基于多種遙感植被指數(shù)、葉綠素熒光與CO2通量數(shù)據(jù)的溫帶針闊混交林物候特征對比分析

劉嘯添,周蕾,石 浩,王紹強,3,遲永剛

1 中國礦業(yè)大學(北京)地球科學與測繪工程學院, 北京 100083 2 中國科學院地理科學與資源研究所生態(tài)系統(tǒng)網(wǎng)絡觀測與模擬重點實驗室, 北京 100101 3 中國科學院大學資源與環(huán)境學院, 北京 100190

植被物候?qū)W是研究植物(包括農(nóng)作物)與環(huán)境條件(氣候、水文、土壤)相互作用及其影響機制的學科[1],植被的生長變化特征會影響生態(tài)系統(tǒng)的結(jié)構(gòu)與功能,如葉片面積、光合作用、碳循環(huán)、物種構(gòu)成等[2- 4],這些變化反過來又會影響氣候系統(tǒng),從而加劇氣候變化。在眾多植被類型中,森林植被占地約1.4×105萬hm2,占全球面積的9.4%,儲存了陸地生態(tài)系統(tǒng)76%—98%的有機碳,在調(diào)節(jié)全球碳平衡、維護全球氣候穩(wěn)定等方面具有至關重要的作用[5],因此監(jiān)測森林植被物候并研究其周期性變化規(guī)律具有重要理論意義與應用價值[6]。

衛(wèi)星遙感數(shù)據(jù)能夠在多種尺度上為各類生態(tài)系統(tǒng)提供植被物候的有效信息[7],因此成為森林物候監(jiān)測的主要手段[8]。時間序列的衛(wèi)星遙感觀測數(shù)據(jù),例如MODIS數(shù)據(jù)被廣泛應用于提取植被物候特征的研究中,其中植被指數(shù)產(chǎn)品能夠在較大時空尺度上準確反映植被綠度,如歸一化植被指數(shù)(NDVI)與增強型植被指數(shù)(EVI),因此廣泛應用于植被物候的研究中[9- 11]。盡管MODIS植被指數(shù)被公認為是質(zhì)量較高的植被指數(shù)產(chǎn)品之一[12],但由于計算公式和后處理中的不足[13],植被指數(shù)在物候監(jiān)測中存在著較為明顯的缺陷,如NDVI易受土壤背景、云霧遮擋影響,且在高植被覆蓋度區(qū)存在易飽和問題[14- 15]。EVI雖然改進了反演波段的計算方法使其對植被冠層結(jié)構(gòu)更為敏感,但依然存在殘留氣溶膠的噪聲影響,使植被物候監(jiān)測結(jié)果的不確定性大大提高。

隨著Greenhouse Gases Observing Satellite(GOSAT),Global Ozone Monitoring Experiment 2(GOME- 2), 以及Orbiting Carbon Observatory 2(OCO- 2)等衛(wèi)星的發(fā)射,使得在全球范圍內(nèi)進行SIF數(shù)據(jù)反演并投入到植被物候研究中成為可能[16- 17]。葉綠素熒光作為光合作用的副產(chǎn)物,不局限于葉片表觀顏色的變化觀察,而是監(jiān)測植被內(nèi)在的光合作用過程[6]。Joiner等[17]采用GOSAT SIF與MODIS EVI、NDVI數(shù)據(jù)對全球多處區(qū)域進行植被季節(jié)變化分析,結(jié)果表明SIF與植被指數(shù)具有不同的季節(jié)性以及相對強度變化,且SIF含有獨立于植被指數(shù)的信息。劉新杰等[18]利用GOSAT衛(wèi)星數(shù)據(jù)進行SIF反演并結(jié)合MODIS EVI對我國西北、西南、華北地區(qū)進行物候研究,發(fā)現(xiàn)SIF時間序列曲線較EVI季節(jié)變化更加明顯且相對較早,認為SIF數(shù)據(jù)中含有EVI數(shù)據(jù)無法表現(xiàn)的特殊信息。Walther等[19]采用GOME- 2 SIF以及MODIS NDVI、EVI數(shù)據(jù),對中高緯森林進行物候?qū)Ρ妊芯?發(fā)現(xiàn)3種指數(shù)的季節(jié)變化曲線存在較大差異。由此可見,NDVI、EVI與SIF數(shù)據(jù)在植被物候監(jiān)測上差異較大并對監(jiān)測結(jié)果產(chǎn)生顯著影響。

中國東北地區(qū)森林覆蓋度高,其中以長白山地區(qū)森林植被種類最為豐富且季節(jié)特征明顯,是森林物候研究的理想?yún)^(qū)域[20],且國內(nèi)鮮有利用SIF數(shù)據(jù)對該地區(qū)森林植被進行物候監(jiān)測的研究,因此本文采用目前應用最廣泛的植被指數(shù)MODIS NDVI,EVI以及GOME- 2 SIF數(shù)據(jù),選擇具有中高緯森林代表性的長白山溫帶紅松闊葉林通量站點為研究區(qū)域,對3種指數(shù)的物候特征進行對比分析,并結(jié)合通量站觀測數(shù)據(jù)估算出的總初級生產(chǎn)力(Gross Primary Productivity, GPP)數(shù)據(jù)進行驗證,以探索3種指數(shù)在森林物候研究中的具體特性。

1 研究站點概況

長白山溫帶紅松闊葉林通量觀測站位于吉林省延邊朝鮮族自治州安圖縣二道白河鎮(zhèn)。該站地處長白山自然保護區(qū)內(nèi),地理坐標42°24′9″N,128°05′45″E,海拔高度738 m,屬受季風影響的溫帶大陸性氣候,具有顯著的中緯度山地氣候特征,春季干旱多風,夏季炎熱多雨,冬季干燥寒冷,年平均氣溫3.6℃,年平均降水量713 mm,主要集中在6—8月,全年日照時數(shù)為2271—2503 h,無霜期109—141 d。

長白山的植被具有典型的垂直地帶性,是我國自然生態(tài)系統(tǒng)保存最完整的地區(qū)之一,是擁有大量物種資源的生物基因庫。通量塔下墊面植被為闊葉紅松林,為典型的地帶性植被,主要建群樹種有紅松(Pinuskoraiensis)、椴樹(Tiliatuan)、蒙古櫟(Quercusmongolica)、水曲柳(FraxinusmandshuricaRupr)、色木(AcermonoMaxim)等,平均樹高26 m[21]。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)獲取與預處理

2.1.1 MODIS植被指數(shù)

NDVI、EVI植被指數(shù)產(chǎn)品采用MOD13A2 V006版本,16 d最大值合成,每年23期數(shù)據(jù),空間分辨率1 km,時間范圍2007—2013年。所采用的MODIS遙感產(chǎn)品均來自LP DAAC網(wǎng)站(https://lpdaacsvc.cr.usgs.gov/appeears/)提供的AppEEARS(Application for Extracting and Exploring Analysis Ready Samples)應用。

表1 權值參照表

遙感數(shù)據(jù)由于環(huán)境條件、傳感器精度等多種原因會導致數(shù)據(jù)中含有噪聲影響,因此利用MOD13A2中與每一期數(shù)據(jù)相對應的“Data pixel reliability”數(shù)據(jù)集(表1)以及云掩、陰影、冰雪覆蓋等質(zhì)量文件對NDVI、EVI數(shù)據(jù)進行質(zhì)量控制,剔除掉數(shù)值標識為2、3(冰雪覆蓋或云遮擋)質(zhì)量差的數(shù)據(jù),再結(jié)合質(zhì)量文件對數(shù)據(jù)標識為1的數(shù)據(jù)進行處理,剔除掉存在云掩等噪聲影響的數(shù)據(jù),最后利用線性插值插補數(shù)據(jù)并賦予權值。

從圖1可以看出,經(jīng)過質(zhì)量控制后處于非生長季階段(1—4月,9—12月)的數(shù)據(jù)由于采集條件較差,數(shù)值偏低被剔除,但時間序列數(shù)據(jù)曲線波動依然較大,存在多處異常值,雖然質(zhì)量文件中未顯示有環(huán)境條件的干擾因素,但仍存在傳感器精度、觀測角度等影響,因此需要進一步去除噪聲影響以供后續(xù)分析。

圖1 質(zhì)量控制前后的NDVI、EVI時間序列曲線Fig.1 NDVI, EVI time series curve comparison before and after the quality controNDVI：歸一化植被指數(shù),Normalized Difference Vegetation Index；EVI：增強型植被指數(shù),Enhanced Vegetation Index

2.1.2 葉綠素熒光數(shù)據(jù)

2007—2013年的SIF 數(shù)據(jù)采用K?hler等[22]利用搭載在MetOp-A衛(wèi)星上的GOME- 2[23]測量數(shù)據(jù)中波段范圍740 nm的數(shù)據(jù)反演得到8 d最大值合成,每年46期數(shù)據(jù),空間分辨率0.5°×0.5°的數(shù)據(jù),根據(jù)長白山通量站點坐標提取該站點的SIF時序數(shù)據(jù)并利用殘差平方和進行質(zhì)量控制,高于2(m W m-2sr-1nm-1)的數(shù)據(jù)被剔除并采用線性插值插補。

SIF數(shù)據(jù)的空間分辨較低,國內(nèi)外對于物候研究中SIF數(shù)據(jù)的使用通常將其他數(shù)據(jù)的空間分辨率重采樣為0.5°×0.5°[19,24]?？紤]到本研究是基于通量站點為研究區(qū)域,數(shù)據(jù)的處理計算均以站點為中心,區(qū)域內(nèi)空間同質(zhì)性較好,植被類型一致,參考Joiner等[25]物候研究成果,該研究引入SIF相同尺度的MPI-BGC模型[26]GPP數(shù)據(jù)作為數(shù)據(jù)誤差的分析參照,結(jié)果表明森林站點的SIF數(shù)據(jù)與通量站以及模型GPP值的一致性均較為理想,空間代表性差異的影響存在但可接受,故在本文中為了盡可能保證遙感數(shù)據(jù)與通量數(shù)據(jù)的空間代表性一致,保留了遙感數(shù)據(jù)的原始空間分辨率。

2.1.3 通量數(shù)據(jù)

總初級生產(chǎn)力(GPP)是植被單位時間內(nèi)通過光合作用吸收太陽光能產(chǎn)生有機物的總量,又稱總第一性生產(chǎn)力[27],能夠直接且準確地反映植被生長狀態(tài)。

通量觀測以較高的時間頻率連續(xù)測量地表植被與大氣間二氧化碳、水汽以及能量的交換,提供了植被精確的代謝活動數(shù)據(jù),高度連續(xù)的觀測數(shù)據(jù)也更加準確地反映出植被生長季的起止等關鍵物候時間點。同時,長白山溫帶紅松闊葉林通量觀測站數(shù)據(jù)采集源區(qū)基本在1 km2左右,與季節(jié)更替和大氣條件穩(wěn)定與否相關,總體上與MODIS植被指數(shù)產(chǎn)品空間分辨率一致[28]。因此使用通量觀測直接獲取的凈生態(tài)系統(tǒng)碳交換量(NEE)并估算生態(tài)系統(tǒng)呼吸(Re)計算出的GPP,常作為“真值”檢驗遙感地面反演模型的結(jié)果[29]。

由于通量數(shù)據(jù)存在觀測條件不滿足相關假設與傳感器標定問題,渦流的隨機性與傳感器內(nèi)部的噪聲問題等,因此需要對通量觀測數(shù)據(jù)進行坐標軸旋轉(zhuǎn)、WPL校正和儲存項校正以消除地形、 空氣水熱傳輸和觀測高度對于觀測數(shù)據(jù)的影響[30]。由于夜間大氣層結(jié)構(gòu)穩(wěn)定導致夜間觀測到的CO2交換通量存在不能反映真實交換通量的可能性,因此需要對夜間湍流較弱情況下的數(shù)據(jù)進行U*剔除并對天氣異常、 電力不穩(wěn)定以及蟲禽干擾等造成的錯誤數(shù)據(jù)進行剔除[31]。

在進行數(shù)據(jù)的校正和插補后,將每日每半小時間隔的連續(xù)觀測數(shù)據(jù)加和得到2003—2010年逐日的GPP時間序列數(shù)據(jù)(圖2)。

圖2 長白山站2003—2010年GPP季節(jié)變動曲線圖Fig.2 Seasonal variation of GPP in Changbai Mountain station for 2003—2010

通量數(shù)據(jù)在本文中作為驗證數(shù)據(jù),被當做植被物候的客觀“真值”曲線,由于時間分辨率越高,植被的物候曲線會保留更多植被生長變化的細節(jié),提供更符合植被真實生長狀態(tài)的物候信息,因此并未對GPP進行8 d的最大值合成而是計算成每日的通量數(shù)據(jù)并應用到物候曲線分析中。

2.2 物候特征參數(shù)提取

本研究中采用模型擬合結(jié)合動態(tài)閾值法進行物候參數(shù)提取,并在TIMESAT軟件3.2版本完成,選擇生長季開始時間(start of growth season, SOS)、生長季結(jié)束時間(end of growth season, EOS),生長季長度(length of growth season, LOS),季節(jié)中點(time for the mid of the season)4個參數(shù),并統(tǒng)計時序數(shù)據(jù)的最大值時間點進行物候分析。

2.2.1 數(shù)據(jù)異常值處理

經(jīng)過預處理之后,數(shù)據(jù)仍存在著明顯的異常點,必然會影響擬合后的曲線形態(tài)和精確度,因此需要利用TIMESAT進行異常值處理。

本文選擇利用STL(Seasonal and Trend decomposition using Loess)分解法結(jié)合數(shù)據(jù)權值文件的方式對3種指數(shù)進行異常值處理。STL分解法是以魯棒局部加權回歸作為平滑方法的時間序列分解方法,其中Loess(locally weighted scatterplot smoothing)為局部多項式回歸擬合[32],與原始權值文件結(jié)合使用可更好地考慮到數(shù)據(jù)特性。經(jīng)過異常值處理后3種指數(shù)的時間序列曲線形態(tài)得到明顯改善,去除生長季與非生長季的異常值。由于SIF是每年46期數(shù)據(jù)而MODIS植被指數(shù)為每年23期數(shù)據(jù),因此曲線形態(tài)上SIF變化更加細致。三種指數(shù)異常值處理前后曲線對比如圖3所示,紅色虛線為處理后剔除掉的異常值部分。

圖3 3種指數(shù)時間序列曲線處理前后對照圖Fig.3 Three time series curve before and after the processing comparison SIF：葉綠素熒光,chlorophyll fluorescence

2.2.2 擬合模型選擇與物候特征參數(shù)提取

TIMESAT 3.2中共提供了3種擬合模型,考慮到模型的構(gòu)建原理與適用性,針對D-L擬合(Double logistic functions)與S-G濾波(Adaptive Savitzky-Golay filtering)通過式1計算Pearson相關系數(shù),并繪制3種數(shù)據(jù)生長季數(shù)據(jù)點的殘差箱線圖比較兩種方法保持原時間序列曲線整體形態(tài)和高質(zhì)量點的能力。

(1)

圖4 3種指數(shù)擬合前后曲線相關系數(shù) Fig.4 Correlation coefficients of three indices fitting curves

根據(jù)圖4和圖5所示,D-L擬合法在擬合前后曲線相關系數(shù)上明顯更具優(yōu)勢,只在SIF數(shù)據(jù)上略低于S-G濾波,但也達到了0.955,其它兩種數(shù)據(jù)分別為0.977和0.966,很好地保留了原時間序列曲線的整體特征。在生長季高質(zhì)量數(shù)據(jù)點的偏差分布上,D-L模型處理后整體偏差較小且分布更為均勻集中,表明在較好地保留高質(zhì)量數(shù)據(jù)點的同時也使得曲線更加平滑。

圖5 3種指數(shù)擬合前后殘差箱線圖(只保留生長季(4—9月)高質(zhì)量數(shù)據(jù)點)Fig.5 Residual box chart of three indices after function fitting (only retain the high quality data points in the growing season(4—9 months))

經(jīng)過對兩種擬合模型對比后,選擇效果更為理想的D-L模型并結(jié)合動態(tài)閾值法(式2)提取物候特征參數(shù)。

indext=(indexmax-indexmin)×20%

(2)

式中,indexmax代表該指數(shù)一年中數(shù)據(jù)最大值,indexmin代表最小值,取兩者振幅的20%作為生長季開始/結(jié)束的閾值,indexmax左側(cè)曲線高于indext時即為進入生長季,右側(cè)低于indext則為生長季結(jié)束。

指數(shù)生長季中點時間根據(jù)曲線左端和右端分別增長/減少至80%幅度的時間點取均值得到(式3),并統(tǒng)計每年達到生長最大值時間點。

tmid=average(tl,80%,tr,80%)

(3)

式中,tmid為生長季中點時間,tl,80%和tr,80%分別為曲線左端和右端分別增長/減少至80%幅度的時間點。

3 結(jié)果

3.1 3種指數(shù)時間序列曲線整體特征

3種數(shù)據(jù)的7年時間序列曲線呈現(xiàn)明顯的季節(jié)性變化且整體變化一致(圖 6),曲線為單峰形態(tài),非生長季階段的曲線受限于數(shù)據(jù)質(zhì)量等原因數(shù)據(jù)波動明顯大于生長季,且冬季曲線數(shù)值均高于0。

植被指數(shù)時序直接反映了植被綠度的季節(jié)性變化并間接表現(xiàn)出植物光合作用的強弱及其季節(jié)和年際差異。NDVI年均值在0.51—0.57,7年數(shù)據(jù)標準差為0.24,EVI年均值為0.29—0.31,7年數(shù)據(jù)標準差為0.17,NDVI相較于EVI整體數(shù)值偏高,同期數(shù)據(jù)近2倍于EVI。NDVI曲線非生長季存在較大波動,有多處異常峰值,而EVI在相同時間段內(nèi)曲線更加平滑,整體分布更加集中,尤其是生長季階段相較NDVI曲線波峰較寬且平坦的形態(tài),EVI生長季波峰表現(xiàn)為 “尖峰”形態(tài),更加準確反映植被生長季的變化特征。

NDVI與EVI時序曲線的生長季形態(tài)大致對稱,最大值基本在生長季峰期的中間位置,而SIF時序曲每一年的生長季最大值時間要早于生長季峰期的時間中點,較早達到生長峰值,之后迅速衰減進入衰老期,這也是SIF數(shù)據(jù)與MODIS 兩種植被指數(shù)相比最明顯的區(qū)別。

圖6 2007—2013年3種指數(shù)時間序列曲線對比Fig.6 Comparison of three time series curve for 2007—2013

圖7 3種指數(shù)7年均值時間序列曲線 Fig.7 The time series curve mean values of three indices averaged by seven years

計算3種指數(shù)2007—2013年間7年時間序列數(shù)據(jù)均值得到圖7中年均值時間序列曲線,NDVI明顯區(qū)別于另外兩種數(shù)據(jù),在3月底便進入快速增長階段,直至8月初才逐步開始衰減,形成平坦且較長的生長季峰期形態(tài),10月初逐漸下降并趨于平穩(wěn)。而EVI與SIF曲線的變化趨勢基本一致,均在4月末開始快速上升,但SIF曲線在6月中旬便較早到達生長季峰值,之后迅速衰減,兩者曲線在7月中旬逐漸重合,EVI稍滯后于SIF,9月末結(jié)束衰減過程并趨于穩(wěn)定。

3.2 3種指數(shù)物候特征參數(shù)對比分析

3種數(shù)據(jù)在時間序列曲線形態(tài)上有較大差別,得到的物候參數(shù)差異較大。如表2所示,生長季的開始時間上,NDVI早于另兩種數(shù)據(jù),在部分年份比SIF早近1個月的時間,EVI與NDVI相差較小,只在2007年有近16 d的差別,其余年份基本一致。生長季結(jié)束時間上,NDVI平均晚于SIF 1個月左右,與EVI差值最小值在6 d左右,最大值(2013年)達到了25 d。在生長季的持續(xù)時間上,同樣是NDVI>EVI>SIF,在部分年份NDVI得到的LOS近2倍于SIF得到的LOS,顯示出了巨大的差異性。

由圖8可以清晰看出,SIF數(shù)據(jù)的季節(jié)峰值時間點明顯早于MODIS數(shù)據(jù),同時也早于SIF數(shù)據(jù)的季節(jié)中點,而MODIS數(shù)據(jù)的峰值點與季節(jié)中點則更為接近。由于季節(jié)峰值時間點是根據(jù)每一期數(shù)據(jù)統(tǒng)計得到,因此受限于數(shù)據(jù)采集的時間跨度無法同季節(jié)中點(計算得出)一樣精確,因此此處分析認為季節(jié)峰值時間點與季節(jié)中點相差在一個數(shù)據(jù)期數(shù)內(nèi)就代表時間基本一致。基于這種判斷,MODIS 數(shù)據(jù)的季節(jié)中點與季節(jié)峰值時間點基本在同一時間,而SIF數(shù)據(jù)表現(xiàn)為季節(jié)峰值時間點早于季節(jié)中點約2—3個數(shù)據(jù)周期。

表2 3種指數(shù)的物候特征參數(shù)

NDVI：歸一化植被指數(shù),Normalized Difference Vegetation Index；EVI：增強型植被指數(shù),Enhanced Vegetation Index；SIF：葉綠素熒光,chlorophyll fluorescence;SOS：生長季開始時間,start of growth season；EOS：生長季結(jié)束時間,end of growth season；LOS:生長季長度,length of growth season

圖8 3種指數(shù)生長季峰值與時間中點對比圖 Fig.8 The peak value in growing season and the midpoint of three indices 圖中曲線為3種數(shù)據(jù)的季節(jié)峰值時間點的擬合曲線

以上提取的物候參數(shù)反映出了NDVI、EVI與SIF數(shù)據(jù)物候監(jiān)測結(jié)果的較大差異,植被綠度在葉綠素還未進入活躍期時便已開始發(fā)生明顯變化,且變化幅度為對稱形態(tài)。而葉綠素的高強度活動周期更加集中和短促,在植被進入到生長季之后迅速達到最旺盛的狀態(tài),而后快速衰減。植被葉片的生長也在葉綠素光合作用達到峰值后進入到生長最快速的階段,之后在植被仍維持一定的綠度時光合作用的活躍期結(jié)束。

3.3 3種指數(shù)監(jiān)測森林物候能力的比較

利用2003—2010年間7年間通量站點的GPP逐日數(shù)據(jù)對同時段內(nèi)的NDVI、EVI、SIF得到的物候監(jiān)測結(jié)果進行驗證。

圖9中清晰地顯示出3種指數(shù)與GPP之間的變化關系。NDVI曲線與GPP數(shù)據(jù)差異較大,著重體現(xiàn)在NDVI監(jiān)測到的生長季明顯要長于GPP監(jiān)測的生長季,在非生長季與GPP數(shù)據(jù)也出現(xiàn)了較大偏差。EVI相較于NDVI則有較大改善,整體上較為符合GPP數(shù)據(jù)的變化趨勢,但非生長季數(shù)值明顯偏高,無法捕捉生長季中植被快速生長時的變化細節(jié)。SIF曲線形態(tài)與GPP之間存在良好的相關性,不僅與GPP數(shù)據(jù)點基本重合,且在生長季期間很好地反映出植被GPP數(shù)值的變化細節(jié),總體偏差較小。

圖9 2007—2010年MODIS植被指數(shù)(NDVI、EVI)、SIF時間序列曲線與GPP對比圖Fig.9 Comparison of MODIS vegetation index(NDVI, EVI) and SIF time series curve with GPP for 2007—2010

圖10中,4種數(shù)據(jù)的年均值曲線圖也反映出了上述特點,SIF曲線依然是與GPP最為吻合的曲線,而MODIS植被指數(shù)雖然在整體趨勢上也保持了與GPP相同的變化過程,但偏差較大,存在著約1個月左右的時間偏差。綜合圖9圖10中的曲線對比關系,SIF顯示出與植被GPP數(shù)據(jù)最好的匹配關系,但SIF曲線依然出現(xiàn)了早于GPP開始衰減的趨勢,這也是SIF曲線與其他數(shù)據(jù)相比的一個特性。

圖10 4種數(shù)據(jù)年均值時間序列曲線圖Fig.10 Time series curves of mean value of NDVI, EVI, SIF and GPP

4 討論

4.1 NDVI與EVI時間序列曲線的差異

EVI在計算公式中引用藍波段并針對殘留氣溶膠的后處理改善了NDVI的不足,使兩種指數(shù)在物候曲線產(chǎn)生了較大差異[33]。NDVI生成算法中只采用了紅光和近紅外兩種波段,當植被覆蓋度較高時,植被葉片中的葉綠素使紅光波段很快趨于飽和,加之算法本身為非線性增長函數(shù),導致高植被覆蓋度時出現(xiàn)飽和效應,低植被覆蓋度時數(shù)值易偏高夸大曲線振幅[34],因此曲線呈現(xiàn)出較早開始上升,生長季較長且平坦。而NDVI后處理中對大氣校正的不徹底導致水汽、氣溶膠殘留,因此在長白山站點春冬季存在冰雪覆蓋的情況下,更易受到云霧遮掩,冰雪覆蓋影響[35],使得非生長季期間出現(xiàn)較大的起伏以及多處異常峰值。

4.2 SIF與植被指數(shù)的差異

相比反映植被綠度的植被指數(shù),通過探測植被光合作用發(fā)射的熒光信號,快速、無損傷反映植被光合作用特征的葉綠素熒光,則成為了監(jiān)測植被對光能利用情況的“探針”[36- 37]同時也可以很好反映植被的生長狀態(tài)。

SIF與植被指數(shù)之間的差異主要體現(xiàn)在兩個方面。在本研究中,SIF物候曲線明顯晚于兩種植被指數(shù)進入生長季,且較早結(jié)束,大約在4月末開始,9月末結(jié)束。劉新杰等[18]對我國西北、西南、華北地區(qū)進行物候研究的結(jié)果顯示SIF高值通常在4—5月期間,而MODIS數(shù)據(jù)高值通常出現(xiàn)在7—9月。本文中SIF的高值出現(xiàn)時間大致為6—7月,植被指數(shù)高值出現(xiàn)時間大致為7—9月,與劉新杰等的研究具有相似的規(guī)律性,即SIF要早于MODIS植被指數(shù)達到生長季峰期水平,但SIF峰期提前的時間與本文存在1—2個月的差異?？紤]到該研究中的3處區(qū)域中,西北區(qū)與本文差值最小,西南最大,因此水熱條件越充足,植被的SIF曲線到達峰期的時間就越早。Walther等[19]對北美中高緯落葉林進行物候研究并對比了MODIS NDVI,EVI,GOME- 2 SIF數(shù)據(jù),研究結(jié)果與本文總體一致,SIF在4月初快速增長,5月末達到最大值,7—9月緩慢下降并逐步進入秋季快速衰減階段。植被指數(shù)的EOS晚于SIF的情況,通常是反映植被綠度變化的指數(shù)共有的問題,因為在植被進入秋季衰老期后,植被光合作用雖然大幅度減弱并趨于停止,但葉片綠度并不會迅速反映這種改變而是存在一個漸變過程,且衛(wèi)星信號通常會被衰老死亡但未凋落的葉片影響,因此相較于SIF的秋季衰減NDVI、EVI均存在一個滯后過程[38]。

SIF在夏季生長季會出現(xiàn)早于植被指數(shù)的快速下降,Yang等[39]利用攝像機與MODIS圖像進行林冠測量時提到過這種現(xiàn)象,Walther等[19]利用GOME- 2反演的SIF數(shù)據(jù)對中高緯森林進行物候研究時也發(fā)現(xiàn)北美的多處落葉闊葉林以及部分混交林出現(xiàn)這種情況。產(chǎn)生這種現(xiàn)象的原因,Wilson等[40]提出夏季氮元素分配的改變導致光合作用中一種可能有重要作用的Rubisco酶發(fā)生了改變。Bauerle等[41]通過實驗提出是光周期的調(diào)節(jié)使得光合作用在夏季驟降。本文研究中發(fā)現(xiàn)SIF曲線夏季驟降只在落葉林以及混交林中出現(xiàn),且時間點在夏至日前后[25]。對于北半球的中高緯地區(qū)來說,夏至日前后太陽高度角達到一年中最大值,氣溫開始升高,氣候?qū)W上以每5 d的平均氣溫高于22℃的始日作為夏季開始,并伴有頻繁降雨天氣[42]。綜合以上兩點,落葉林(以及如本文中具有明顯落葉林特性的混交林)的生長習性使其在春季復蘇期會吸收更多的二氧化碳進行光合作用以生出大量新葉[43],在這過程中光合作用強度迅速增大。但隨著夏至日前后光照強度與時長的增加、溫度的升高,使葉綠素的光合作用受到抑制[44],因此伴隨光合作用強度的下降SIF也表現(xiàn)出在夏季迅速衰減的特性。

4.3 3種指數(shù)與通量站GPP數(shù)據(jù)的關系

GPP是表征植被通過光合作用產(chǎn)生有機物與能量總和的生物變量,通量塔高時間頻率的日觀測數(shù)據(jù)計算得到的GPP數(shù)據(jù)對植被的生長狀態(tài)具有非常高的代表性[45]。GPP與SIF之間的季節(jié)變化相關性已在多種植被類型上被驗證[24,46- 47]。Yang等[48]更是指出SIF數(shù)據(jù),包括衛(wèi)星與地面兩種獲取方式,在落葉林類型上與通量塔GPP存在每日和季節(jié)性的強關聯(lián)。本文的研究中SIF曲線雖然存在夏季驟降現(xiàn)象,但依然顯示出了與通量站GPP數(shù)據(jù)的良好一致性,Bauerle[41]等通過試驗證實這種變化與葉片光合作用的季節(jié)變化一致。這種下降并未使得GPP出現(xiàn)明顯的下降,說明雖然光合作用的強度受到抑制,但產(chǎn)生的有機物總量卻沒有受到較大干擾,考慮到SIF強度與光能利用率(LUE)之間存在可靠負相關關系[49],因此本文推測SIF雖然快速下降,但葉綠素利用太陽輻射進行光合作用的效率卻得到了提升,因此GPP并未出現(xiàn)明顯下降。植被指數(shù)的局限性導致與GPP之間存在明顯偏差,EVI相比于NDVI與GPP吻合程度更高一些,雖然無法很好捕捉植被生長變化的特征細節(jié),但對于季節(jié)性變化較大的森林類型,憑借葉片的物候特征與二氧化碳吸收具有強關聯(lián),因此也可以用來監(jiān)測GPP的季節(jié)變化[50]。

5 結(jié)論

本文以長白山針闊混交林站點為研究區(qū)域,采用MODIS NDVI、EVI與GOME- 2 SIF數(shù)據(jù),利用數(shù)據(jù)擬合與動態(tài)閾值法提取物候特征參數(shù),并對比分析3種數(shù)據(jù)在森林植被物候監(jiān)測上的區(qū)別與各自特性,最后利用通量站GPP數(shù)據(jù)進行驗證。

研究結(jié)果表明,NDVI受限于計算公式和后處理中的不足使得噪聲影響明顯,在非生長季數(shù)據(jù)起伏波動最大,生長季出現(xiàn)飽和現(xiàn)象,與GPP數(shù)據(jù)也存在較大差異。EVI曲線更加平滑規(guī)律且與GPP匹配程度更好,但秋季衰減時間稍晚于GPP數(shù)據(jù)。SIF雖然存在波動但總體較小,季節(jié)變化趨勢明顯,與GPP季節(jié)變化基本一致,較好反映了植被生長的變化特征,但受夏至日前后光照強度和溫度升高影響出現(xiàn)夏季驟降現(xiàn)象。

結(jié)合以上研究結(jié)果,植被指數(shù)對于植被綠度的監(jiān)測雖然憑借生長過程中與二氧化碳通量變化的關聯(lián)可以一定程度上監(jiān)測GPP的季節(jié)變化反映植被的生長狀態(tài),但受限于計算與后處理方式、植被的季節(jié)變化幅度等,在關鍵物候時間上普遍存在提前和滯后現(xiàn)象。SIF與GPP具有良好一致性,可以較好反映植被的生長過程并精確捕捉植被光合作用的變化細節(jié)。但反演SIF熒光波段的選擇,后處理中質(zhì)量控制的方法都會影響數(shù)據(jù)在物候研究中的參考性,并且SIF的變化與多種植被參量(APAR,LUE等)的關系依然不夠明確,因此對于SIF變化細節(jié)的研究依然是亟待解決的問題。

致謝：LP DAAC網(wǎng)站(https://lpdaacsvc.cr.usgs.gov/appeears/)提供MODIS 植被指數(shù)時間序列數(shù)據(jù),K?hler等反演GOME- 2 SIF數(shù)據(jù)(ftp://ftp.gfz-potsdam.de/home/mefe/GlobFluo/),中國生態(tài)系統(tǒng)網(wǎng)絡(CERN)提供長白山溫帶紅松闊葉林通量站長期觀測數(shù)據(jù),特此致謝。

參考文獻(References):

[1] 李榮平, 周廣勝, 張慧玲. 植物物候研究進展. 應用生態(tài)學報, 2006, 17(3): 541- 544.

[2] 夏傳福, 李靜, 柳欽火. 植被物候遙感監(jiān)測研究進展. 遙感學報, 2013, 17(1): 1- 16.

[3] Walther G R, Post E, Convey P, Menzel A, Parmesan C, Beebee T J, Fromentin J M, Hoegh-Guldberg O, Bairlein F. Ecological responses to recent climate change. Nature, 2002, 416(6879): 389- 395.

[4] Richardson A D, Anderson R S, Altaf Arain M, Barr A G, Bohrer G, Chen G S, Chen J M, Ciais P, Davis K, Desai A R, Dietze M C, Dragoni D, Garrity S R, Gough C M, Grant R, Hollinger D Y, Margolis H A, McCaughey H, Migliavacca M, Monson R K, Munger J W, Poulter B, Raczka B M, Ricciuto D M, Sahoo A K, Schaefer K, Tian H Q, Vargas R, Verbeeck H, Xiao J F, Xue Y K. Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program site synthesis. Global Change Biology, 2012, 18(2): 566- 584.

[5] 廖亮林, 周蕾, 王紹強, 汪小欽. 2005- 2013年中國新增造林植被生物量碳庫固碳潛力分析. 地理學報, 2016, 71(11): 1939- 1947.

[6] Tang J W, K?rner C, Muraoka H, Piao S L, Shen M G, Thackeray S J, Yang X. Emerging opportunities and challenges in phenology: a review. Ecosphere, 2016, 7(8): e01436.

[7] Yang X, Mustard J F, Tang J W, Xu H. Regional-scale phenology modeling based on meteorological records and remote sensing observations. Journal of Geophysical Research, 2012, 117(G3): G03029.

[8] 阮蘭君, 楊燕瓊. 遙感在森林生物量監(jiān)測的應用. 林業(yè)與環(huán)境科學, 2016, 32(2): 94- 98.

[9] Zhang X Y, Goldberg M D. Monitoring fall foliage coloration dynamics using time-series satellite data. Remote Sensing of Environment, 2011, 115(2): 382- 391.

[10] Hmimina G, Dufrêne E, Pontailler J Y, Delpierre N, Aubinet M, Caquet B, Grandcourt A D, Burban B, Flechard C, Granier A, Gross P, Heinesch B, Longdoz B, Moureaux C, Ourcival J M, Rambal S, André L S, Soudani K. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements. Remote Sensing of Environment, 2013, 132(6): 145- 158.

[11] Melaas E K, Friedl M A, Zhu Z. Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM + data. Remote Sensing of Environment, 2013, 132: 176- 185.

[12] 安佑志. 基于遙感的中國北部植被NDVI和物候變化研究[D]. 上海: 華東師范大學, 2014: 1- 2.

[13] 于信芳, 莊大方. 基于MODIS NDVI數(shù)據(jù)的東北森林物候期監(jiān)測. 資源科學, 2006, 28(4): 111- 117.

[14] Balzarolo M, Vicca S, Nguy-Robertson A L, Bonal D, Elbers J A, Fu Y H, Grünwald T, Horemans J A, Papale D, Peuelas J, Suyker A, Veroustraete F. Matching the phenology of Net Ecosystem Exchange and vegetation indices estimated with MODIS and FLUXNET in-situ observations. Remote Sensing of Environment, 2016, 174: 290- 300.

[15] 馬新萍, 白紅英, 賀映娜, 秦進. 基于NDVI的秦嶺山地植被遙感物候及其與氣溫的響應關系——以陜西境內(nèi)為例. 地理科學, 2015, 35(12): 1616- 1621.

[16] Zarco-Tejada P J, Pushnik J C, Dobrowski S, Ustin S L. Steady-state chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects. Remote Sensing of Environment, 2003, 84(2): 283- 294.

[17] Joiner J, Yoshida Y, Vasilkov A P, Yoshida Y, Corp L A, Middleton E M. First observations of global and seasonal terrestrial chlorophyll fluorescence from space. Biogeosciences, 2011, 8(3): 637- 651.

[18] Liu X J, Liu L Y. Retrieval of chlorophyll fluorescence from GOSAT TANSO — FTS data based on weighted least square fitting. Journal of Remote Sensing, 2013, 17(6): 1518- 1532.

[19] Walther S, Voigt M, Thum T, Gonsamo A, Zhang Y G, K?hler P, Jung M, Varlagin A, Guanter L. Satellite chlorophyll fluorescence measurements reveal large‐scale decoupling of photosynthesis and greenness dynamics in boreal evergreen forests. Global Change Biology, 2016, 22(9): 2979- 2996.

[20] 侯學會, 牛錚, 高帥. 近十年中國東北森林植被物候遙感監(jiān)測. 光譜學與光譜分析, 2014(2): 515- 519.

[21] ChinaFLUX. http://www.chinaflux.org/.

[22] K?hler P, Guanter L, Joiner J. A linear method for the retrieval of sun-induced chlorophyll fluorescence from GOME- 2 and SCIAMACHY data. Atmospheric Measurement Techniques, 2015, 8(6): 2589- 2608.

[23] Munro R, Anderson C, Callies J, Eisinger M, Corpaccioli E, Lang R, Lefebvre A, Livschitz J, Albinana A P. GOME- 2 on MetOp//Proceedings of the 2006 Atmospheric Science Conference. Frascati, Italy: European Space Agency, 2006.

[24] Frankenberg C, Fisher J B, Worden J, Badgley G, Saatchi S S, Lee J E, Toon G C, Butz A, Jung M, Kuze A, Yokota T. New global observations of the terrestrial carbon cycle from GOSAT: Patterns of plant fluorescence with gross primary productivity. Geophysical Research Letters, 2011, 38(17): 351- 365.

[25] Joiner J, Yoshida Y, Vasilkov A P, Schaefer K, Jung M, Guanter L, Zhang Y, Garrity S, Middleton E M, Huemmrich K F, Gu L, Marchesini L B. The seasonal cycle of satellite chlorophyll fluorescence observations and its relationship to vegetation phenology and ecosystem atmosphere carbon exchange. Remote Sensing of Environment, 2014, 152: 375- 391.

[26] Jung M, Reichstein M, Margolis H A, Cescatti A, Richardson A D, Arain M A, Arneth A, Bernhofer C, Bonal D, Chen J Q, Gianelle D, Gobron N, Kiely G, Kutsch W, Lasslop G, Law B E, Lindroth A, Merbold L, Montagnani L, Moors E J, Papale D, Sottocornola M, Vaccari F, Williams C. Global patterns of land‐atmosphere fluxes of carbon dioxide, latent heat, and sensible heat derived from eddy covariance, satellite, and meteorological observations. Journal of Geophysical Research, 2011, 116(G3): 245- 255.

[27] 徐博軒, 陳報章, 許光,等. 基于葉面積指數(shù)估算植被總初級生產(chǎn)力. 生態(tài)學報, 2016, 36(12): 3546- 3555.

[28] 趙曉松, 關德新, 吳家兵, 金昌杰, 韓士杰. 長白山闊葉紅松林通量觀測的footprint及源區(qū)分布. 北京林業(yè)大學學報, 2005, 27(3): 17- 23.

[29] 莊金鑫. 渦動相關通量觀測計算及其不確定性分析[D]. 北京: 中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所, 2013: 3- 10.

[30] Liu Y F, Yu G R, Wen X F, Wang Y H, Song X, Li J, Sun X M, Yang F T, Chen Y R, Liu Q J. Seasonal dynamics of CO2fluxes from subtropical plantation coniferous ecosystem. Science in China Series D: Earth Sciences, 2006, 49(S2): 99- 109.

[31] 黃昆, 王紹強, 王輝民,等. 中亞熱帶人工針葉林生態(tài)系統(tǒng)碳通量拆分差異分析. 生態(tài)學報, 2013, 33(17): 5252- 5265.

[32] Cleveland R B, Cleveland W S. STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 1990, 6(1): 3- 33.

[33] Shen M G, Tang Y H, Desai A R, Gough C, Chen J. Can EVI-derived land-surface phenology be used as a surrogate for phenology of canopy photosynthesis? International Journal of Remote Sensing, 2014, 35(3): 1162- 1174.

[34] 李文梅, 譚志豪, 李文娟, 楊強. MODIS NDVI與MODIS EVI的比較分析. 遙感信息, 2010,(6): 73- 78.

[35] 崔凱. 基于遙感技術的作物物候監(jiān)測方法及動態(tài)變化分析研究[D]. 長沙: 中南大學, 2012: 33- 35.

[36] Cheng Z. Estimating light-use efficiency by the separated Solar-induced chlorophyll fluorescence from canopy spectral data. Journal of Remote Sensing, 2010, 14(2): 356- 371.

[37] Schreiber U, Bilger W, Neubauer C. Chlorophyll fluorescence as a non-destructive indicator for rapid assessment of in vivo photosynthesis. Ecological Studies, 1994, 100(1): 49- 70.

[38] Gonsamo A, Chen J M, Price D T, Kurz W A, Wu C Y. Land surface phenology from optical satellite measurement and CO2eddy covariance technique. Journal of Geophysical Research, 2015, 117(G3): 1472- 1472.

[39] Yang X, Tang J W, Mustard J F. Beyond leaf color: comparing camera-based phenological metrics with leaf biochemical, biophysical, and spectral properties throughout the growing season of a temperate deciduous forest. Journal of Geophysical Research, 2014, 119(3), 181- 191.

[40] Wilson K B, Baldocchi D D, Hanson P J. Spatial and seasonal variability of photosynthetic parameters and their relationship to leaf nitrogen in a deciduous forest. Tree Physiology, 2000, 20(9), 565- 578.

[41] Bauerle W L, Oren R, Way D A, Qian S S, Stoy P C, Thornton P E, Bowden J D, Hoffman F M, Reynolds R F. Photoperiodic regulation of the seasonal pattern of photosynthetic capacity and the implications for carbon cycling. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(22): 8612- 8617.

[42] Wikipedia. Summer solstice.(2017-05- 18). https://en.wikipedia.org/wiki/Summer_solstice.

[43] 夏富才, 潘春芳, 趙秀海. 溫帶落葉林的植物物候特征及其對氣候變化的響應. 生態(tài)環(huán)境學報, 2012, 21(5): 793- 799.

[44] 李曉, 馮偉, 曾曉春. 葉綠素熒光分析技術及應用進展. 西北植物學報, 2006, 26(10): 2186- 2196.

[45] Guanter L, Frankenberg C, Dudhia A, Lewis P E, Gómez-Dans J, Kuze A, Suto H, Grainger R G. Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements. Remote Sensing of Environment, 2012, 121: 236- 251.

[46] Lee J E, Frankenberg C, Tol C V D, Berry J A, Guanter L, Boyce C K, Fisher J B,Morrow E, Worden J R, Asefi S, Badgley G, Saatchi S. Forest productivity and water stress in Amazonia: observations from GOSAT chlorophyll fluorescence. Proceedings of the Royal Society B Biological Sciences, 2013, 280(1761): 176- 188.

[47] Parazoo N C, Bowman K, Frankenberg C, Lee J E, Fisher J B, Worden J, Jones D B A, Berry J, Collatz G J, Baker I T, Jung M, Liu J J, Osterman G, O′Dell C, Sparks A, Butz A, Guerlet S, Yoshida Y, Chen H L, Gerbig C. Interpreting seasonal changes in the carbon balance of southern Amazonia using measurements of XCO2and chlorophyll fluorescence from GOSAT. Geophysical Research Letters, 2013, 40(11): 2829- 2833.

[48] Yang X, Tang J W, Mustard J F, Lee J E, Rossini M, Joiner J, Munger J W, Kornfeld A, Richardson A D. Solar-induced chlorophyll fluorescence that correlates with canopy photosynthesis on diurnal and seasonal scales in a temperate deciduous forest. Geophysical Research Letters, 2015, 42(8): 2977- 2987.

[49] Cheng Z H, Liu L Y. Estimating light-use efficiency by the separated Solar-induced chlorophyll fluorescence from canopy spectral data. Journal of Remote Sensing, 2010, 14(2): 364- 370.

[50] Hadley J L, O′Keefe J, Munger J W, Hollinger D Y, Richardson A D. Phenology of forest-atmosphere carbon exchange for deciduous and coniferous forests in southern and northern New England//Noormets A, ed. Phenology of Ecosystem Processes. New York, NY: Springer, 2009: 119- 141.