《International Journal of Digital Earth》：Improving photosynthetic phenology detection by incorporating vegetation index with meteorological factors
编辑推荐：
准确检测植被光合物候对于理解陆地生态系统动态和改进碳循环模拟至关重要。然而，传统的植被指数（VI）由于冠层绿度与光合作用之间的不匹配，以及背景噪声和饱和效应带来的不确定性，往往高估生长季长度。为解决上述局限性，研究人员开发了一种改进物候指数（MPI），该指数将
准确检测植被光合物候对于理解陆地生态系统动态和改进碳循环模拟至关重要。然而，传统的植被指数（VI）由于冠层绿度与光合作用之间的不匹配，以及背景噪声和饱和效应带来的不确定性，往往高估生长季长度。为解决上述局限性，研究人员开发了一种改进物候指数（MPI），该指数将植被指数与气象约束因子相结合，以更可靠地捕获冠层光合物候。利用84个碳通量站点的数据，研究人员将基于五种植被指数、两种太阳诱导叶绿素荧光（SIF）产品和五种MPI变体提取的物候与基于总初级生产力（GPP）的物候进行了比较，并采用多种提取方法。相对于植被指数，MPI显著提高了物候检测的精度，在识别生长季结束期（EOS）方面优于SIF，在生长季开始期（SOS）识别方面与SIF表现相当。在2001年至2022年北半球范围内，基于NDVI的MPI揭示了SOS的大范围提前（58.5%的像元）以及EOS的轻微延迟（51.5%的像元）。这些结果表明，MPI在大尺度光合物候监测中具有较强的稳健性，并在气候-生态系统相互作用研究中具有重要价值。
**论文解读：基于植被指数与气象因子融合的北半球光合物候检测改进研究**
**一、研究背景与科学问题**
植物物候是植被生长周期中反复出现的阶段性现象，包括发芽、开花、结果、落叶和休眠等。物候期的变化直接调控着陆地生态系统与大气之间的碳、水和能量交换过程。因此，物候指标的准确性，尤其是生长季开始期（SOS）和生长季结束期（EOS）的精确判定，对于降低陆地生物圈模型的不确定性、提升碳循环预测能力至关重要。然而，传统的基于反射率的植被指数（VI）在检测光合物候时存在显著局限。由于冠层绿度变化与光合作用活性在时间上并不完全同步，植被指数往往会系统性高估生长季长度。此外，在高生物量区域指数易出现饱和效应，在稀疏植被区域又易受土壤背景影响，导致物候检测结果存在不确定性。虽然目前已发展出如核归一化植被指数（kNDVI）和近红外反射率植被指数（NIRv）等改进植被指数，它们能在一定程度上缓解背景噪声问题，但仍然基于光谱反射率信号，在非生长季易受积雪、土壤等背景干扰，且本质上反映的是冠层绿度物候而非光合物候。太阳诱导叶绿素荧光（SIF）作为一种直接与光合作用过程相关的信号，虽展现出监测光合物候的潜力，但其产品在空间覆盖度和时间连续性上存在限制。此外，已有研究尝试将单一气象因子（如温度）与植被指数结合，但忽略了多种环境因子对植物生长的非线性综合影响。因此，亟需发展一种能够融合多气象约束因子、兼具物理机制与空间普适性的新型物候指数，以提升大尺度光合物候检测的准确性。
**二、研究内容与主要技术方法**
针对上述问题，研究人员提出了一种改进物候指数（MPI）框架，将遥感植被指数与基于多气象因子的生长季指数（GSI）相结合。研究使用了北半球84个涡动相关碳通量站点（FLUXNET2015）的GPP观测数据作为基准，涵盖了715个站点年，代表七种主要植被类型。研究对比了五种植被指数（NDVI、EVI、LAI、NIRv、kNDVI）、两种SIF产品（CSIF和GOSIF）以及五种MPI变体在提取光合物候中的表现。主要技术方法包括：(1) 利用ERA5-Land再分析数据计算温度、降水、光周期和短波辐射四个环境变量的标量约束因子，构建生长季指数并将其归一化（NGSI），再与植被指数相乘生成MPI；(2) 采用遗传算法（GA）优化GSI模型中的八个气象阈值参数，并通过五折交叉验证确定最优参数集；(3) 应用八种物候提取方法（包括双逻辑函数-一阶导数、双逻辑函数-二阶导数、固定阈值-多项式函数、双逻辑函数-动态阈值0.1-0.5）评估各数据源的物候提取能力；(4) 采用相关系数（R）、均方根误差（RMSE）、平均偏差（Bias）和克林-古普塔效率（KGE）四个指标综合评价模型精度。
**三、主要研究结果**
**1. 不同植被指数和SIF的SOS提取能力对比**
研究发现，SIF产品在提取SOS方面整体优于传统植被指数，其中GOSIF表现最佳，采用双逻辑函数-动态阈值0.1（DLF-DT0.1）方法时获得最高精度（R=0.89，RMSE=17.23天，KGE=0.80）。植被指数中，NDVI、EVI和kNDVI在动态阈值0.5（DLF-DT0.5）方法下表现最优，总体R介于0.77-0.81之间，RMSE介于22.18-24.80天之间。SOS的性能在各植被类型间存在差异，GOSIF对所有植被类型均保持最高性能。
**2. 不同植被指数和SIF的EOS提取能力对比**
EOS提取的整体精度低于SOS。GOSIF仍为最优数据源，采用固定阈值-多项式函数（FT-PF）方法时效果最佳（R=0.72，RMSE=21.47天，KGE=0.71）。植被指数在EOS检测中表现出更大的变异性，NDVI和kNDVI在DLF-DT0.5方法下表现最好，而EVI和NIRv在DLF-DT0.4方法下精度最高。在植被类型层面，草地、灌木地和萨瓦纳的VI-based EOS与GPP-based EOS相关性较强，而森林类型的相关性较低。
**3. MPI在SOS提取中的能力**
MPIs在所有评估方法中均显著优于其源植被指数，R最高提升0.32，KGE最高提升0.51，RMSE最多降低59%。其中，MPI
NDVI结合DLF-DT0.2方法表现最佳（R=0.87，RMSE=17.84天，KGE=0.72），相比源NDVI在同一方法下RMSE降低55%，R提高8.8%，KGE提高38.5%。更重要的是，MPI
NDVI在SOS提取中超越了CSIF的几乎所有方法，并在大部分方法下优于GOSIF。在植被类型层面，MPIs在落叶林、常绿针叶林和灌木地中的提升尤为显著，甚至超过了GOSIF的表现。
**4. MPI在EOS提取中的能力**
MPIs在EOS监测中展现了更为突出的优势，R最高提升0.85，KGE最高提升0.90，RMSE最多降低67%。在所有方法中，除FT-PF外，MPIs均展现了优于CSIF和GOSIF的性能。MPI
NDVI结合DLF-DT0.2方法为最优组合（R=0.77-0.80区间，RMSE=16.07-18.20天，KGE=0.73-0.79），相比源NDVI在同一方法下R提高23.1%，RMSE降低67%，KGE提高50.0%。该组合在所有方法中均优于CSIF和GOSIF。在植被类型层面，除灌木地和萨瓦纳外，MPIs在其余所有植被类型中均表现出优于源VI和SIF产品的EOS提取能力。
**5. 最佳MPI提取的北半球物候时空格局**
基于MPI
NDVI结合DLF-DT0.2方法，研究人员提取了2001-2022年北半球光合物候的空间格局。SOS主要发生在DOY 120-180之间，覆盖70.7%的植被像元，随纬度升高而推迟。EOS主要集中在DOY 240-300之间，覆盖77.3%的像元，随纬度升高而提前。时间趋势分析显示，58.5%的植被像元呈现SOS提前趋势，主要分布在北欧、北美北部和西亚；51.5%的像元呈现EOS延后趋势，主要分布在北美中部和东部、东亚、中欧和西西伯利亚。各植被类型的物候趋势方向基本一致但幅度不同，常绿针叶林、灌木地和湿地的SOS以约0.2天/年的速率提前，湿地的EOS以约0.3天/年的速率延后。
**四、讨论与结论**
研究结果表明，传统植被指数在提取光合物候时存在系统性偏差，SOS通常被提前、EOS被延后，这主要归因于冠层绿度变化与光合活性变化的时间不同步性。MPI通过纳入多气象约束因子，有效抑制了非生长季的异常信号，显著提升了光合物候检测的准确性。值得注意的是，MPI在EOS检测中的优势尤为突出，这得益于NGSI对秋季背景干扰（如积雪和凋落物）的有效抑制。研究还发现，最佳MPI组合采用较低动态阈值（0.1-0.2），而传统VI需要较高阈值（0.4-0.5），进一步证实了MPI在降低背景噪声方面的有效性。
在植被类型层面，MPIs在落叶林和灌木地的EOS检测改进最为显著，这可能是因为这些植被类型的光合作用受气象因子约束更强，且冠层结构和叶面积表现出更明显的季节性变化。然而，对于常绿针叶林，由于冠层结构年变化较小，MPI的改进效果不如GOSIF。MPI的优势在于其综合了植被的生物物理特征与气象条件对植被生长的约束作用，能够准确追踪光合作用的季节变化。尽管MPI仍存在对再分析气象数据依赖、参数优化缺乏实测验证等局限，但其在大尺度光合物候监测和生态系统生产力预测方面展现出较强的应用潜力。该研究系统评估了多种数据源和方法组合的物候提取性能，为改进生态系统模型模拟和理解植被-气候相互作用提供了重要的方法学支撑。
