日光诱导叶绿素荧光对亚热带常绿针叶林物候的追踪

周 蕾,迟永刚,刘啸添,戴晓琴,杨风亭

1 浙江师范大学地理与环境科学学院,金华 321004 2 中国科学院地理科学与资源研究所,生态系统网络观测与模拟重点实验室, 北京 100101 3 中国资源卫星应用中心,北京 100830

常绿针叶林占全球森林面积的26.9%[1],占中国森林面积的45%[2],在森林固碳中发挥着重要的作用[3]。植被物候是森林对气候变化响应的关键因子,同时是碳水循环变化调节气候的驱动力[4]。由于植被光合作用是调节全球碳循环最重要的过程,植被物候表征了光合能力与叶片季节性出现和消亡的紧密联系[5]。目前基于多种遥感信息的陆表物候监测(LSP, Land surface phenology)[6]可以较好地捕捉落叶林物候期[7],但是由于常绿针叶林冠层绿度的季节变动较弱,辨识常绿针叶林的季节变动时期仍旧存在巨大的挑战[8]。

遥感日光诱导叶绿素荧光(SIF, Sun-induced chlorophyll fluorescence)表现为光合作用更加可靠的替代因子,用于监测大尺度植被物候[7,9-10]。传统陆表物候监测主要通过反射率估算的植被指数(VI, Vegetation index), 例如归一化植被指数NDVI(Normalized difference vegetation index)和增强型植被指数EVI(Enhanced vegetation index)[11-12],仍旧存在着较大的不确定性,这主要归因于积雪对植被指数信号的影响以及常绿森林冠层绿度季节变动的捕捉[9,13-15]。随着遥感技术的飞速发展,卫星SIF提供了不同于植被绿度信息的生理功能的新视角,在植被物候监测方法发挥着重要的优势[9-10]。叶片叶绿素吸收光能量后有3种途径：光化学淬灭(PQ, Photochemical quenching)、非光化学淬灭(NPQ, Non-photochemical quenching)以及SIF[16]。总初级生产力GPP(Gross primary productivity)和SIF通常可以用吸收的光合有效辐射和光能利用率或者荧光产量的乘积来表达[17-18]。因此,植被SIF与GPP存在显著的相关性[19],可以从叶片[20]、冠层[7,21]和生态系统[22- 24]等多种尺度上印证,同时覆盖GOSAT (Greenhouse gases observing satellite)[22-23]、GOME- 2 (Global ozone monitoring experiment- 2)[25]和OCO- 2 (Orbiting carbon observatory 2)[10,26]等多种卫星数据。SIF-GPP的相关性理论促进了基于SIF的植被物候监测的研究,并且已经运用在多种植被类型(比如落叶阔叶林和混交林)[27],但利用SIF对常绿针叶林的物候监测还比较少。针叶林吸收的光合有效辐射比率的变异很小,但是却有明显的光能利用率LUE(Light-use efficiency)的季节变异[28]。研究表明从小时尺度到周尺度上,常绿林SIF与GPP有很好的相关性[29]。同时SIF能够提供针叶林LUE的信息[8,30],体现了其相比于其他传统遥感指数的优势。荧光效率的季节波动能够捕捉光保护色素和光合系统II效率,进而能够准确追踪光合作用的季节性[29]。研究发现在高纬度常绿针叶林,GOME- 2 SIF估算的生长季长度要比EVI估算的结果长6周[8]。而在中高纬度地区(>42°N),常绿针叶林SIF估算的物候信息在春季返青期有滞后现象,但能准确追踪秋季衰老[9]。因此,SIF在常绿针叶林物候监测中发挥着重要的作用,但是仍旧需要不同气候区更多的树种来验证SIF的植被物候监测能力。

中国南方地区拥有全世界最大面积的亚热带森林,具有较高的固碳能力,在全球碳循环中起到重要的作用。基于长时间通量观测结果发现东亚季风区(20—40°N)亚热带森林净生态系统生产力(NEP, Net ecosystem productivity)平均为(362±39) g C m-2a-1,高于亚洲热带和温带森林的NEP,也高于欧洲-非洲和北美同纬度地区森林的NEP[31]。常绿针叶林是亚热带森林的重要组成部分,其物候期的变动影响森林固碳的能力。因此,本研究以亚热带常绿针叶林为研究对象,利用MODIS植被指数和GOME- 2 SIF数据来估算亚热带常绿针叶林的物候期,比较基于SIF和基于反射率观测的植被指数在监测光合作用物候的能力,评价SIF在亚热带常绿针叶林物候监测的重要性。

1 材料与方法

1.1 研究区域介绍

本研究位于千烟洲森林通量观测站,隶属于江西省吉安市泰和灌溪镇(26°44′29.1″N,115°03′29.2″E)。该站微气象观测塔建立于2002年8月,塔四周的森林覆盖率在90%以上。试验站现有的林分大多为1985年前后营造的人工针叶林,主要树种为以马尾松(PinusmassonianaLamb)、湿地松(Pinuselliottii)等为主的常绿针叶林,约占土地总面积的76%。站点下垫面坡度在2.8—13.5°之间,属于典型亚热带季风气候[32]。站区年平均气温17.9℃,平均年降水量1542.4 mm,存在明显的干湿季,夏季7、8月高温干旱,年蒸发量1110.3 mm,年均相对湿度84%[33-34]。土壤类型为红壤[32]。

1.2 数据来源和处理

1.2.1 植被指数(NDVI和EVI)数据

MODIS植被指数数据均来自 LP DAAC网站(https://lpdaacsvc.cr.usgs.gov/appeears/),通过站点的经纬度坐标提取出相应产品的时间序列数据以及质量控制文件。NDVI、EVI植被指数产品采用MOD13A2 V006版本,16天最大值合成,每年23期数据,空间分辨率1 km,时间范围2007—2011年。遥感数据由于环境条件、传感器精度等多种原因会导致数据中含有噪声影响,因此利用MOD13A2云掩膜、阴影、冰雪覆盖等质量文件对NDVI、EVI数据进行质量控制[35]。首先利用MOD13A2数据自带的数据可信度数据集,剔除了有冰雪覆盖或者云遮挡可靠性差的数据,保留标识为0(具有可信度)和1(较有可信度)的数据；然后利用质量控制数据集,剔除存在云、冰雪、气溶胶等噪声影响的数据；最后利用线性插补方法生成时序的NDVI和EVI数据集。

1.2.2 日光诱导叶绿素荧光(SIF)数据

SIF来自于搭载在MetOp-A卫星[36]的GOME- 2反演得到[37]。GOME- 2传感器的风浪区为40 km×80 km,其第四个通道720—758 nm的子通道用于740 nm SIF的估算[37]。下载遥感反演的日尺度全球SIF产品 (ftp://ftp.gfz-potsdam.de/home/mefe/GlobFluo/), 根据16天最大值合成生成2007—2011年SIF数据,空间分辨率0.5°×0.5°。根据通量站点坐标提取千烟洲SIF时序数据并利用残差平方和进行质量控制,并采用线性插值方法插补缺失值进而生成时序的SIF数据集。

1.2.3 通量数据GPP

涡度通量技术用来监测森林半小时尺度的CO2通量[38]。在本研究中,采用与遥感指数时间范围一致(2007—2011年)的千烟洲森林通量站数据。首先需要采用坐标轴旋转、WPL校正以及储存项校正以消除地形、空气水热传输和观测高度对观测数据的影响[39]；同时采用摩擦风速U*来剔除夜间湍流较弱情况下的数据[39]。最后将CO2通量数据拆分成GPP和生态系统总呼吸,通过30 min间隔的连续观测数据加和为每日的GPP,进而得到2007—2011年每日GPP时序数据。

1.3 物候信息估算方法

16天分辨率植被指数(NDVI和EVI)、16天分辨率日光诱导叶绿素荧光SIF与日通量GPP的物候指标的估算通过TIMESAT软件3.2版本。遥感指数的平滑通过Savitzky-Golay(S-G)滤波进行,然后再采用双Logistic曲线(D-L)来估算物候参数。S-G滤波法的原理是在每一个点的邻近域选取一定数量的数据点并进行多项式拟合然后替代该点数据,目的是使得曲线更加光滑。D-L模型函数是一种半局部拟合方法,将全部时间序列划分为多个极大值、极小值区间分别进行函数拟合。两种方法采用spike方法来去除参数的异常值。最后采用动态阈值法提取森林的物候特征参数,设定阈值为20%[40-41]。物候参数包括生长季开始时间(SOS, Start of growing season)和生长季结束时间(EOS, End of growing season)2个关键参数。

2 结果分析

2.1 植被指数、日光诱导叶绿素荧光和通量GPP时间序列变化

根据2007—2011年3种遥感指数和通量GPP的时间序列变化图可以看出,3种遥感指数呈现明显的季节变化,并且季节变化与通量GPP的变异相似(图1)。其中在大多数年份中SIF最高值出现明显早于NDVI和EVI。

图1 2007—2011年3种遥感指数和通量GPP时间序列变化(NDVIEVISIF: 16天；GPP: 每天)Fig.1 The time series of 16-day NDVI, EVI, SIF and daily GPP during 2007—2011NDVI: 归一化植被指数Normalized difference vegetation index; EVI: 增强型植被指数Enhanced vegetation index; SIF: 日光诱导叶绿素荧光Sun-induced chlorophyll fluorescence; GPP: 总初级生产力Gross primary production

将3种遥感指数和通量GPP真实值和归一化值的多年平均值来代表各自曲线的季节变动形态(图2)。GPP在春季早于其他3种指数进入快速增加的阶段,但在秋季又早于其他3种指数进入快递下降的阶段；相比于植被指数NDVI和EVI,SIF表现出在春季和秋季的生长季开始和结束的时间上更加贴近于GPP变异；NDVI和EVI多年均值的季节变异相似,但是NDVI在生长季结束时间上都要略晚于EVI,NDVI和EVI的最高值相对滞后。

图2 3种遥感指数(NDVI、EVI和SIF)与通量GPP多年平均值的季节变动Fig.2 Seasonal trajectories of MODIS NDVI, MODIS EVI, GOME- 2 SIF and GPP from eddy covariance flux in Qianyanzhou station

3种遥感指数与通量GPP都表现为良好的线性关系(P<0.0001),体现季节变动相对吻合(图3)。其中SIF与GPP的相关性最高,R2达到0.808；NDVI和EVI与GPP的相关性比SIF-GPP的相关性略低,R2分别是0.702和0.748。

图3 3种遥感指数与通量GPP的相互关系Fig.3 Seasonal correlation between GPP and NDVI, EVI and SIF at 16-day spatial resolution

2.2 基于遥感信息的物候期与基于通量GPP的物候期比对

根据图4的2007—2011年3种遥感指数和通量GPP估算的物候信息对比发现：NDVI、EVI、SIF和GPP的生长季开始时间(5年均值)分别是第94天、第94天、第82天和第63天,呈现逐渐递减的趋势；四种指数的生长季结束时间(5年均值)分别是第350天、第344天、第336天和第324天,同样是逐渐递减的趋势；四种指数的生长季长度(5年均值)分别是258天,251天,255天,272天。因此,SOSGPP要早于3个遥感指数的生长季开始时间(SOSNDVI、SOSEVI和SOSSIF),提前的时间分别是31天(NDVI),31天(EVI)和19天(SIF)；EOSGPP要早于三个遥感指数的生长季结束时间(EOSNDVI、EOSEVI和EOSSIF),提前的时间分别是17天(NDVI),10天(EVI)和2天(SIF)。由此可见,对亚热带常绿针叶林而言,虽然3种遥感指数的生长季长度都短于实际光合作用,但是SIF相对于其他两个植被指数(NDVI和EVI)能够更好地追踪生长季的开始和结束时间；而植被指数与光合作用之间存在着一定的滞后作用,包括春季的恢复和秋季的衰老都要晚于实际的光合作用。

图4 陆表物候与光合物候的比较 Fig.4 The start and end of the growing seasons determined by different remote sensing measurements and EC measurements

2007—2011年3种遥感指数物候信息与通量GPP物候时间序列的相关性分析(图5)表明SOSSIF与SOSGPP年际变异相似,呈现为相关性的趋势(SOSGPP=1.094SOSSIF-27.044,R2=0.728,P=0.066)；SOSNDVI(P=0.220)和SOSEVI(P=0.448)与SOSGPP没有显著的相关性; EOSNDVI(P=0.864)、EOSEVI(P=0.278)和EOSSIF(P=0.920)与EOSGPP都没有显著的相关性。

图5 3种遥感指数估算的陆表物候与光合物候的对比Fig.5 The relationship between remotely sensed SOS/EOS and observed photosynthesis metrics determined by eddy covariance measurements

2.3 物候期与环境因子的关系

图6 分析了环境因子(气温、降水、辐射、土壤温度、土壤含水量和饱和水汽压差)与基于4种变量(NDVI/EVI/SIF/GPP)估算的物候期(SOS和EOS)的相关性。对于SOS,考虑春季和冬季气候因子的影响；而对于EOS,考虑夏季和秋季气候因子的影响。总体而言,春季的温度(包括气温和土壤温度)是影响亚热带常绿针叶林生长季开始时间(SOS)最重要的因素,其次是春季水分和辐射的影响(图6)；秋季的水分(土壤含水量和降水)和辐射是影响生长季结束时间(EOS)最重要的气象因子(图6)。4种变量估算的物候期(SOS和EOS)与环境因子的相关性有较大的差异,其中4种变量估算的SOS与环境因子的相关关系的一致性强于EOS。特别是SOSSIF和SOFGPP与环境因子的相关性相比其他两种指数更为接近。

图6 亚热带常绿针叶林物候与环境因子的相关性 Fig.6 Correlation coefficients between phenology (SOS and EOS) and environmental factors at Qianyanzhou site生长季开始时间(SOS)考虑冬季和秋季环境因子,生长季结束时间(EOS)考虑夏季和秋季环境因子;星号(*)代表显著相关(P<0.05);Winter_Tair: 冬季气温Winter air temperature; Winter_Ts: 冬季土壤温度Winter soil temperature; Winter_VPD: 冬季饱和水汽压差Winter vapor pressure deficit; Winter_SWC: 冬季土壤含水量Winter soil water content; Winter_SR: 冬季辐射Winter solar radiation; Winter_Prec: 冬季降水Winter precipitation; Spring_Tair: 春季气温Spring air temperature; Spring _Ts: 春季土壤温度Spring soil temperature; Spring_VPD: 春季饱和水汽压差Spring vapor pressure deficit; Spring_SWC: 春季土壤含水量Spring soil water content; Spring _SR: 春季辐射Spring solar radiation; Spring _Prec: 春季降水Spring precipitation; Summer_Tair: 夏季气温Summer air temperature; Summer_Ts: 夏季土壤温度Summer soil temperature; Summer_VPD: 夏季饱和水汽压差Summer vapor pressure deficit; Summer_SWC: 夏季土壤含水量Summer soil water content; Summer _SR: 夏季辐射Summer solar radiation; Summer _Prec: 夏季降水Summer precipitation; Autumn_Tair: 秋季气温Autumn air temperature; Autumn_Ts: 秋季土壤温度Autumn soil temperature; Autumn_VPD: 秋季饱和水汽压差Autumn vapor pressure deficit; Autumn_SWC: 秋季土壤含水量Autumn soil water content; Autumn_SR: 秋季辐射Autumn solar radiation; Autumn_Prec: 秋季降水Autumn precipitation;

3 讨论

3.1 SIF能够捕捉亚热带常绿针叶林的物候信息

日光诱导叶绿素荧光除了能够估算陆地生态系统生产力、监测植被胁迫状况,还在植被物候监测方面发挥着重要的作用[42]。第一,光合速率与发射的叶绿素荧光有密切关系是SIF反演GPP的重要基础。很多研究报道表征光反应系统II(PSII)的SIF与表征CO2固定的GPP有较好的正相关关系[7,22,24-25,27],体现在叶片尺度[20]、冠层尺度[7,21]、生态系统尺度[22- 24]到区域尺度上[22,43-44],从GOSAT[22-23]、GOME- 2[25]到OCO- 2[10,26]多种遥感平台上。第二,SIF可以用作植被对生物因子(氮等)和非生物因子(干旱、高温等)胁迫的指标。例如,Flexas等[45]发现C3叶片在水分胁迫下荧光产量下降。Daumard等[46]发现在干旱情况下冠层尺度荧光的下降。2015/2016年亚马逊干旱研究表明SIF在干旱季节出现大规模下降[47]。第三,正因为SIF与GPP有着良好的相关性,同时SIF能够快速反映胁迫的信息,开拓了遥感监测植被物候的新领域[42]。例如,Joiner等[27]首次利用GOME- 2 SIF数据提取了落叶阔叶林、混合林和作物的物候信息；而后卫星SIF开始在常绿林和针叶林的物候监测方面发挥重要的作用[8-9,48]。研究表明常绿针叶林CO2交换与光反应系统II及其电子传输速率在春季同时开始恢复[14]。因此表征PSII电子传输速率的SIF与GPP在季节尺度上有着显著的正相关[8]。在高纬度常绿针叶林,GOME- 2 SIF很好地捕捉了植被的季节变动,特别是春季的恢复时期[8]。基于地面光谱仪和通量的同步观测发现常绿林SIF与叶黄素循环和光合系统II的最大量子效率存在着显著的相关性[29],因而可以证实常绿林GPP的季节性主要受到叶片光合效率和光保护色素适应的共同调节[49]。本研究中,利用GOME- 2 SIF估算的陆表物候和通量GPP估算的光合作用物候的比对可以发现SIF能够追踪亚热带常绿针叶林的物候信息。

3.2 SIF与其他遥感指数对常绿针叶林物候监测的差异

植被物候是研究植物周期性的生长特征变化(如发芽、开花、落叶等)以及这种生长变化如何受季节/年际气候变化的影响。其中生长季开始时间SOS和结束时间EOS对气候变化非常敏感,决定生长季的长度并对生态系统碳循环有重要启示,是植被物候中最受关注的参数[4]。传统的地面观测方法可以精确记录特定站点和树种的物候时期,但是由于其覆盖范围有限,监测方法和手段的差异,很难应用到大区域长时间物候监测中。随着遥感技术的飞速发展,越来越多研究侧重于基于遥感观测数据来获取植被陆地表层的季节格局,也就是最常见的陆表物候(LSP)[6],空间分辨率覆盖250 m到25 km。涡度相关通量数据监测陆地生态系统和大气的CO2交换,可以用GPP来提取光合物候时间[50-51]。研究表明遥感估算的陆表物候与通量GPP估算的光合物候有较好的一致性[52]。因此用GPP估算的光合物候能够用来验证遥感提取的中分辨率到低分辨率的陆表物候[5]。

传统的植被指数已被广泛应用于植被物候监测研究中,但是这些指数往往仅反映植被的绿度信息,而不能追踪实际的光合作用变化。由于遥感SIF与光合能力直接相关,并且对云和大气散射不敏感[27],因此SIF不仅能反映植被的形态物候,同时也能追踪植被胁迫信息[42]。在本研究中,基于表征森林实际生长的通量GPP数据估算得到5年内亚热带常绿针叶林生长季开始时间为第63天,结束时间为第324天,生长季长度为272天(图4)。基于反映植被光合作用特征的SIF曲线获得物候信息都要滞后GPP物候期,其中SOSSIF滞后SOSGPP19天,EOSSIF滞后EOSGPP2天；基于传统植被指数的物候期滞后GPP物候期的时间要大于SIF滞后期,植被指数SOS滞后SOSSIF12天,植被指数EOS滞后EOSSIF8—15天。由此可见,对于亚热带常绿针叶林,基于SIF的陆表物候监测更加接近于光合作用物候期(SOSGPP和EOSGPP)。

常绿针叶林生长季中树叶在颜色和总叶面积方面的季节性很弱[53]。常绿针叶林新的枝芽只占生物量很小一部分,芽伸长、针叶生长以及凋落等不能体现森林生产力/生物量的变化[53-54]。同时常绿林常年保持绿色器官,植被绿度(表现为NDVI和EVI等)在休眠阶段不会下降到0,因此不能很好的提供实际光合作用发生或停止的信号[40]。以往许多实验结果表明森林春季恢复要早于植被绿度[55-57]。在本研究中春季返青期绿度增加信息要晚于光合作用第一信号31天。虽然针叶林在休眠时间保持绿色,但是低碳水化合物的需求会导致光合效率的解耦[58]。SIF对常绿针叶林的季节性描述,更多地包含了光能利用率的信息[8,25,28]。因此相比于传统的植被指数NDVI和EVI,SIF能够更好地捕捉常绿林的生长阶段,SIF物候的滞后期要短于植被指数物候的滞后期。同时3种遥感指数EOS滞后于GPP的时间都短于SOS,这与Walther等中北方常绿针叶林相似[8]。因此,相对于传统以反射率为基础的植被指数(NDVI、EVI等),SIF可以直接与“实际光合作用”相联系,其变化早于叶绿素含量的下降及植物形态结构的变化,特别是在常绿群落、植被受胁迫的早期阶段、季节性雪盖影响等区域[28]。对于冬季休眠的针叶林来说,植被绿度指数很难去捕捉GPP的大小和时期,而SIF能够有效提高常绿林碳循环动态监测[29]。

3.3 模型改进的启示

植被物候对生态系统模型有重要启示,提供模型所需要的物候变动信息[59]。因此SIF与GPP的相关性更多地可以应用在碳循环模型中,在模型中对叶片物候和光合功能方面的参数有很好的约束作用。研究表明在早春和晚秋时期的低温状态,碳循环模型对植被生产力的模拟是不精确的[60]。以往很多光能利用率模型都采用植被指数来估算GPP,SIF可能提供模型更好的物候信息[61-62]。而在生态系统过程模型中,SIF能够有效约束叶片物候光合方面的参数来提供可靠性的知识[63]。很多研究表明日光诱导叶绿素荧光整合到陆面模式可以提高GPP的模拟精度[61,64]。因此,研究SIF追踪植被物候的能力可以有效地改进目前各类碳循环模型中物候过程,减少模型模拟的不确定性。

3.4 不确定性分析

本研究通过MODIS植被指数和GOME- 2 SIF来追踪亚热带地区常绿针叶林的植被物候,主要存在两方面的不确定性。首先,植被物候遥感存在尺度效应。(1)空间分辨率方面：传统植被指数NDVI和EVI,由于其卫星数据覆盖时间较长,是估算陆表物候的最常用手段,空间分辨率通常250 m到8 km[65-66]。研究表明大区域上春季物候对于250 m和8 km两种分辨率估算结果相似,差异小于5天,但是在某些地区可能有比较大的差异[67]。目前GOME- 2 SIF产品分辨率较粗(0.5°×0.5°),而通量观测通常代表的是风浪区内(<1 km2)的碳水交换,两者在空间尺度上并不完全匹配。但是通量观测通常所在的站点植被均质性较好,代表性较强。因此有研究表明SIF反映的常绿林综合信息与通量塔的风浪区是比较一致的[68]。(2)时间分辨率方面：通常估算陆表物候的遥感数据时间分辨率8—16天,天尺度的遥感数据由于大气和传感器的影响并不可靠[69]。研究表明如果遥感数据的时间分辨率不低于16天,物候估算误差不超过3天,因此遥感数据空间分辨率6—16天能够准确估算植被物候[69]。同时也有研究表明遥感数据在时间尺度整合过程中采用准确观测日期的数值可以有效地减少低时间分辨率的不确定性[70]。其次,遥感数据重建方法的误差。目前遥感数据最常用的重建方法包括最佳指数斜率提取法(BISE)、S-G 滤波法、非对称高斯函数拟合法(AG)、时间序列谐波法(HANTS)和双逻辑斯蒂函数拟合法(D-L)等。很多研究表明S-G滤波方法对噪声去除效果较好[71-72]。最后,当前的SIF产品仍旧存在着噪声,特别是春季SIF或者冬季SIF,导致了物候监测的偏差。本研究使用的SIF产品噪声相对较低[8]。

4 结论

本研究以亚热带常绿针叶林为研究对象,采用MODIS NDVI/EVI、GOME- 2 SIF以及通量GPP来估算常绿针叶林物候期,评价陆表物候与光合作用物候之间的吻合性,明确SIF在常绿针叶林物候监测的重要性。结果表明SIF观测能够用来追踪亚热带常绿针叶林GPP的季节动态,其物候期相比于传统的植被指数更加接近于光合作用物候；而表征绿度的植被指数估算的物候期与光合作用的春季恢复和秋季衰弱的滞后时间较长。通过分析NDVI、EVI、SIF和GPP估算的物候期(SOS和EOS)和环境因子的相关性,结果表明春季温度是驱动生长季开始时间的主要因素,而秋季水分和辐射是影响生长季结束时间的关键因素。

目前SIF的应用仍旧受到粗分辨率的限制,很难在小尺度上开展光合动态监测。随着NASA OCO- 2卫星数据的发展,可以更好地探究高分辨率SIF和通量GPP的关系[9],进而能够更加深入地评估SIF在监测光合作用物候的重要作用。同时2017年发射TROPOMI(TROPOspheric Monitoring Instrument)以及2022年预计发射的Flex(Fluorescence Explorer)都将能提供全球高分辨率的SIF,可以更好地估算光合能力和季节性[19,73-74]。

致谢:MODIS 植被指数数据来自于LP DAAC网站(https://lpdaacsvc.cr.usgs.gov/appeears/),GOME- 2 SIF来自于ftp.gfz-potsdam.de/pub/home/mefe/GlobFluo/。中国生态系统网络CERN提供千烟洲森林站长期观测数据。