基于多源遥感功能性状的森林生产力预测模型构建与验证

本研究通过整合NEON站点机载高光谱与激光雷达数据，构建了融合形态、环境和生理功能性状的森林总初级生产力(GPP)预测模型。研究人员针对传统碳计量方法的空间局限性，创新性地采用CHM平均高度、DSM地形变异、PRI光能利用效率及WBI水分含量等多元遥感指标，建立最优四变量线性模型(R2=0.87)。该成果为跨尺度森林碳汇评估提供了可推广的技术框架，对全球陆地碳循环研究具有重要方法论意义。

　　

在全球气候变化背景下，准确评估森林碳汇功能成为生态学研究的核心挑战。传统基于通量塔的碳通量监测虽能提供精确数据，但其空间代表性有限（仅覆盖约16公顷），难以满足大尺度碳循环研究需求。与此同时，植物功能性状理论的发展揭示了形态、生理和环境特征对生态系统功能的调控机制，但如何通过遥感技术量化这些性状并关联生产力仍是未解难题。

美国国家生态观测网络(NEON)的研究团队在《Science of Remote Sensing》发表创新研究，通过整合22个森林站点的同步机载遥感与通量塔数据，建立了首个融合多源遥感功能性状的森林生产力预测模型。研究突破性地证实：结合冠层结构、地形变异、光能利用效率和水分状况的复合模型，比单一性状模型能更准确预测总初级生产力(GPP)，为全球碳计量提供了可推广的技术范式。

研究采用三项关键技术方法：首先基于NEON通量塔30分钟间隔的净生态系统交换(NEE)数据，通过温度-呼吸关系模型分离出日间GPP；其次利用1米分辨率机载高光谱数据提取11种植被/水分指数，通过激光雷达衍生DSM、CHM等形态环境指标；最后采用最佳子集回归分析筛选预测变量，结合PRESS R²交叉验证避免过拟合。

【研究结果】

1. 变量相关性分析
   高光谱指数间存在显著相关性，如NDVI与ARVI(r>0.8)、水分指数间(r>0.7)，而形态与环境性状中DSM与DTM几乎完全相关(r=0.9999)。这种特征约束了单一数据源模型的性能。

2. 多元线性回归模型
   四变量组合模型表现最优：包含CHM均值(形态)、DSM标准差(环境)、PRI标准差和WBI均值(生理)，其R²达0.87，PRESS R²为0.75。相较之下，纯形态环境模型(R²=0.67)和纯生理模型(R²=0.66)预测力显著较低。

3. 冠层高度与生产力关系
   GPP随CHM均值增长呈线性趋势(R²=0.47)，但存在两个异常点：华盛顿州老龄林(WREF)因林龄达450年导致生产力衰退，堪萨斯大学站点(UKFS)则因特殊管理措施呈现高生产力。剔除异常点后模型拟合度提升至R²=0.72。

【结论与意义】
该研究首次系统验证了多源遥感功能性状协同解释森林生产力的优越性。其中冠层高度(CHM)作为形态性状代表，解释了47%的GPP变异；地形异质性(DSM stdev)反映环境过滤效应；而光化学反射指数(PRI)和水分波段指数(WBI)分别捕捉光合机构动态和水分胁迫响应。这种多性状整合策略克服了传统遥感指数冗余性问题，尤其通过PRI空间变异(标准差)表征冠层光能利用效率的微环境差异，弥补了宽波段卫星数据无法探测的生理细节。

研究对下一代地球观测任务具有重要指导价值：建议将ICESat-2激光雷达与高光谱卫星(PACE等)数据融合，但需解决空间分辨率不匹配问题。在气候变化导致森林扰动加剧的背景下，该成果为建立"结构-功能"耦合的碳循环监测体系提供了方法论基础，其开源数据框架(NEON)更利于全球推广应用。未来研究可拓展土壤属性、林龄等辅助因子，并探索机器学习在异质性更强生态系统中的应用潜力。