基于PACE高光谱观测的陆地生态系统总初级生产力（GPP）全球制图新范式

《Remote Sensing of Environment》：PACE hyperspectral observations enable a new paradigm for global mapping of terrestrial gross primary production

　　

摘要专业翻译 光合作用从大气中移除CO2，是生物量生产和陆地碳循环的基础。在生态系统尺度上，所有叶片对CO2的总吸收量，即总初级生产力（Gross Primary Production, GPP），是衡量碳进入陆地生态系统的主要指标（Anav et al., 2015; Prentice et al., 2024）。在区域至全球尺度上准确监测GPP，对于理解生态系统功能和诊断影响未来大气CO2浓度的碳-气候反馈至关重要。然而，GPP反映的是复杂叶片与冠层组合中的生化过程，无法直接观测，其在区域至全球尺度的估算存在较大不确定性（Anav et al., 2015; Wohlfahrt and Gu, 2015）。 GPP通常通过间接方法推断，包括利用涡度协方差（Eddy Covariance, EC）技术对净生态系统交换进行拆分（Baldocchi, 2014）、基于卫星的光能利用效率（Light-Use Efficiency, LUE）框架（利用植被指数）（Running et al., 2004）和太阳诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence, SIF）（Guanter et al., 2014; Li et al., 2018; Sun et al., 2017），以及将辐射传输与光合作用耦合、由气象和植被参数估算驱动的过程模型（Lawrence et al., 2019; Van der Tol et al., 2009）。EC技术或许能在生态系统尺度上提供最佳的GPP估算，但这些数据仅限于数百个站点，空间分布稀疏。区域至全球尺度的GPP估算通常依赖机器学习和/或过程模型。卫星代理变量存在光谱采样粗糙、几何效应、反演不确定性和不同传感器足迹混合等问题（Xiao et al., 2019）。此外，基于LUE的模型和过程模型都依赖气象再分析、土地覆盖数据和土壤属性信息，这些会引入额外的不确定性，同时模型本身也存在结构和参数不确定性（Arora et al., 2023; Lawrence et al., 2019）。这些因素给推断GPP的幅度和变率带来不确定性，促使研究人员持续改进基于观测和模型的GPP估算。 高光谱遥感通过捕捉许多与吸收光量和植物性状相关的窄波段光谱特征，为估算GPP提供了一种有前景的手段（Bioucas-Dias et al., 2013; Delalieux et al., 2009; Shiklomanov et al., 2019）。在整个光谱范围内，特定的高光谱区域对应植被组成和功能。在可见光范围（VIS: 400–700 nm）内，叶绿素和类胡萝卜素的吸收塑造了红谷和绿峰，而531 nm附近的窄带特征（用于光化学反射指数）对光合LUE敏感，绿色和长红波段的其他导数特征则追踪物候和冠层叶绿素（Garbulsky et al., 2011; Sims and Gamon, 2002; Tucker, 1979）。红边（680–750 nm）对垂直冠层梯度高度敏感，并随叶片氮、叶绿素、碳和等效水厚度而变化（Filella and Penuelas, 1994; Horler et al., 1983）。近红外（NIR: 700–1300 nm）由叶片至冠层尺度结构属性的多次散射主导，并受叶片和冠层水分状况调制（Gates et al., 1965; Serrano et al., 2000）。短波红外（SWIR: 1300–2500 nm）提供与水分含量和叶绿素以外的生化组分相关的信息（Ceccato et al., 2001; Curran, 1989; Gao, 1996; Kokaly and Clark, 1999; Serrano et al., 2000）。窄带反射率还可指示调节光合作用的非生物和生物胁迫（Behmann et al., 2014; Sapes et al., 2024; Yang et al., 2024）。这些特征共同提供了丰富的生理信息，使高光谱数据相对于宽波段指数或稀疏光谱传感器在稳健的GPP估算方面具有重要价值（Huemmrich et al., 2025; Liu et al., 2025a）。 这些特征还表明，高光谱观测可能有助于减少GPP估算对外部气象输入数据的依赖（Dechant et al., 2019; Li et al., 2026; Wang et al., 2026）。由于冠层反射率综合反映了植被对其环境的结构、生化和生理响应，高光谱数据可能间接反映辐射、温度、水分可用性和大气需求对光合活性的影响（Li et al., 2026; Wang et al., 2026）。相比之下，卫星GPP模型中使用的气象变量通常来自再分析或网格化产品，其时空尺度可能与卫星观测和生态系统通量测量不一致（Zhao et al., 2005）。辐射、温度、饱和水汽压差（Vapor Pressure Deficit, VPD）和土壤水分的偏差和不确定性，以及数据集之间的时空不匹配，都会给GPP估算引入额外的不确定性（Barman et al., 2014; Tramontana et al., 2015; Zhao et al., 2006）。此外，某些环境影响因素可能已反映在植被的光谱响应中，导致气象预测因子与高光谱信息之间存在一定程度的冗余（Dechant et al., 2019; Li et al., 2026; Wang et al., 2026）。因此，直接从高光谱反射率估算GPP可能减少对辅助气象数据集的依赖，避免这些不确定性来源，同时仍能捕捉植被对环境条件的综合结构、生化和生理响应。 浮游植物、气溶胶、云和海洋生态系统（Plankton, Aerosol, Cloud, ocean Ecosystem, PACE）任务于2024年2月8日发射，为利用高光谱数据在全球范围内制图陆地GPP提供了前所未有的机遇，尽管该任务的主要焦点是海洋水色、气溶胶和云（Dierssen et al., 2023）。其海洋颜色仪器（Ocean Color Instrument, OCI）在紫外-可见-近红外波段提供常规的全球高光谱覆盖，并具有选定的SWIR波段，空间分辨率为适中的1–2 km，幅宽达2700 km（Caplan and Huemmrich, 2025）。重要的是，PACE是首个提供陆地和海洋全球高光谱观测的卫星，能够每1至2天实现近全球重访。这一开创性能力将PACE扩展到其核心海洋-大气目标之外，通过提供一致的、频繁的光谱来表征生态系统色素、结构和水分状况，从而支持植被功能和GPP的直接制图（Huemmrich et al., 2025）。 在此，研究人员展示了PACE OCI高光谱反射率在全球范围内制图GPP的首次应用。研究人员使用来自72个EC站点的GPP数据（跨越主要植被类型），以全部122个波段的表面反射率作为预测因子，训练了偏最小二乘回归（Partial Least Squares Regression, PLSR）模型。基于此，研究人员生成了覆盖2024年3月5日至2025年3月5日的全球8天GPP数据集。随后，研究人员将完全由高光谱数据驱动的全球GPP估算与光合活性的独立遥感估算进行了对比评估，并考察了其时空格局。仅凭高光谱反射率即可实现可扩展且无需气象数据的全球GPP制图框架，可支持碳循环评估和地球系统模型基准测试。

论文解读文章

一、研究背景与问题

陆地生态系统通过光合作用从大气中吸收CO₂，这一过程支撑着生物量生产和陆地碳循环。在生态系统尺度上，所有叶片对CO₂的总吸收量——总初级生产力（Gross Primary Production, GPP）——是衡量碳进入陆地生态系统的主要指标。在区域至全球尺度上准确监测GPP，对于理解生态系统功能、诊断影响未来大气CO₂浓度的碳-气候反馈至关重要。

然而，GPP反映的是复杂叶片与冠层组合中的生化过程，无法直接观测。目前GPP的估算主要依赖以下几种间接途径：一是涡度协方差（Eddy Covariance, EC）技术对净生态系统交换进行拆分，该方法虽能提供生态系统尺度上最佳的GPP估算，但数据仅限于数百个站点，空间分布极为稀疏；二是基于卫星的光能利用效率（Light-Use Efficiency, LUE）框架，利用植被指数进行估算；三是太阳诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence, SIF）方法；四是耦合辐射传输与光合作用、由气象和植被参数驱动的过程模型。这些方法存在多方面的问题：卫星代理变量受光谱采样粗糙、几何效应、反演不确定性和传感器足迹混合等因素影响；LUE模型和过程模型依赖气象再分析、土地覆盖和土壤属性等外部数据，这些数据存在偏差和不确定性，且时空尺度可能与卫星观测和通量测量不匹配；模型本身还存在结构和参数不确定性。这些因素共同导致区域至全球尺度GPP估算存在显著不确定性。

高光谱遥感通过捕捉大量与吸收光量和植物性状相关的窄波段光谱特征，为GPP估算提供了新思路。在可见光范围内，叶绿素和类胡萝卜素的吸收塑造了红谷和绿峰，531 nm附近的窄带特征对光合LUE敏感；红边（680–750 nm）对垂直冠层梯度高度敏感并随叶片氮、叶绿素等含量变化；近红外（NIR）由叶片至冠层结构属性的多次散射主导；短波红外（SWIR）提供与水分含量和生化组分相关的信息。这些光谱特征共同反映了植被的结构、生化和生理状态，也间接反映了辐射、温度、水分可用性和大气需求等环境因素对光合活性的影响。因此，直接从高光谱反射率估算GPP有望减少对外部气象数据集的依赖，避免相关不确定性来源。

PACE（Plankton, Aerosol, Cloud, ocean Ecosystem）任务于2024年2月8日发射，其海洋颜色仪器（Ocean Color Instrument, OCI）在紫外-可见-近红外波段提供常规全球高光谱覆盖，并具有选定的SWIR波段，空间分辨率为1–2 km，幅宽达2700 km，每1至2天实现近全球重访。PACE是首个提供陆地和海洋全球高光谱观测的卫星，为利用高光谱数据在全球范围内制图陆地GPP提供了前所未有的机遇。

二、研究内容与主要技术方法

研究人员利用PACE OCI Version 3 Level 3 8天平均表面反射率（SFREFL）数据集，覆盖2024年3月5日至2025年3月5日，包含346 nm至2258 nm范围内122个5 nm宽的波段。以全部122个波段的表面反射率作为预测因子，使用来自全球72个涡度协方差（EC）站点的GPP数据（跨越主要植被类型）训练偏最小二乘回归（Partial Least Squares Regression, PLSR）模型，生成了全球8天GPP数据集。同时，研究人员从OCI反射率波段计算了光化学反射指数（Photochemical Reflectance Index, PRI）、增强型植被指数（Enhanced Vegetation Index, EVI）、近红外植被反射率（Near-Infrared Reflectance of Vegetation, NIRv）和红边叶绿素指数（Red-edge Chlorophyll Index, CIre）等植被指数用于对比评估。研究人员还将PACE GPP估算与SIF等独立遥感光合活性估算进行了对比验证。

三、研究结果

3.1 高光谱反射率驱动的GPP模型性能

研究人员使用72个EC站点的GPP数据训练PLSR模型，以PACE OCI全部122个波段的表面反射率作为预测因子。结果表明，仅凭高光谱反射率即可有效估算GPP，其性能可与使用气象驱动因子的模型相媲美。这一发现表明高光谱反射率本身蕴含了足够的植被生理和环境响应信息，无需外部气象数据即可实现可靠的GPP估算。

3.2 高光谱反射率与宽波段反射率及植被指数的对比

研究人员将高光谱反射率驱动的GPP模型与使用宽波段反射率或单一植被指数（如EVI、NIRv、PRI、CIre）的模型进行了系统比较。结果显示，高光谱反射率的GPP估算性能显著优于宽波段反射率或任何单一植被指数。这是因为高光谱数据能够捕捉更多与光合作用相关的窄波段光谱特征，提供了更丰富的生理信息。

3.3 全球GPP制图与空间格局

基于训练好的PLSR模型，研究人员生成了覆盖2024年3月5日至2025年3月5日的全球8天GPP数据集。该数据集的空间分布模式与SIF的空间格局高度一致，能够捕捉全球高生产力区域的碳吸收热点，包括热带雨林、温带森林和农田等区域。这表明PACE高光谱GPP估算在空间上具有可靠性。

3.4 与SIF的对比验证

研究人员将PACE GPP估算与独立的SIF遥感产品进行了对比评估。结果显示两者在空间分布上高度吻合，PACE GPP能够再现SIF所揭示的高生产力区域分布特征。这一交叉验证进一步支持了基于高光谱反射率GPP估算的可靠性。

四、讨论与结论

讨论部分指出，高光谱反射率之所以能够有效估算GPP，是因为冠层反射率综合反映了植被的结构、生化和生理状态，以及其对环境条件（如辐射、温度、水分可用性等）的响应。与依赖气象再分析数据的传统GPP模型相比，基于高光谱反射率的方法避免了气象数据偏差和时空不匹配带来的不确定性。PACE OCI作为首个提供全球高光谱观测的卫星任务，其1–2天的近全球重访频率为GPP的动态监测提供了前所未有的能力。

研究结论表明，仅凭高光谱反射率即可实现可扩展且无需气象数据的全球GPP制图框架。这一方法框架能够支持碳循环评估和地球系统模型基准测试，为全球陆地碳循环研究提供了新的观测范式。该研究首次展示了基于卫星高光谱数据的全球GPP制图能力，标志着高光谱遥感在陆地生态系统监测领域的重要突破。