GEOV2-AVHRR：1981–2022年全球叶面积指数(LAI)和光合有效辐射吸收比(FAPAR)的连续一致时间序列

本研究针对全球变化研究中缺乏长期连续植被生物物理参数序列的问题，开发了基于AVHRR数据的GEOV2算法，生成了1981-2022年全球LAI和FAPAR产品。结果表明：GEOV2-AVHRR与地面测量吻合良好(LAI误差<1，FAPAR误差0.10–0.15)，与GEOV2-CLMS的一致性达92%(LAI)和71%(FAPAR)，显著改善了数据完整性和时间一致性，为全球植被动态研究提供了更可靠的长时序数据集。

　　

在全球变化研究背景下，连续、一致且经过验证的长时间序列植被生物物理参数对于描述植被动态和理解与气候系统的相互作用至关重要。叶面积指数(Leaf Area Index, LAI)和光合有效辐射吸收比例(Fraction of Absorbed Photosynthetically Active Radiation, FAPAR)被全球气候观测系统(Global Climate Observing System, GCOS)认定为基本气候变量。虽然自2000年以来，空间机构已从专门设计用于监测植被的地球观测系统（包括MODIS、SPOT/VGT、PROBA-V或VIIRS）中衍生出多种LAI和FAPAR产品，但不同的验证工作显示出在不同生物群落类型和地点之间的性能不均等，这是由于传感器特征和设计预处理及产品衍生算法时做出的选择不同所致。因此，近期开发的哥白尼陆地监测服务GEOV2-CLMS产品在完整性、时间平滑度、变量间一致性和准确性方面被证明优于其他现有LAI和FAPAR产品。然而，这些GEOV2-CLMS产品源自SPOT/VGT和PROBA-V星座，时间覆盖范围从1999年到2020年，这限制了其在全球变化研究中的适用性。

搭载于NOAA和MetOp卫星上的高级甚高分辨率辐射计(Advanced Very High-Resolution Radiometer, AVHRR)系列传感器提供了最长的连续全球观测时间序列，从中已经衍生出多个LAI/FAPAR产品，包括GLASS、GIMMS LAI3g/FAPAR3g、TCDR、GLOBMAP LAI和C3S等。然而，与中等分辨率卫星产品类似，验证研究显示这些现有的AVHRR长期数据集之间存在不一致性。这种效应实际上因AVHRR仪器的局限性（例如对大气水吸收敏感的宽光谱波段）、卫星轨道漂移、传感器退化、光谱差异和交叉定标问题而增强。比较研究表明，这些产品之间存在显著的不一致性，并且随着时间的推移，这些不一致性严重影响了从这些产品中得出的全球变化的解释。

为了获得跨越AVHRR存档（从1981年至今）的一致且连续的长时间序列，迫切需要开发能够调和现有长期数据集局限性的新LAI和FAPAR产品。鉴于GEOV2-CLMS的良好性能，本研究旨在通过使用AVHRR长期数据记录(Long Term Data Record, LTDR)来一致地扩展这些LAI和FAPAR时间序列，该记录利用最新算法提供从1981年中期至今的地表反射率数据，以校正大气和双向效应。

本研究描述了自1981年以来从AVHRR-LTDR数据集开发所谓的GEOV2-AVHRR LAI、FAPAR生物物理产品的过程，该产品旨在保持与GEOV2-CLMS的高度一致性。首先介绍了生成GEOV2-AVHRR产品的原理。然后，描述了GEOV2-AVHRR产品的特征和相关的质量指标。利用最近更新的DIRECT2.1和GBOV V3地面数据集评估了LAI和FAPAR产品的准确性。评估了GEOV2-AVHRR与GEOV2-CLMS和MODIS产品以及其他AVHRR长期数据集的一致性。特别关注了产品间、变量间和传感器间的时空连续性和一致性，以及异常和趋势的分析。

研究人员采用了多种关键技术方法。核心数据源为AVHRR LTDR数据集，它提供了全球冠层方向归一化（天底观测，45°太阳天顶角）地表反射率数据，空间分辨率为0.05°，每日采样间隔。GEOV2-AVHRR算法基于GEOV2-CLMS算法，并针对AVHRR的特性在数据预处理、算法校准和参数调优方面进行了适配。首先对LTDR反射率进行了光谱协调校正，以校正不同NOAA和MetOp-B AVHRR传感器光谱响应的差异。检索算法依赖于在BELMANIP2.1站点上使用CYCLOPES version 3.1和MODIS Collection 5产品训练的神经网络。为了获得每10天连续更稳健的产品，每日LAI和FAPAR估值经过过滤、平滑、间隙填充和合成，使用了与GEOV2-CLMS相同的方法论。产品以hdf5格式分发，空间分辨率包括原始0.05°和聚合的0.5°经纬度网格，时间频率为10天。评估方法遵循CEOS LPV小组制定的指南，包括直接评估（使用DIRECT V2.1和GBOV V3地面数据集）、间接评估（与其他LAI/FAPAR卫星数据集比较）以及时空一致性和连续性评估。

2.4.1. Direct evaluation

与地面测量图的对比显示，GEOV2-AVHRR LAI在约50%的样本中满足GCOS要求，在DIRECT2.1和GBOV V3数据集的木本和非木本站点上，准确度误差在-0.2和0.3 LAI之间，不确定性<1 LAI。对于FAPAR，GEOV2-AVHRR在约30-40%的样本中满足GCOS要求，准确度误差约为-0.03 FAPAR，不确定性约为0.10-0.15。与HiQ-MODIS相比，GEOV2-AVHRR显示出可比较的APU统计量。

3.2. Consistency with GEOV2-CLMS and MODIS

在0.5°空间分辨率上聚合的GEOV2-AVHRR与GEOV2-CLMS和HiQ-MODIS产品在2000-2019年共同期内吻合良好。GEOV2-AVHRR和GEOV2-CLMS的差异在92%和71%的陆地像元内分别满足LAI和FAPAR的GCOS要求，GEOV2-AVHRR和HiQ-MODIS则在76%和34%（63% within ±0.1 FAPAR差异）的像元内满足要求。LANDVAL站点上的散点图显示，与GEOV2-CLMS相比，总体不确定性误差为0.78 LAI和0.08 FAPAR，与HiQ-MODIS相比则显示出更高的差异。

3.3. Comparison with other LAI and FAPAR long-term products

与长期产品在全球尺度上的比较显示，GEOV2-AVHRR与GIMMS和GLASS在LAI和FAPAR上均表现出良好的一致性：约80%的陆地像元在LAI GCOS要求内，与GIMMS和GLASS的比较中分别有48%和57%的像元满足FAPAR要求。C3S与其他三种产品的一致性较差。不同生物群落类型下的值分布表明，GEOV2-AVHRR与其他产品在低植被量的生物群落（包括草本、灌丛和稀疏裸地）上一致。

3.4.1. Spatio-temporal continuity: Completeness, and intra-annual consistency: Smoothness

在1982-2018年期间，GLASS（0%）和GEOV2-AVHRR（1%的陆地像元缺失）观察到很少或没有缺失数据部分。相反，C3S（12%的缺失数据）、GIMMS（LAI4g为14%，FAPAR4g为24%）和HiQ-MODIS（13%的缺失数据）显示出更大的缺失数据部分。δLAI和δFAPAR的直方图显示，GEOV2-AVHRR、GEOV2-CLMS和GLASS产品非常平滑，在大多数情况下差异小于0.1 LAI和0.01 FAPAR。

3.4.2. Inter-annual consistency: Robustness against sensor changes

产品的长时间序列由连续的传感器组成（表S1）。因此，必须验证跨传感器在整个纬度范围内的时序一致性，因为纬度是LAI和FAPAR变化的主要驱动因素之一。LAI和FAPAR异常指数的Hovm?ller图分析关注了传感器转换期间可能存在的伪影。所有产品在N7和N9之间未观察到强烈的伪影，但C3S以及较小程度上的GIMMS在LAI和FAPAR幅度上存在明显断裂。

3.4.3. Temporal trends and anomalies

GEOV2-AVHRR、GIMMS和GLASS LAI产品在1982-2018年共同期显示出普遍的绿化趋势，全球尺度上线性变化显著（p < 0.001），分别为0.0016、0.0020和0.0026 m² m^?2 y^?1：约70-80%的陆地像元呈现绿化 vs 约20-30%呈现褐化。GEOV2-AVHRR趋势的幅度和空间模式与GIMMS高度一致，而与GLASS LAI趋势存在较大差异。

本研究成功生成了1981-2022年全球LAI和FAPAR的连续一致时间序列产品GEOV2-AVHRR。该产品与地面测量吻合良好，与GEOV2-CLMS和MODIS等现有产品具有高度一致性，并在数据完整性、时间平滑度和跨传感器一致性方面表现出色。尽管在输入地表反射率数据中继承了一些与AVHRR传感器转换相关的伪影，导致仍存在一些时序不一致性，但GEOV2-AVHRR显著改善了长期AVHRR数据集的性能。该产品为全球植被动态监测、气候变化研究、生态系统建模和碳循环研究提供了更可靠、更长时间跨度的数据基础，有助于更准确地评估全球植被的长期变化趋势、 anomalies 以及对气候驱动因子的响应。未来的工作应致力于进一步校正AVHRR输入数据中的轨道漂移和传感器退化问题，并利用更稳定的数据集（如MODIS）进行协调，以生成更加准确和可靠的长期植被生物物理参数产品。