基于亚像元TROPOMI SIF的中国大豆碳–水耦合过程估算框架

《Agricultural Water Management》：Sub-pixel TROPOMI SIF enables process-based estimation of soybean carbon–water coupling across China

　　

亚像元TROPOMI SIF支持对中国大豆碳–水耦合进行基于过程的估算。亚像元TROPOMI SIF可在混合农田像元内分离大豆信号。一个受SIF约束的框架可提供全国尺度大豆总初级生产力（GPP）、冠层导度（G_c）、蒸腾（T）和水分利用效率（WUE）估算。模型估算的T–WUE协变在97.6%的大豆像元中为负。在该框架内，饱和水汽压亏缺（VPD）对WUE变异的解释贡献大于土壤含水量（SWC）。

研究背景与问题：大豆是重要油料和蛋白作物，中国消费长期占全球30%以上，但产量约占全球5%，进口依赖强；2024年播种面积约1033万ha，产区跨越东北、黄淮海和南方等农业生态区（AEZ），气候与水限制机制不同，且生产耗水高。因此需要在国家尺度明确估算大豆碳增益和用水，为生产分区、灌溉管理和风险识别提供直接证据。现有太阳诱导叶绿素荧光（SIF；光合能量分配过程中发射的荧光信号）—总初级生产力（GPP；光合碳固定总量）估算多依赖相关/回归，过程解释有限，异质区可能失准；SIF约束蒸腾（T；植物水汽散失）的方法包括SIF–T统计关系和SIF–冠层导度（G_c；冠层水汽传输导度）–Penman–Monteith（PM；基于阻力的蒸散/蒸腾方程）耦合，但仍需提取作物特异亚像元SIF并建立SIF→GPP→G_c→T→水分利用效率（WUE；GPP与T之比）的过程链。研究人员据此构建过程框架，覆盖2019—2025年中国四大AEZ，并诊断饱和水汽压亏缺（VPD；大气干燥度指标）与土壤含水量（SWC；根区土壤水分）对WUE的解释贡献，意义在于提供区域大豆碳–水动态及环境约束诊断的过程化框架。

关键技术方法（≤250字）：数据来自2019—2025年TROPOMI SIF、MODIS fAPAR和近红外植被反射率（NIR_v；与植被结构相关的反射率指标）、ERA5-Land气象与土壤、10 m作物分布产品构建大豆掩膜和比例；研究区为14个主要大豆生产省级行政区四AEZ。亚像元SIF分离将0.05°格点离散为500 m NIR_v子像元，结合大豆比例和最小二乘分配SIF；用机理光响应模型（MLR；由SIF直接估算GPP的理论框架）由SIF、反射率和气象直接估GPP；用气孔导度模型估G_c，PM估T，WUE=GPP/T；以Sobol全局敏感性分析（GSA）和不确定性传播评估；用像素偏相关和优势分析量化VPD与SWC贡献。

研究结果：4.1 中国大豆生长季碳–水过程多年平均空间格局。通过SIF驱动框架估算2019—2025生长季均值：全国GPP为1151.8 gC m^?2 season^?1、G_c为0.00725 m s^?1、T为699.7 mm season^?1、WUE为1.672 gC kg^?1 H₂O；东北平原及黄淮海至中下游带GPP、G_c和T较高，西南低；WUE不随GPP或T单调变化。分区中，中下游（MLY）GPP最高（1298.1 gC m^?2 season^?1）且T最高（889.6 mm season^?1），WUE较低（1.483 gC kg^?1 H₂O）；东北（NE）WUE最高（1.712 gC kg^?1 H₂O）、T较低（684.5 mm season^?1）；黄淮海（HH）WUE最低（1.458 gC kg^?1 H₂O）且WUE年际标准差较大（0.448 gC kg^?1 H₂O）；西南（SW）为低强度GPP（982.5 gC m^?2 season^?1）和T（629.4 mm season^?1）。GSA表明，SIF提取主要敏感于SIF_TOC和NIR_v，GPP敏感于SIF_TOC,S、f_{esc_P-C}和q_L，G_c敏感于A_net和VPD，T敏感于VPD和R_n，WUE传播敏感于f_{esc_P-C}、VPD、R_n、SIF_TOC和q_L。

4.2 年际变异与稳定性。通过面积加权年际回归、留一年检验和像素变异系数（CV）分析：全国GPP和T显著增加（GPP：+13.34 gC m^?2 season^?1 yr^?1，95%CI 4.65—22.04，p=0.011；T：+19.67 mm season^?1 yr^?1，95%CI 10.59—28.75，p=0.003），WUE显著下降（?0.033 gC kg^?1 H₂O yr^?1，95%CI ?0.056—?0.010，p=0.014），G_c不显著（p=0.066）；留一年检验方向保留，显著性GPP为5/7、T为7/7、WUE为6/7。全国CV以WUE最小（8.0%），其次GPP（9.4%）、G_c（11.0%），T最大（14.3%）；NE四指标CV较低，HH和MLY的GPP/T变异较高，SW的G_c/WUE较不稳定，高CV呈空间聚集。

4.3 蒸腾–水分利用效率协变的空间异质性。通过像素Pearson相关和GPP–T缩放分析：全国面积加权r为?0.796，94.5%像素|r|≥0.3、88.9%≥0.5；NE为?0.854，HH为?0.537，MLY为?0.627，SW为?0.587。鉴于WUE=GPP/T的数学依赖，进一步拟合ln(GPP)=α+βln(T)，全国加权β为0.473，75.7%大豆面积β的95%CI低于1，四区β均<1，表明GPP年际变化小于T，负协变不只是分母效应，也与碳增益和蒸腾异步一致。

4.4 大气干燥与土壤水对WUE的相对贡献：偏相关与优势分析。通过日生长季像素偏相关和优势分析：r_partial(WUE,VPD|SWC)全国加权为?0.672±0.116，100%像素为负，99.4%像素|r|≥0.3、89.8%≥0.5；四区均负（NE ?0.659，HH ?0.712，MLY ?0.722，SW ?0.732）。r_partial(WUE,SWC|VPD)仅?0.027±0.066，68.6%负、31.4%正，强相关极少。优势分析显示VPD全国均值89.80%（中位90.45%），99.91%像素≥70%，56.72%>90%；NE最高（90.51%），SW最低（86.37%）。框架内VPD对WUE变异的统计解释贡献大于SWC。

讨论总结：空间上碳增益与耗水大体共位，高GPP和高T不一定带来高WUE；MLY高GPP高T但WUE较低，NE低T高WUE，HH WUE最低且空间变异大，区域差异可为农田管理评估提供信息。年际上GPP和T增加而WUE下降，T的年际CV高于WUE且高变异斑块连续，提示耗水对气候变异和大气蒸发需求更敏感；HH/MLY高CV提示需田间评估灌溉调度和土壤保水，亏缺灌溉和分阶段水分调控可提高单位水回报，管理需兼顾用水稳定性和单位水碳回报。T–WUE负相关普遍，GPP–T亚比例缩放支持其非仅分母效应；HH弱负相关和强异质性提示管理干预与气候变异影响，负耦合可作为区域诊断信号。VPD较SWC解释贡献更强，符合大气干燥对气孔和蒸腾的约束；SWC弱不意味不重要，可能受阈值、非线性和异质性影响，在干旱或关键期仍限制WUE上限；VPD贡献较低区宜用独立观测研究局地土壤水与地形。不确定性包括MLR区域尺度固定Φ_PSIImax、K_DF，q_L参数主要来自杨陵大豆品种实验，亚像元SIF假设PAR空间变异可忽略和Φ_F近似常数，VPD参与G_c/T估算后再解释WUE存在结构依赖，固定大豆分布掩膜，以及缺乏时空匹配的大豆特异G_c/T/WUE独立观测；敏感性和不确定性传播不是独立验证。

研究结论（翻译）：本研究开发了基于过程、SIF驱动的作物碳–水框架，量化2019—2025年中国大豆生长季碳同化、耗水和WUE。框架用卫星SIF估算净光合，并以G_c作为PM方案关键输入估算T，进而得到WUE。全国多年生长季均值GPP、G_c、T、WUE分别为1151.8 gC m^?2 season^?1、0.00725 m s^?1、699.7 mm season^?1、1.672 gC kg^?1 H₂O。偏相关和优势分析表明，在本建模框架内VPD对WUE变异的相对解释贡献大于SWC，该格局出现在全国超过89%的大豆像素。框架优势为：(1)整合作物分布信息在作物尺度分割SIF，减少混合像元效应；(2)通过将SIF与净光合联系以确定G_c，引入生理约束，实现T和WUE一致大尺度估算。总体提供了解释区域大豆碳–水格局的基于过程方法；估计仍受亚像元SIF分割、生理参数化、大豆掩膜稳定性和基于导度的蒸腾建模不确定性影响。