亚日尺度GPP–SIF耦合变异解析及其对温带稀树草原GPP估算的启示

《Science of Remote Sensing》：Resolving sub-daily variability in the GPP–SIF relationship and its implications for GPP estimation at a temperate savanna site

　　

总初级生产力（GPP，生态系统碳吸收指标）与太阳诱导叶绿素荧光（SIF，可遥感探测的光合生理信号）的耦合具有高度变异性和时间尺度依赖性；GPP与SIF的环境响应在小时和季节尺度上发生移动；气象效应解释GPP与SIF的非对称动态；两阶段堆叠框架提高GPP估算精度。

稀树草原约占全球陆地表面20%，贡献约30%陆地净初级生产力。总初级生产力（GPP，生态系统碳吸收指标）是陆地碳循环的基本组分，也是生态系统碳吸收的度量。稀树草原多位于生态敏感区，对环境变异响应强，导致GPP估算存在较大不确定性。太阳诱导叶绿素荧光（SIF，可遥感探测的光合生理信号）具有明确生理意义，可作为GPP经验指标并为机理模型提供约束。SIF作为光合副产物，吸收光能在光系统II（PSII，photosystem II）光化学反应、荧光发射和热耗散之间分配。机制性光响应（MLR，mechanistic light response）模型等建立了SIF与GPP的生理联系，但SIF-based GPP估算仍存在不确定性。一个重要来源是GPP–SIF关系的时间变异，其受植被功能型、冠层结构和环境条件共同影响，并具有尺度依赖性。随着时间聚合窗口由半小时向日和月尺度增加，GPP–SIF关系趋于由非线性向更线性转变；半小时尺度非线性与光照条件变化及GPP、SIF异步生理响应有关。然而，受卫星过境频率和连续同步地面SIF与GPP观测稀缺限制，亚日或小时尺度GPP–SIF关系仍认识不足。塔基SIF观测虽空间足迹小，但连续时间采样可补充卫星观测，研究空间borne测量无法分辨的亚日变化。已有塔基和卫星研究多关注季节或长期环境变量，如光合有效辐射（PAR，photosynthetically active radiation）、空气温度（T_air）、饱和水汽压差（VPD，vapor pressure deficit）和土壤体积含水量（SWC，soil volumetric water content）对GPP–SIF关系的影响。环境因子在亚日尺度变化显著；温带森林中PAR和T_air超过特定阈值时，小时尺度SIF与GPP相关减弱，温带常绿针叶林也有类似报道。在稀树草原，已有研究考察季节环境因子影响，但尚未系统研究细时间尺度环境条件如何影响GPP–SIF关系。实践上，早期统计模型直接关联GPP与SIF，在动态环境中转移性有限；随机森林（RF，random forest）、极端梯度提升（XGBoost，eXtreme gradient boosting）和支持向量机（SVM，support vector machine）等机器学习方法整合SIF与辅助环境变量，提高了预测性能，但多直接使用原始环境变量，未显式纳入从时间分析中量化的非线性环境依赖。两阶段或多阶段堆叠策略可整合经验模型与机器学习，但显式纳入时变环境依赖能否改善细时间分辨率GPP估算仍不清楚。为此，研究人员使用2020—2024年中国北方温带稀树草原塔基碳通量、SIF和气象协同观测，研究GPP–SIF关系跨亚日至季节尺度的动态，评估其半小时尺度对气象驱动的敏感性，并评价显式纳入非线性、时变环境依赖的两阶段集成建模策略是否改善半小时GPP估算。结果表明GPP–SIF耦合是时间动态而非不变的，亚日变异显著；纳入环境依赖改善模型性能，两阶段策略解释72%的半小时GPP变异（R²=0.72，RMSE=2.53），加入SIF使Stacked模型R²从0.67升至0.72。该研究为温带稀树草原SIF-based GPP估算提供了站点级评估，强调高时间分辨率下直接以SIF代理GPP需谨慎。

关键技术方法：研究地点位于中国内蒙古中部锡林郭勒草原南缘Otindag Sandy Land（115.95°E，42.96°N；海拔1283—1381 m）的温带榆树稀树草原。样本队列为2020—2024年生长季（5—10月）白天塔基观测，包括15 m通量塔上的涡度协方差（EC，eddy covariance）系统、气象变量和AUTOSIF冠层光谱。EC由三维超声风速仪和开路红外气体分析仪以10 Hz采集，经EddyPro处理，利用光响应关系和夜间NEE–T_air关系将净生态系统交换（NEE，net ecosystem exchange）分解为GPP和生态系统呼吸（RE，ecosystem respiration）。气象包括PAR、T_air、相对湿度和SWC，VPD由T_air与相对湿度计算。AUTOSIF在06:00—18:30观测，QE Pro光谱覆盖730—785 nm，采用光谱拟合方法（SFM，spectral fitting method）在O₂-A吸收带反演SIF，保留太阳天顶角（SZA，solar zenith angle）≤80°，去除负值和四分位距异常。分析采用广义加性混合模型（GAMM，generalized additive mixed model）、bootstrap、广义加性模型（GAM，generalized additive model）、最小绝对收缩和选择算子（LASSO，least absolute shrinkage and selection operator）、RF、XGBoost、轻量梯度提升机（LightGBM，Light Gradient Boosting Machine）、SVM、stacking和Shapley加性解释（SHAP，shapley additive explanations）；2020—2023年用于建模，2024年用于独立评估。

研究结果如下。

3.1 GPP–SIF关系的多时间尺度变异。研究人员将半小时观测分入小时和月份分组，采用非参数bootstrap重采样估计斜率、相关系数及显著性，并考察PAR归一化。全数据集GPP–SIF线性回归斜率为4.58、截距4.65、R²=0.34。小时尺度斜率早晨为2.32—3.95、午后为2.68—4.45、午间为4.35—5.32；截距呈单峰并在12:00最大；相关在09:00（r=0.64）和15:00（r=0.62）出现两个局部最大，随后至日落前下降。PAR归一化后，小时回归多数变弱或不显著。日尺度全生长季斜率为5.24、截距4.43、R²=0.48。月度斜率5—9月为2.20—4.45，10月为16.50；相关从5月r=0.31不显著增至10月r=0.77显著。PAR归一化后多数月份不显著。因此，GPP–SIF关系在小时尺度呈明显非平稳，在日尺度较稳健但存在季节变异。

3.2 GPP–SIF关系的环境控制。通过基于bootstrap的GAMM估计环境变量对GPP、SIF和GPP/SIF比值的偏效应和相对重要性。半小时尺度VPD对GPP和SIF分别约10:36和9:53由正转负；VPD对GPP/SIF约9:50由负转正。T_air效应与VPD相反，约9:30、9:31和9:48发生转换。PAR和SWC呈近似钟形，午间为正、早晚为负。日尺度VPD对GPP和SIF约在年日序（DOY，day-of-year）238和255由负转正，对GPP/SIF在DOY239前为正、随后为负；T_air对GPP和SIF在DOY151—253和153—254为正并呈钟形，对GPP/SIF在DOY154—245为负；PAR对GPP和SIF约在DOY246和253由正转负，对GPP/SIF无显著DOY变化；SWC无显著时间波动。相对重要性显示，半小时尺度GPP以T_air为主（62.0%），日尺度以PAR为主（74.1%）；SIF半小时以T_air为主（43.8%），日尺度以PAR为主（71.0%）；GPP/SIF半小时以VPD为主（47.8%），日尺度以T_air（46.7%）和VPD（45.6%）为主。结论为PAR主要控制日变化，T_air和VPD更强控制短期波动。

3.3 堆叠与机器学习模型用于GPP估算的比较。通过三种输入配置的消融分析、性能指标和SHAP开展。Full模型含GAM派生平滑特征，Raw-data模型使用SIF与原始气象变量，Without-SIF模型仅用气象变量。Stacking在所有情景优于个体基学习器。Full下Stacked的R²=0.72、RPD=1.82、RMSE=2.53、MAE=1.91；个体中XGBoost最好（R²=0.67，RPD=1.65，RMSE=2.78，MAE=2.18），SVM最低（R²=0.62，RPD=1.45，RMSE=3.18，MAE=2.31）。与Raw-data相比，Full提高精度，Stacked的R²由0.63升至0.72，RMSE由3.09降至2.53；去除SIF而保留GAM环境特征使个体学习器R²下降0.03—0.05，Stacked由0.72降至0.67。SHAP显示s(PAR)贡献最大（mean SHAP=1.85—1.94），其次s(T_air)（1.29—1.47），SIF为0.86—1.03，s(SWC)为0.91—1.20，s(VPD)为0.59—0.96。结论为GAM派生环境表征增强GPP估算，SIF提供额外信息，PAR主导。

讨论部分总结如下。

4.1 GPP–SIF耦合时间变异的解释。研究强调温带稀树草原GPP–SIF关系的时间变异。斜率从清晨至午间增加，约14:00最大；相关呈双峰09:00和15:00；月尺度大部分稳定，生长季末显著增加。这些变化表明GPP与SIF存在异步动态而非统计关联丧失。与先前报道上午斜率更高不同，本研究下午更高，可能涉及光保护相关生理调节和入射辐射变化；强午间辐射下光保护能量耗散增强，降低荧光相对碳同化，SIF出现午间下降而GPP较稳定。PAR归一化后SIF/PAR仍有明显日变化，提示除入射辐射外还存在荧光产量等因素。相关双峰表明午间暂时减弱而非关系破裂。PAR归一化不对称，不能定量划分辐射与生理贡献。塔基方向性冠层SIF还受冠层结构、太阳–传感器几何和辐射传输影响；因需要独立约束聚集指数等，本研究未做冠层截获校正。未来需纳入独立约束冠层结构参数。

4.2 GPP和SIF跨时间尺度的环境依赖性。环境效应对GPP、SIF及比值的大小和方向随亚日和季节尺度系统变化。半小时尺度VPD对SIF较GPP更早由正转负，提示荧光对大气水需求增加响应更快。季节上PAR和T_air在生长季中期对GPP和SIF为正，VPD由早中期负转为末期正。类似干旱生态系统季节转换表明环境因子相对重要性不恒定。模型若假设时间不变关系，可能无法充分捕捉生态系统动态。

4.3 纳入环境依赖性改善基于SIF的GPP估算。两阶段建模策略显式纳入时变环境依赖，显著改善SIF-based GPP估算。第一阶段GAM捕捉非线性；消融分析显示含GAM派生效应项的模型优于仅用原始变量。LASSO保留GAM派生效应项，SHAP中s(PAR)和s(T_air)排名最高。去除SIF使个体R²下降0.03—0.05；Stacking最高。该评估在单一温带稀树草原站点进行，框架应视为站点级建模和评估；未来需多站点协调评估通用性和可迁移性。气象变量区域和全球应用有限，光化学反射指数（PRI，photochemical reflectance index）和近红外植被反射率乘以入射辐射（NIRvP，near-infrared reflectance of vegetation multiplied by incoming radiation）等光学指标可能补充提高可扩展性。

研究结论部分翻译：本研究使用GAMM表征温带榆树稀树草原GPP和SIF对气象驱动因子的时间尺度依赖响应模式，并评估了一种显式纳入时变环境效应的两阶段建模策略用于半小时GPP估算。结果揭示GPP与SIF在时间尺度上存在异步动态，具有显著亚日变异性，表现为回归斜率2.32至5.32，以及相关在09:00（r=0.64）和15:00（r=0.62）的日峰值。这些发现表明GPP与SIF耦合是时间动态而非不变的，提示在高时间分辨率下直接将SIF作为GPP代理需谨慎。此外，GPP和SIF对气象驱动因子的响应幅度和方向在亚日和季节时间尺度上系统变化，凸显在解释GPP–SIF关系时考虑时变环境影响的重要性。纳入这些环境依赖改善了模型性能，所评估的两阶段建模策略在研究地点解释了72%的半小时GPP变异（R²=0.72，RMSE=2.53）。纳入SIF进一步改善Stacked模型，使R²从0.67增至0.72。总体而言，本研究提供了GPP–SIF耦合时间动态的全面站点级评估，并证明显式纳入环境依赖可改善温带稀树草原生态系统的数据驱动GPP估算。