在基于地球观测的光能利用效率模型中，时空平均分辨率对于估算总初级生产力（Gross Primary Production）具有重要意义

《Science of Remote Sensing》：Spatiotemporal averaging resolution of high importance within Earth-observation-based light use efficiency models of gross primary production

GPP与APAR关系随时空分辨率变化：高分辨率下渐近模型更优，低分辨率下线性模型适用。研究通过Dahra半干旱草地实地数据与Sentinel-2/3卫星数据对比，发现短时高频数据（如每日）呈现渐近关系，而长期低频数据（如月度）线性关系更佳。空间上，小像素（如Sentinel-2的10米）需渐近模型，大像素（如Sentinel-3的300米）可用线性模型。结论强调模型选择需匹配数据分辨率，为碳循环研究提供新视角。

　　### 研究背景与意义

植物通过光合作用将大气中的二氧化碳转化为有机物质，这一过程被称为“总初级生产力”（Gross Primary Production, GPP），是全球碳循环中最重要的碳交换过程之一。GPP不仅在气候调节、碳封存和储存中扮演关键角色，还对地球生态系统的服务功能，如食物、饲料、纤维、燃料的生产，以及生物多样性和地球宜居性产生深远影响。随着全球人口增长和对食物及纤维需求的增加，全球植被生产力的利用也在不断上升，这给全球生态系统的功能和服务带来了严峻挑战。因此，提高对区域和全球GPP时空动态的理解，对于更好地预测和量化当前及未来气候变化的影响至关重要，同时也对制定应对气候变化的政策和早期检测生态系统变化具有重要意义。

在卫星遥感技术的应用中，GPP通常通过线性光合效率模型（Light Use Efficiency, LUE）进行估算，其中GPP与植被吸收的光合有效辐射（Absorbed Photosynthetically Active Radiation, APAR）之间的关系被视为线性。然而，近年来的研究表明，这种关系在高时空分辨率下更倾向于呈现渐近曲线的形态。这种现象的原因在于，光合作用的效率不仅受光照强度的影响，还受到其他环境因素的限制，例如营养、水分和二氧化碳的可用性。当光照增加时，植物会通过调节气孔开闭来平衡二氧化碳的吸收与水分的损失，这在高光条件下可能进一步导致光合作用的饱和或抑制。此外，叶绿体只能处理有限的光能，超过一定阈值的光能不会显著提高GPP，而高光可能对光合蛋白造成损伤，使GPP略有下降。

因此，为了准确捕捉GPP的时空变化，尤其是在高分辨率遥感数据日益普及的背景下，需要重新评估GPP与APAR之间的关系。本研究通过在西非塞内加尔的达哈拉（Dahra）实地站点进行实验，探讨在不同时空分辨率下，GPP与APAR之间的关系是否从渐近变为线性。这一研究对于提升地球观测数据在估算GPP方面的准确性，以及更好地理解其在碳循环中的作用具有重要意义。

### 研究方法与数据采集

本研究的达哈拉站点位于萨赫勒生态气候区，是一个典型的半干旱草原生态系统，植被覆盖率为3%。该地区的年均降水量为416毫米，主要集中在7月至10月的雨季。生长季紧随雨季，而其余时间则为干旱季节。年均气温为29摄氏度，雨季期间最高可达32摄氏度，干旱季节最低为25摄氏度。叶面积指数（Leaf Area Index, LAI）通常在0至2之间变化。研究区域内的主要树种包括Balanites aegyptiaca和Senegalia senegal，而草本植被则以C4类植物为主，如Cenchrus biflorus、Eragrostis tremula、Aristida mutabilis和Dactyloctenium aegyptium。土壤类型为沙质淋溶壤土，沙粒含量高达95%，而黏土和粉砂的含量较低。

为了估算GPP，研究团队利用了涡度协方差（Eddy Covariance, EC）系统，该系统能够直接测量生态系统与大气之间的二氧化碳交换。EC数据采集的时间跨度为2019年3月28日至2021年12月31日，数据采集频率为每秒30次，每30分钟进行一次数据处理。所有传感器均按年进行校准，以确保数据的准确性。此外，研究还结合了多种辅助数据，包括空气温度、归一化植被指数（Normalized Difference Vegetation Index, NDVI）、降水量、土壤水分含量、以及入射和反射的光合有效辐射（PAR）等。这些数据通过多路复用器（multiplexer）连接到CR-1000数据记录仪，以确保数据的同步采集。

由于Sentinel-2卫星在雨季期间常因云层覆盖而无法提供连续的遥感数据，研究团队采用了Sentinel-3的NDVI数据进行补充，并通过高效的时空融合算法（EFAST）将Sentinel-2和Sentinel-3的NDVI数据进行整合，以生成连续的每日NDVI数据集。此外，研究还使用了田间观测的FAPAR（Fraction of Absorbed Photosynthetically Active Radiation）数据，以提高模型的准确性。

为了分析GPP与APAR之间的关系，研究团队采用了两种模型：一种是线性LUE模型，另一种是渐近的Mitscherlich光响应函数。LUE模型假设GPP与APAR之间存在线性关系，而Mitscherlich模型则考虑了光合作用的饱和效应。通过比较这两种模型在不同时空分辨率下的表现，研究团队旨在确定在何种尺度下，GPP与APAR之间的关系从渐近转变为线性。

### 研究结果与分析

研究结果表明，在半日到每日的时间分辨率下，Mitscherlich模型比LUE模型更能够准确地拟合GPP与APAR之间的关系，而当时间分辨率降低至每周或每月时，LUE模型则表现出更优的拟合效果。这表明，随着时间分辨率的增加，GPP与APAR之间的关系更倾向于呈现渐近特征，而在较低的时间分辨率下，这种关系则趋于线性。

此外，研究还发现，随着空间分辨率的降低，GPP与APAR之间的关系也更倾向于线性。具体而言，在每日和半日的时间分辨率下，当空间分辨率小于1公顷时，Mitscherlich模型表现出更优的拟合效果。这表明，高空间分辨率的数据可能捕捉到更细微的植被异质性，从而影响GPP与APAR之间的关系。

这些结果对于遥感数据的应用具有重要意义。例如，在使用高空间分辨率的卫星数据（如Landsat和Sentinel-2）时，建议采用Mitscherlich模型，而在使用低空间分辨率的卫星数据（如MODIS和Sentinel-3）时，LUE模型则可以提供足够的精度。然而，研究也指出，这种模型选择的依据需要考虑具体的生态系统类型和环境条件，因为不同的植被结构和物种组成可能会影响GPP与APAR之间的关系。

### 讨论与结论

研究团队在讨论部分强调了模型选择的重要性。他们指出，尽管LUE模型因其简单性而被广泛采用，但在高时空分辨率下，这种模型可能低估了GPP的复杂性。特别是在短时间尺度下，GPP的变化可能受到多种生理和环境因素的影响，而不仅仅是光照强度。因此，采用非线性的Mitscherlich模型可能更准确地反映GPP与APAR之间的关系。

此外，研究团队还讨论了模型选择中的潜在误差来源。例如，他们指出，在分析中没有考虑其他限制性因素，如蒸气压亏缺（Vapor Pressure Deficit, VPD）、空气温度和土壤水分条件。这些因素在干旱和低温条件下可能显著影响GPP，因此在模型拟合时需要考虑这些变量的影响。然而，本研究旨在找到在平均条件下的最佳模型，因此模型的调整应基于其他限制性变量。

最后，研究团队总结道，当前大多数公开的GPP产品主要基于LUE模型，适用于低分辨率和低时间频率的数据。然而，当研究目标转向更高分辨率的数据时，需要重新评估模型的适用性。在半日到每日的时间分辨率下，Mitscherlich模型通常表现更佳，而在更粗的时间分辨率下，两种模型之间的差异较小。同时，随着空间分辨率的降低，GPP与APAR之间的关系更倾向于线性。因此，在低空间分辨率下，LUE模型可以提供可靠的估算，而在高空间分辨率下，Mitscherlich模型则更为合适。

总之，本研究为理解高时空分辨率对GPP估算模型的影响提供了重要的见解，并为未来的研究方向奠定了基础。为了进一步验证和扩展这些发现，需要在更多生态系统中进行长期研究，以考虑不同的植被类型和环境条件。同时，识别和解决可能影响模型准确性的因素，如植被异质性和环境限制，对于提高模型的适用性和准确性至关重要。