解耦印度植被光合作用变异中的水文气候与灌溉控制作用

《Ecohydrology & Hydrobiology》：Disentangling hydroclimatic and irrigation controls on vegetation photosynthesis variability in India

　　

**摘要**

本研究利用高分辨率卫星反演的太阳诱导叶绿素荧光（SIF）数据产品，探讨了气候变率与灌溉对印度全境（2001–2020 年）光合活动调节作用的影响。研究表明，水文气候变率是主导印度大尺度光合变率的主要因素。灌溉面积的年际变化受气候变率影响，尤其是受可用于灌溉的地表水可用性的变化影响。在年度尺度上，除降雨变率的影响外，灌溉面积对年际 SIF 变率没有表现出显著的独立贡献。降雨对年际 SIF 异常起主导的滞后（1 个月）控制作用，而土壤水分和气温的同步影响最强。本研究进一步使用人工神经网络（ANN）评估了这些显著的水文气候对植被生产力的控制作用。ANN 在农田（$R^2_{ensemble}=0.62$）和落叶林（$R^2_{ensemble}=0.60$）中对光合变率的重现具有稳健的性能。在农田区域，夏季季风期间的模拟结果与观测值更为吻合，而落叶林则在季风季后表现出更好的一致性。特征重要性分析表明，土壤水分是主导控制因素（约 58%），与农田（23.6%）相比，落叶林中的降雨滞后影响更为显著（32.7%）。气温在农田（17.6%）中的影响相较于落叶林（8.9%）更为显著。观测到全印度 SIF 呈显著上升趋势（0.0014 Wm?2μm?1sr?1），这与灌溉面积的快速扩张（1013.56 ha yr?1）相吻合，主要与地下灌溉水源（约 63%）相关。这些发现增强了印度植被变率的预测能力，并突出了水资源管理在变化的季风机制下维持农业生产力的关键作用。

**引言**

光合作用是控制生物圈初级生产的根本生态过程，特别是陆地光合作用，影响着粮食安全与全球碳循环（Beer 等，2010；Johnson，2016）。因此，对植被光合活动的细致监测、量化和预测对于确保对人类生存至关重要的生态系统货物和服务至关重要。印度大陆是全球植被动态的关键贡献者，由于其广泛的农业和丰富的天然植被，它既是主要的面包篮子，也是碳库（Chen 等，2017；Fadnavis 等，2016）。同时，印度的植被对一系列生物和非生物扰动表现出高敏感性（Umar 等，2022）。这些植被生长异常通过该农业国家的社会经济系统传播，其影响甚至延伸至全球范围（Ray 等，2015）。然而，目前仍缺乏对印度大陆植被光合作用异常进行综合的、基于过程的评估。

卫星遥感提供的丰富空间和时间连续的地面观测数据，为追踪和模拟植被动态开辟了成本效益高的途径（Tucker 等，2005）。卫星衍生的植被指数（VIs）为生态系统功能提供了关键见解，并成为陆地生物圈模拟的组成部分（Running 等，2004）。归一化植被指数（NDVI）是最早且应用最广泛的 VI 之一，已被广泛应用于全球和区域的植被研究。印度基于 VI 的研究通过捕捉结构变化（绿化和褐化）、量化植被覆盖的时空动态以及提供关于粮食生产和干旱监测的关键见解，全面评估了长期植被动态（Kamble 等，2010；Milesi 等，2010；Parida 等，2020；Sarkar 和 Kafatos，2004）。然而，传统使用的谱 VI 在近似陆地光合作用方面存在固有局限。例如，VI 对绿度变化有响应，但对瞬时光合作用没有响应，因此总初级生产力（GPP）可能会下降，而叶绿素或叶面积指数并没有减少（Camps-Valls 等，2021）。因此，VI 难以捕捉陆地光合的生理调节和动态，因为基于卫星的观测揭示了印度次大陆植被绿度趋势与 GPP 之间的不匹配（Sarmah 等，2021）。冠层吸收的光合有效辐射分数（fAPAR）等生物物理变量被广泛用作光合能力的结构代理指标（Myneni 等，2002；Qin 等，2018）。然而，从卫星数据衍生的业务化 fAPAR 产品无法区分光合作用与非光合作用冠层组分吸收的辐射，这可能在估算有效用于光合作用的 PAR 分数时引入偏差（Ogutu 和 Dash，2013）。这些局限性 necessitate 向基于光合生理的观测转变。卫星遥感最近的进展使得能够测量太阳诱导叶绿素荧光（SIF），这是光合作用的机制性代理指标（Zarco-Tejada 等，2013）。然而，SIF 在表征印度大陆植被光合活动方面的应用仍然有限。

SIF 是叶绿素 a 在光合作用光反应期间在电磁波谱的红光和远红光波段（650 至 850 nm）重新发射的辐射（Liu 等，2015）。SIF 包含被叶绿素吸收的光合有效辐射信息，而不是植物的非光合组分（Parazoo 等，2014）。因此，SIF 是一个直接生物信号，比主要捕捉冠层结构特征的 VI 更能紧密反映实际光合活动的变化（Mohammed 等，2019）。因此，SIF 测量被广泛用作植物胁迫的早期预警指标，在可见变化变得明显之前检测光合作用调节的破坏（Parazoo 和 Fuchs，2025）。早期实现 SIF 反演的空间任务包括温室气体观测卫星（GOSAT）、全球臭氧监测实验 -2（GOME-2）和用于大气制图扫描成像吸收光谱仪（SCIAMACHY），尽管空间分辨率非常粗（Frankenberg 等，2013；Guanter 等，2012；Joiner 等，2011）。之前的研究表明了 GOME-2 SIF 观测在估算印度生态系统植被生产力和评估热胁迫对作物产量影响方面的适用性（Patel 等，2018；Song 等，2020）。然而，SIF 所捕捉到的水文气候变率和人为影响在调节印度植被光合活动中的作用仍了解甚少。

水循环与碳循环的紧密耦合是陆地光合作用的一个基本方面（Joshi 等，2022）。印度经历了高度变化的季风降雨与世界上最大的灌溉农业系统之一共存的情况（D?ll 和 Siebert，2002；Turner 和 Annamalai，2012）。这种共存使得归因变得困难，因为植被活动的变化反映了直接的水文气候效应、灌溉诱导效应或两者的结合。因此，很难将气候变率和灌溉对观测到的植被动态的单独贡献隔离出来，这限制了印度植被活动的可预测性。最近的方法学进展使得能够利用基于机器学习（ML）的方法从粗卫星观测中重建高分辨率 SIF 产品，从而改进了细尺度生态系统功能动态的表征。利用这些进展，我们使用 0.05°分辨率的 SIF 数据集来调查 2001–2020 年期间印度大陆的植被光合变率（Xiao 等，2019）。具体来说，除了量化区域气候变率与 SIF 之间的关系外，我们评估了灌溉面积的变化是否在印度大空间尺度上显著调节了气候 - 植被关系。此类见解有望改善对植被光合活动的过程级理解和预测能力。此外，非线性统计框架在捕捉光合作用变率方面的表现尚未得到详细评估。值得注意的是，人工智能（AI）技术可以捕捉复杂的非线性相互作用，但其在理解大尺度气候 - 植被动态方面的应用仍然有限。此外，不同灌溉水源类型（例如，水井、水塘、运河和其他水源）对印度灌溉扩张的相对贡献，以及它们与大规模植被光合作用变化之间的关联，仍然未知。

鉴于上述情况，本研究旨在：
• 表征 SIF 的季节和空间变率，以提供基于生理学的印度植被光合活动评估，超越传统的基于绿度的卫星产品。
• 评估水文气候驱动因素对印度 SIF 变率的影响。
• 量化灌溉水源对植被光合作用长期和年际变化的贡献。
• 评估基于多元线性回归（MLR）和人工神经网络（ANN）模型在解释植被光合作用变率方面的技能。

**章节片段**

**研究区域**

印度大陆，跨越北纬 8°4′–37°6′和东经 68°7′–97°25′，是全球生物多样性热点（图 1）。北部由大喜马拉雅山脉护卫，其余三侧被印度洋环绕。这个巨型多样化国家占地总面积 328 万平方公里，人口持续增长至 14 亿（?ajková 和 ?ajka，2025；Shunmugam，2016）。印度是一个农业国家，超过一半的人口依赖农业。

**印度气候与植被光合活动的年循环**

研究期内全印度月平均 SIF、降雨和气温的均值展示了植被光合活动与气候季节性之间的显著耦合（图 2）。气温从 1 月开始升高，5 月达到峰值，然后稳步下降至 12 月。降雨从冬季到初夏逐渐上升，随后急剧增加，随着夏季季风在全国建立，在 7 月达到最大值。此后，

**结论**

本研究展示了灌溉和水文气候变率在调节印度光合活动（从 SIF 异常推断）中的相对作用。印度植被光合作用表现出两阶段季节性响应，从季风前的气温诱导土壤水分消耗过渡到由土壤水分补给介导的季风快速驱动调节。印度全境光合的年际变率受空间结构化且互补的塑造

**数据可用性声明**

GOSIF 可在合理请求下从全球生态群组的数据库获得（http://data.globalecology.unh.edu/data/GOSIF_v2/Monthly/）。高分辨率 CSIF 数据通过 10.17605/OSF.IO/8XQY6 获取。ERA5 数据从哥普尼气候变化服务（C3S）气候数据仓储（CDS）获得，网址为 10.24381/cds.f17050d7。土壤水分数据从 FEWS NET 陆地数据同化系统获得，网址为 https://doi.org/10.5067/5NHC22T9375G。降雨数据取自印度气象局（IMD）

**资助**

作者未收到本工作的特定资助。

**CRediT 作者贡献声明**

Roma Varghese：撰写 – 原始草稿、方法论、正式分析、概念化。Jasti S. Chowdary：撰写 – 审阅与编辑、监督、方法论、正式分析。Chellappan Gnanaseelan：撰写 – 审阅与编辑、监督、方法论、正式分析。

Roma Varghese|Jasti S. Chowdary|Chellappan Gnanaseelan