
[4]Damm A, Elbers J, Erler E, Gioli B, Hamdi K, Hutjes R, Kosvancova M, Meroni M, Miglietta F, Moersch A (2010). Remote sensing of sun induced fluorescence to improve modeling of diurnal courses of gross primary production (GPP).
Global Change Biology, 16, 171-186. [本文引用: 1]
[5]Drolet GG, Middleton EM, Huemmrich KF, Hall FG, Amiro BD, Barr AG, Black TA, McCaughey JH, Margolis HA (2008). Regional mapping of gross light-use efficiency using MODIS spectral indices.
Remote Sensing of Environment, 112, 3064-3078.
[6]Gao YN, Yu GR, Yan HM, Zhu XJ, Li SG, Wang QF, Zhang JH, Wang YF, Li YN, Zhao L, Shi PL (2014). A MODIS- based Photosynthetic Capacity Model to estimate gross primary production in Northern China and the Tibetan Plateau.
Remote Sensing of Environment, 148, 108-118.
[7]Gitelson AA, Gamon JA (2015). The need for a common basis for defining light-use efficiency: Implications for prod¬uctivity estimation.
Remote Sensing of Environment, 156, 196-201. [本文引用: 2]
[8]Gitelson AA, Peng Y, Masek JG, Rundquist DC, Verma SS, Suyker A, Baker JM, Hatfield JL, Meyers T (2012). Remote estimation of crop gross primary production with Landsat data.
Remote Sensing of Environment, 121, 404-414. [本文引用: 1]
[9]Granger RJ (2000). Satellite-derived estimates of evapotran¬spiration in the Gediz Basin.
Journal of Hydrology, 229, 70-76. [本文引用: 1]
[10]Guanter L, Frankenberg C, Dudhia A, Lewis PE, Gomez-Dans J, Kuze A, Suto H, Grainger RG (2012). Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements.
Remote Sensing of Environment, 121, 236-251. [本文引用: 1]
[11]Hao YB, Wang YF, Cui XY (2010). Drought stress reduces the carbon accumulation of the Leymus chinensis steppe in Inner Mongolia, China.
Chinese Journal of Plant Ecology, 34, 898-906. (in Chinese with English abstract)[郝彦宾, 王艳芬, 崔骁勇 (2010). 干旱胁迫降低了内蒙古羊草草原的碳累积
. 植物生态学报, 34, 898-906.]
[12]Jiang Y, Zhang JH, Xu XD, Dong ZX (2013). A GPP assimilation model for the southeastern Tibetan Plateau based on CO2 eddy covariance flux tower and remote sensing data.
International Journal of Applied Earth Observation and Geoinformation, 23, 213-225.
[13]Le Quéré C, Raupauch MR, Canadell JG, Marland G (2009). Trends in the sources and sinks of carbon dioxide.
Nature Geoscience, 2, 831-836. [本文引用: 1]
[14]Li XR, Zhu ZC, Zeng H, Piao SL (2016). Estimation of gross primary production in China (1982-2010) with multiple ecosystem models.
Ecological Modelling, 324, 33-44. [本文引用: 1]
[15]Li ZQ, Yu GR, Xiao XM, Li YN, Zhao XQ, Ren CY, Zhang LM, Fu YL (2007). Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS images and climate data.
Remote Sensing of Environment, 107, 510-519. [本文引用: 1]
[16]Liu YC, Yu GR, Wang QF (2014b). How temperature, precipi¬tation and stand age control the biomass carbon density of global mature forests.
Global Ecology and Biogeography, 23, 323-333. [本文引用: 2]
[17]Liu ZJ (2012). How Many Uncertainties Transferred from the Meteorological Data to the Terrestrial Carbon Cycle Modeling Based on CEVSA Model. Master degree dissertation,
Shandong Normal University, Jinan. 35-44. (in Chinese with English abstract).[刘正佳 (2012). 气象数据的不确定性对CEVSA模型模拟结果的影响研究
. 硕士学位论文, 山东师范大学, 济南. 35-44.] [本文引用: 1]
[18]Liu ZJ, Wang LC, Wang SS (2014a). Comparison of different GPP models in China using MODIS image and China FLUX data.
Remote Sensing of Environment, 6, 10215-10231. [本文引用: 1]
[19]Lobell DB, Hicke JA, Asner GP, Field CB, Tucker CJ, Los SO (2002). Satellite estimates of productivity and light use efficiency in United States agriculture, 1982-1998.
Global Change Biology, 8, 722-735.
[20]Mekonnen AZ, Grant RF, Schwalm C (2016). Contrasting changes in gross primary productivity of different regions of North America as affected by warming in recent dec¬ades.
Agricultural and Forest Meteorology, 218-219, 50-64. [本文引用: 1]
[21]Minunno F, Peltoniemi M, Launiainen S, Aurela M, Lindroth A, Lohila A, Mammarella L, Minkkinen K, Mäkelä A (2016). Calibration and validation of a semi-empirical flux ecosystem model for coniferous forests in the boreal region.
Ecological Modelling, 341, 37-52.
[22]Sánchez ML, Pardo N, Pérez IA, García MA (2015). GPP and maximum light use efficiency estimates using different approaches over a rotating biodiesel crop.
Agricultural and Forest Meteorology, 214-215, 444-455. [本文引用: 1]
[23]Sims DA, Rahman AF, Cordova VD, El-Masri BZ, Baldocchi DD, Bolstad PV, Flanagan LB, Goldstein AH, Hollinger DY, Misson L, Monson RK, Oechel WC, Schmid HP, Wofsy SC, Xu LK (2008). A new model of gross primary productivity for North American ecosystems based solely on the enhanced vegetation index and land surface tem¬perature from MODIS.
Remote Sensing of Environment, 112, 1633-1646. [本文引用: 2]
[24]Tian H, Melillo JM, Kieklighter DW, McGuire AD, Helfrich J (1999). The sensitivity of terrestrial carbon storage to history elimate variability and atmospheric CO2 in the United States.
Tellus, 26, 414-452. [本文引用: 1]
[25]Verma M, Friedla MA, Lawc BE, Bonald D, Kielye G, Black TA, Wohlfahrtg G. Moors EJ, Montagnani L, Marcollal B, Toscanom P, Varlaginn A, Roupsardo O, Cescattiq A, Arainr MA, D’Odoricosa P (2015). Improving the performance of remote sensing models for capturing intra- and inter-annual variations in daily GPP: An analysis using global FLUXNET tower data.
Agricultural and Forest Meteorology, 214-215, 416-429. [本文引用: 1]
[26]Wang HS, Jia GS, Feng JM, Zhao TB, Ma ZG (2010b). Mode¬ling gross primary production by integrating satellite data and coordinated flux measurements in arid and semi-arid China.
Atmospheric and Oceanic Science Letters, 3, 7-13. [本文引用: 2]
[27]Wang HS, Jia GS, Fu CB, Feng JM, Zhao TB, Ma ZG (2010a). Deriving maximal light use efficiency from coordinated flux measurements and satellite data for regional gross primary production modeling.
Remote Sensing of Env¬ir¬onment, 114, 2248-2258. [本文引用: 2]
[28]Wang XF, Ma MG, Li X, Song Y, Tan JL, Huang GH, Yu WP (2012). Comparison of remote sensing based GPP models at an alpine meadow site.
Journal of Remote Sensing, 16, 751-763. (in Chinese with English abstract)[王旭峰, 马明国, 李新, 宋怡, 谭俊磊, 黄广辉, 于文凭 (2012). 遥感GPP模型在高寒草甸的应用比较
. 遥感学报, 16, 751-763.] [本文引用: 2]
[29]Wu CY, Han XZ, Ni JS, Niu Z, Huang WJ (2010). Estimation of gross primary production in wheat from in situ measurements.
International Journal of Applied Earth Observation and Geoinformation, 12, 183-189. [本文引用: 1]
[30]Wu WX, Wang SQ, Xiao XM, Yu GR, Fu YL, Hao YB (2008). Modeling gross primary production of a temperate grassland ecosystem in Inner Mongolia, China, using MODIS imagery and climate data.
Science in China Series D—Earth Sciences, 38, 993-1004. (in Chinese with English abstract)[伍卫星, 王绍强, 肖向明, 于贵瑞, 伏玉玲, 郝彦宾 (2008). 利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力
. 中国科学D辑: 地球科学, 38, 993-1004.]
[31]Xiao XM, Zhang QY, Braswell B, Urbanski S, Boles S, Wofsy S, Moore III B, Ojima D (2004). Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data.
Remote Sensing of Environment, 91, 256-270.
[32]Yan M, Tian X, Li ZY, Chen E, Li CM, Fan WW (2016). A long-term simulation of forest carbon fluxes over the Qilian Mountains.
International Journal of Applied Earth Observation and Geoinformation, 52, 515-526. [本文引用: 1]
[33]Yu GR, Sun XM (2006). Principle and Method of Terrestrial Ecosystem Flux Observation. Higher Education Press, Beijing. (in Chinese)[于贵瑞, 孙晓敏 (2006). 陆地生态系统通量观测的原理与方法. 高等教育出版社, 北京.] [本文引用: 1]
[34]Yu GR, Zhu XJ, Fu YL, He HL, Wang QF, Wen XF, Li XR, Zhang LM, Zhang L, Su W, Li SG, Sun XM, Zhang YP, Zhang JH, Yan JH, Wang HM, Zhou GS, Jia BR, Xiang WH, Li YN, Zhao L, Wang YF, Shi PL, Chen SP, Xin XP, Zhao FH, Wang YY, Tong CL (2012). Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China.
Global Change Biology, 19, 798-810.
[35]Yu GY, Wen XF, Sun XM, Tanner BD, Lee XH, Chen JY (2006). Overview of ChinaFLUX and evaluation of its eddy covariance measurement.
Agricultural and Forest Meteorology, 137, 125-137. [本文引用: 1]
[36]Yuan WP, Liu SG, Zhou GS, Zhou GY, Tieszen LL, Baldocchi D, Bernhofer C, Gholz H, Goldstein AH, Goulden ML, Hollinger DY, Hu YM, Law BE, Stoy PC, Vesala T, Wofsy SC (2007). Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes.
Agricultural and Forest Meteorology, 143, 189-207. [本文引用: 1]
[37]Zhang WJ, Wang HM, Yang FT, Yi YH, Wen XF, Sun XM, Yu GR, Wang YD, Ning JC (2011). Underestimated effects of low temperature during early growing season on carbon sequestration of a subtropical coniferous plantation.
Biogeosciences, 8, 1667-1678. [本文引用: 1]
[38]Zhou GS, Zhang XS (1995). A natural vegetation NPP model.
Acta Phytoecologica Sinica,19, 193-200. (in Chinese with English abstract)[周广胜, 张新时 (1995). 自然植被净第一生产力模型初探
. 植物生态学报, 19, 193-200.]
[39]Zhou YR, Yu ZL, Zhao SD (2000). Carbon storage and budget of major Chinese forest types.
Acta Phytoecologica Sinica, 24, 518-522. (in Chinese with English abstract)[周玉荣, 于振良, 赵士洞 (2000). 我国主要森林生态系统碳储存和碳平衡
. 植物生态学报, 24, 518-522.]
Terrestrial gross carbon dioxide uptake: Global distribution and covariation with climate.
1
2010

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

Response of terrestrial carbon uptake to climate interannual variability in China.
1
2003

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

中国陆地生态系统总初级生产力VPM遥感模型估算
2014

Remote sensing of sun induced fluorescence to improve modeling of diurnal courses of gross primary production (GPP).
1
2010

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Regional mapping of gross light-use efficiency using MODIS spectral indices.
2008

A MODIS- based Photosynthetic Capacity Model to estimate gross primary production in Northern China and the Tibetan Plateau.
2014

The need for a common basis for defining light-use efficiency: Implications for prod¬uctivity estimation.
2
2015

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

... 在模型结果验证中, TG和VI模型在大部分站点的相关性较高, R2大多在0.67以上, 但误差(RE和RMSE)的大小在台站间变化较大.本研究选用的光合转换系数m和a均与LSTan有显著的相关关系, R2分别达到0.79和0.58.说明LSTan是遥感GPP尺度扩展中的敏感参数, 对于实现区域模拟有重要作用(Sims et al., 2008; Gao et al., 2014).集成更多遥感参数, 可以更好地拟合光合转换系数, 将有助于遥感GPP模型模拟精度的提高.Wang等(2010b)引入了EVI和可见光反照率(visible albedo)来动态地模拟光能利用率模型中的最大光能利用效率.Drolet等(2008)使用基于MODIS的光化学植被指数(PRI)数据, 比较了北美地区森林光能利用率与不同PRI计算表达式间的关系, 发现PRI与植被的光合强度有很高的相关性, 引入PRI后可明显提高GPP的模拟相关性.日光诱导叶绿素荧光信号(sun-induced chlorophyll fluorescence, SIF)与植被的光合过程关系紧密, 分别在687和760 nm波段存在对叶绿素荧光敏感的信息, Guanter等(2012)利用GOSAT卫星数据反演了全球SIF空间分布, 论证了使用SIF直接获取GPP的可行性.Damm等(2010)在生态系统尺度上评估了SIF与GPP的相关性, 发现二者有很好的线性相关关系.这些工作为基于遥感数据的光合转换系数的扩展提供了数据源信息.通过集成更多遥感产品, 可进一步提高光合转换系数的模拟精度, 并终将提升遥感GPP模型的尺度扩展能力. ...

Remote estimation of crop gross primary production with Landsat data.
1
2012

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Satellite-derived estimates of evapotran¬spiration in the Gediz Basin.
1
2000

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements.
1
2012

... 在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b).对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏.TG模型集成了EVI和LST.其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015).VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因.Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力.VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小.虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好. ...

干旱胁迫降低了内蒙古羊草草原的碳累积
2010

A GPP assimilation model for the southeastern Tibetan Plateau based on CO2 eddy covariance flux tower and remote sensing data.
2013

Trends in the sources and sinks of carbon dioxide.
1
2009

... 从图6还可以看出, 两种模型模拟GPP与观测GPP的动态趋势吻合, 但是存在较为严重的高估或低估现象.以XLGL为例, 该站2005年的降水量不足200 mm, 发生了严重的干旱, 导致植被GPP下降(郝彦宾等, 2010).虽然两个模型的模拟结果都比实测值有很大的高估, 但也应注意到它们的R2都较高(TG为0.67, VI为0.75).特别是同样情况下, VPM模型模拟结果的相关性仅为0.15 (伍卫星等, 2008).这说明基于遥感数据的GPP模型具备了区域尺度上模拟潜力的同时, 也暴露了遥感GPP模型在极端环境胁迫下模拟能力的不足.未来的一个工作方向是提高光合转换系数的精度, 这将有助于增强遥感GPP模型在不同环境条件下模拟GPP的适应性. ...

Estimation of gross primary production in China (1982-2010) with multiple ecosystem models.
1
2016

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS images and climate data.
1
2007

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

b). How temperature, precipi¬tation and stand age control the biomass carbon density of global mature forests.
2
2014

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

... ; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

气象数据的不确定性对CEVSA模型模拟结果的影响研究
1
2012

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

a). Comparison of different GPP models in China using MODIS image and China FLUX data.
1
2014

... 在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b).对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏.TG模型集成了EVI和LST.其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015).VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因.Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力.VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小.虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好. ...

Satellite estimates of productivity and light use efficiency in United States agriculture, 1982-1998.
2002

Contrasting changes in gross primary productivity of different regions of North America as affected by warming in recent dec¬ades.
1
2016

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Calibration and validation of a semi-empirical flux ecosystem model for coniferous forests in the boreal region.
2016

GPP and maximum light use efficiency estimates using different approaches over a rotating biodiesel crop.
1
2015

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

A new model of gross primary productivity for North American ecosystems based solely on the enhanced vegetation index and land surface tem¬perature from MODIS.
2
2008

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

... TG模型是Sims等(2008)发展的基于遥感数据的GPP估算模型.该模型最初应用于北美地区的常绿针叶林和落叶阔叶林, 基于LST与空气温度、水汽压和PAR的相关性, 使用LST和EVI来模拟GPP: ...

The sensitivity of terrestrial carbon storage to history elimate variability and atmospheric CO2 in the United States.
1
1999

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

Improving the performance of remote sensing models for capturing intra- and inter-annual variations in daily GPP: An analysis using global FLUXNET tower data.
1
2015

... 在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b).对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏.TG模型集成了EVI和LST.其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015).VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因.Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力.VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小.虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好. ...

b). Mode¬ling gross primary production by integrating satellite data and coordinated flux measurements in arid and semi-arid China.
2
2010

... 在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b).对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏.TG模型集成了EVI和LST.其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015).VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因.Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力.VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小.虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好. ...

... 在模型结果验证中, TG和VI模型在大部分站点的相关性较高, R2大多在0.67以上, 但误差(RE和RMSE)的大小在台站间变化较大.本研究选用的光合转换系数m和a均与LSTan有显著的相关关系, R2分别达到0.79和0.58.说明LSTan是遥感GPP尺度扩展中的敏感参数, 对于实现区域模拟有重要作用(Sims et al., 2008; Gao et al., 2014).集成更多遥感参数, 可以更好地拟合光合转换系数, 将有助于遥感GPP模型模拟精度的提高.Wang等(2010b)引入了EVI和可见光反照率(visible albedo)来动态地模拟光能利用率模型中的最大光能利用效率.Drolet等(2008)使用基于MODIS的光化学植被指数(PRI)数据, 比较了北美地区森林光能利用率与不同PRI计算表达式间的关系, 发现PRI与植被的光合强度有很高的相关性, 引入PRI后可明显提高GPP的模拟相关性.日光诱导叶绿素荧光信号(sun-induced chlorophyll fluorescence, SIF)与植被的光合过程关系紧密, 分别在687和760 nm波段存在对叶绿素荧光敏感的信息, Guanter等(2012)利用GOSAT卫星数据反演了全球SIF空间分布, 论证了使用SIF直接获取GPP的可行性.Damm等(2010)在生态系统尺度上评估了SIF与GPP的相关性, 发现二者有很好的线性相关关系.这些工作为基于遥感数据的光合转换系数的扩展提供了数据源信息.通过集成更多遥感产品, 可进一步提高光合转换系数的模拟精度, 并终将提升遥感GPP模型的尺度扩展能力. ...

a). Deriving maximal light use efficiency from coordinated flux measurements and satellite data for regional gross primary production modeling.
2
2010

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

遥感GPP模型在高寒草甸的应用比较
2
2012

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

... 在光能利用效率模型中, 温度和水分对植被GPP的限制主要通过气象数据来表述, 温度和水分对GPP的胁迫过程是决定模拟效果的关键(Wang et al., 2010a; Liu et al., 2014b).对于遥感GPP模型, 使用适当的遥感参数替代气象数据去模拟温度和水分对GPP的影响, 在很大程度上决定了遥感GPP模型模拟效果的好坏.TG模型集成了EVI和LST.其中, LST不仅能够体现影响植被GPP变化的温度, 还能够体现饱和水汽压差(VPD)对植被GPP的影响(Granger, 2000; Sánchez et al., 2015; Verma et al., 2015).VI模型的遥感参数只有EVI一项, 虽然能表现植被生长状况, 但在表达水分对GPP的影响上能力较弱, 这可能是TG模型模拟效果优于VI模型的原因.Liu (2014a)等的研究也发现, LST对植被冠层光合能力很敏感, TG模型在空间GPP模拟上具有更大的潜力.VI模型的提出源自对农田GPP的估算, 模型验证结果也发现, YC的GPP、VI模型模拟效果比TG模型相关性高, RE和RMSE较小.虽然TG和VI两个模型能同时体现农田的GPP变化趋势(图6), 但VI模型的模拟效果在YC更好. ...

Estimation of gross primary production in wheat from in situ measurements.
1
2010

... VI模型是Wu等(2010)发展的基于遥感数据的GPP估算模型.该模型对小麦(Triticum aestivum)的GPP进行了模拟, 发现EVI × EVI与GPP间有很强的相关关系, 结合PAR, 模型的表达式为: ...

利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力
2008

Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data.
2004

A long-term simulation of forest carbon fluxes over the Qilian Mountains.
1
2016

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

1

... 陆地生态系统存储的CO2占人类总排放的25%-30% (Le Quéré et al., 2009), 这种固碳作用主要是通过植物的光合作用即植被的总初级生产力(GPP)来实现的.GPP是陆气间碳交换的重要环节, 在全球碳循环中起着重要作用(Lobell et al., 2002; Beer et al., 2010; Yu et al., 2012).在区域及全球尺度上估算GPP的时空动态, 对理解陆地生态系统碳循环的过程以及预测未来气候变化情景都有重要意义(周玉荣等, 2000; Zhang et al., 2011; Mekonnen et al., 2016).目前, 涡度协相关(EC)技术可以在站点尺度上直接观测生态系统的CO2净交换量, 进而通过生态系统呼吸的计算得到GPP (于贵瑞和孙晓敏, 2006).涡度协相关技术是理解陆地生态系统与大气间碳交换的重要观测手段, 为GPP模型的验证、定标和发展提供了基础数据(Yuan et al., 2007; Wang et al., 2010b; Minunno et al., 2016).目前在中国境内, 已经建立了多个涡度观测站点(Yu et al., 2006), 这些站点经过组织形成了通量观测的网络, 如中国通量观测研究联盟(ChinaFLUX)、中国森林生态系统定位研究网络(CFERN)等.尽管这些台站包含了森林、草原、农田等各种植被类型, 但是所得观测数据的空间尺度相对较小, 加之下垫面类型复杂、植被类型多样, 使得台站观测的数据难以直接应用在区域尺度上.受空间异质性的制约, 仅依靠通量观测网络的“点”数据无法获取大空间尺度“面”上GPP的时空分布格局. ...

Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China.
2012

Overview of ChinaFLUX and evaluation of its eddy covariance measurement.
1
2006

... 从图6还可以看出, 两种模型模拟GPP与观测GPP的动态趋势吻合, 但是存在较为严重的高估或低估现象.以XLGL为例, 该站2005年的降水量不足200 mm, 发生了严重的干旱, 导致植被GPP下降(郝彦宾等, 2010).虽然两个模型的模拟结果都比实测值有很大的高估, 但也应注意到它们的R2都较高(TG为0.67, VI为0.75).特别是同样情况下, VPM模型模拟结果的相关性仅为0.15 (伍卫星等, 2008).这说明基于遥感数据的GPP模型具备了区域尺度上模拟潜力的同时, 也暴露了遥感GPP模型在极端环境胁迫下模拟能力的不足.未来的一个工作方向是提高光合转换系数的精度, 这将有助于增强遥感GPP模型在不同环境条件下模拟GPP的适应性. ...

Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes.
1
2007

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

Underestimated effects of low temperature during early growing season on carbon sequestration of a subtropical coniferous plantation.
1
2011

... 卫星遥感技术能够在区域尺度上对陆地生态系统的多项信息进行持续和系统的监测, 有力提升了植被GPP在区域尺度上的监测水平(Xiao et al., 2004; Li et al., 2007; Gitelson et al., 2012).通过与地面气象信息相结合, 遥感成为实现植被GPP空间尺度扩展的主要工具(Li et al., 2016; Yan et al., 2016).GPP模型也从早期的气候生产力模型(周广胜和张新时, 1995)、过程模型(Tian et al., 1999; Cao et al., 2003)发展到当前较为流行的光能利用率模型(陈静清等, 2014; Gitelson & Gamon, 2015).但目前主流的遥感模型对地面气象数据仍较为依赖, 这使得GPP模型在一些气象资料匮乏地区的模拟能力较差.以中国为例, 尽管已有国家基准站700余个, 但由于下垫面类型复杂、地势起伏多变, 现有的气象站点仍相对较少, 且分布不均, 影响了遥感GPP模型在中国的应用.简化地面辅助参数, 建立以遥感数据为主的GPP模型(简称遥感GPP模型), 使其易于在区域和全球尺度上应用, 是解决上述问题的一个可行方案.遥感GPP模型所需参数及数据较少, 模型不依赖于地面参数(Jiang et al., 2013; Verma et al., 2015), 这对于复杂的中国地区来说尤为重要.同时, 纯遥感模型还可以降低因选取不同气象数据集而造成的不确定性(刘正佳, 2012; Liu et al., 2014a), 是一个能够实现植被GPP区域化模拟的便捷工具.已有研究发现, 植被指数(VIs)的动态变化能够反映植被的生长情况, 可以作为遥感参数应用到GPP模拟中(王旭峰等, 2012).此外, 已有****尝试将地表温度(LST)引入到植被的生长模拟中(Gao et al., 2014).Sims等(2008)提出的TG模型(temperature and greenness model)将增强型植被指数(EVI)和LST进行归一化处理, 对北美地区的常绿针叶林和常绿阔叶林的GPP进行了模拟.Wu等(2010)提出了VI模型(vegetation index model), 通过EVI、光合有效辐射(PAR)与GPP的回归关系, 模拟了中国北方地区农田的GPP.这类遥感GPP模型可以完全脱离地面气象数据, 为GPP的区域模拟提供了可行的方法.在区域尺度上应用遥感GPP模型的关键在于其光合转换系数的尺度扩展.Sims等(2008)使用夜间地表温度数据将光合转换系数m扩展到区域尺度上, 使基于站点尺度提出的TG模型得以应用到区域尺度之中.但这样的工作仅在上述特定的研究区域(北美地区的常绿针叶林和常绿阔叶林)内进行, 还没有在像中国这样植被类型丰富、气候带多样、下垫面类型复杂的区域上开展.在中国地区开展遥感GPP模型的尺度扩展研究既有助于大尺度空间下GPP模拟方法的发展, 又能加深对中国区域碳收支空间特征的认识. ...

自然植被净第一生产力模型初探
1995

我国主要森林生态系统碳储存和碳平衡
2000




相关话题/遥感 数据 气象 空间 观测

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.