利用NIRvP与SIF遥感指标估算不同生态系统光合能力的探索性研究

《Science of Remote Sensing》：Exploring the role of NIRvP and SIF as remote sensing predictors of photosynthetic capacity across ecosystems

　　

摘要专业翻译 准确量化最大羧化速率（Vcmax）对于改进生态系统总初级生产力（GPP）模型和理解环境变化下的碳循环动态至关重要。传统的用于测量Vcmax的气体交换技术劳动强度大且空间有限，给GPP建模带来了不确定性，并阻碍了将观测结果推广到更大的生态系统。本研究探索了遥感代理——日光诱导叶绿素荧光（SIF）和近红外植被反射率与入射光乘积（NIRvP）——估算光合能力的潜力，这一领域在不同生态系统中仍未得到充分探索。研究人员首先分析了中国不同生态系统中NIRvP、SIF和GPP的季节变化，发现GPP与SIF（R2 = 0.62–0.88）和NIRvP（R2 = 0.55–0.82）之间存在同步峰值和强相关性。虽然SIF紧密追踪光合能力，但NIRvP提供了互补的结构信息，表明这两种代理都能有效追踪生态系统的光合活动，并为估算模型推导的Vcmax提供互补信息。接下来，研究人员使用SCOPE模型内的查找表（LUT）方法，并以涡度协方差（EC）为基础的GPP作为约束条件，估算了Vcmax。结果显示，不同生态系统的Vcmax存在显著差异，其中农田最高，草地最低，并在夏季和秋季达到峰值。最后，应用随机森林（Random Forest）模型，使用NIRvP和SIF衍生的变量来预测Vcmax。预测性能在草地中最高（R2 = 0.89），其次是森林（R2 = 0.72）和农田（R2 = 0.69）。吸收的光合有效辐射与荧光量子产率的乘积（APAR × ΦF）始终是最具影响力的预测因子，而NIRv、红光波段反射率（RED reflectance）和荧光逃逸分数（fesc）则显示出生态系统特异性的重要性。研究结果表明，NIRvP和SIF衍生的变量为估算SCOPE模型推导的Vcmax提供了互补的经验信息；然而，最佳的预测因子组合及其相对贡献在不同生态系统中有所不同。因此，这些结果支持一种基于卫星的、依赖于生态系统的SCOPE模型推导Vcmax估算方法，而非普遍适用的框架。

论文主体内容解读文章

研究背景与科学问题

全球总初级生产力（GPP）的精确估算是理解全球碳循环和气候变化的关键。陆地生物圈模型（TBMs）通常依赖Farquhar-von Caemmerer-Berry（FvCB）模型来计算叶片光合速率，其中最大羧化速率（V_cmax）是一个核心参数，决定了植物固定碳的能力。然而，V_cmax在时间和空间上存在巨大变异，受光照、氮含量、水分等多种因素影响。传统的气体交换法测量V_cmax耗时费力且空间代表性差，导致TBMs常采用固定的V_cmax值，这给GPP模拟带来了很大不确定性。因此，亟需发展一种能够在大尺度上高效、准确地估算V_cmax的方法。

近年来，遥感技术为此提供了新的可能。近红外植被反射率与入射光乘积（NIRvP）整合了冠层结构和辐射特性，可以反映冠层的光合潜力。而日光诱导叶绿素荧光（SIF）作为一种与光合作用过程直接相关的信号，已被证明是追踪GPP的有效指标。尽管两者各有优势，但它们在共同估算光合能力方面的潜力，尤其是在多种生态系统中的互补性和适用性，尚缺乏系统研究。本研究旨在探索如何整合SIF的生理敏感性与NIRvP的结构信息，以提高检测V_cmax变化的能力，特别是解决V_cmax数据匮乏区域的问题。

研究方法概述

为探究上述问题，研究人员在中国选取了六个通量塔站点，涵盖森林、农田和草地三种生态系统类型。研究采用了以下关键技术方法：

1. 1.
   涡度协方差（EC）通量测量：获取站点的GPP和气象数据，作为模型约束和验证的基础。
2. 2.
   SCOPE模型与查找表（LUT）反演：利用SCOPE模型，以EC测量的GPP为约束，通过LUT方法反演出站点尺度的V_cmax值。
3. 3.
   遥感变量估算：计算并使用了多种遥感衍生变量，包括SIF、NIRvP及其相关组分（如NIRv、PAR、APAR、ΦF、fesc等），数据来源于GOSIF、MODIS等卫星产品。
4. 4.
   统计分析与机器学习建模：首先通过线性回归分析评估GPP与SIF、NIRvP的关系。随后，采用随机森林（RF）回归模型，分别基于NIRvP变量、SIF变量以及两者的组合，来预测SCOPE模型推导出的V_cmax，并通过穷举法进行最优线性回归模型选择。

研究结果

3.1. EC通量GPP与遥感指数（SIF, NIRvP）的关系

研究发现，GPP、SIF和NIRvP的季节动态高度同步，均在生长季出现明显峰值。SIF与EC测量的GPP表现出最强的相关性（R²范围0.57-0.93），证明了其作为光合能力代理指标的可靠性。NIRvP与GPP也呈显著正相关（R²范围0.32-0.85），但相关性略低于SIF，这表明NIRvP更多地反映了冠层结构信息。两者结合可以提供更全面的生态系统生产力信息。

3.2. V_cmax的季节变化

通过SCOPE模型反演的V_cmax表现出显著的季节和生态系统特异性。农田的平均V_cmax最高（77.60 μmol m^-2 s^-1），而草地的平均V_cmax最低（16.05 μmol m^-2 s^-1）。所有站点的V_cmax均在夏季和秋季达到峰值，冬季最低，这与温度、光照等环境条件的季节性变化一致。

3.3. 站点尺度V_cmax与SIF_yield推导V_cmax的对比

SIF_yield推导的V_cmax与SCOPE模型反演的V_cmax之间存在中等至强的正相关关系（R²范围0.35-0.78），验证了SIF_yield作为V_cmax估算指标的有效性。这种关系的强度因站点而异，表明环境因素和生态系统类型会影响两者的关联。

3.4. 基于NIRvP和SIF遥感属性的生态系统特异性V_cmax驱动因子

• •
  3.4.1. NIRvP变量的结构贡献：基于NIRvP变量的随机森林模型显示，NIRv是森林和农田中最主要的预测因子，而在草地中，红光波段反射率（RED）的重要性最高。这说明在结构复杂的森林和农田中，反映冠层活力的NIRv更为关键，而在结构简单的草地中，与叶绿素含量直接相关的红波段信号更重要。
• •
  3.4.2. SIF变量的功能贡献：基于SIF变量的随机森林模型表明，APAR × ΦF（反映实际荧光发射效率）是森林和草地中最关键的预测因子，而在农田中，APAR（吸收的光合有效辐射）本身是主导因子。这表明在自然生态系统中，荧光效率对V_cmax的指示作用更强，而农业管理措施可能削弱了这种联系。
• •
  3.4.3. 结构与功能的综合贡献：结合NIRvP和SIF变量的随机森林模型在所有生态系统中均表现最佳，其中草地模型的预测性能最高（R²=0.93）。APAR × ΦF依然是整体上最重要的预测因子，同时NIRv和RED等结构变量也发挥着重要作用，证实了结构信息和功能信息的互补性。

3.5. 整合结构与功能指标提升V_cmax估算

通过比较最优线性回归模型，研究人员发现，结合NIRvP和SIF变量的组合模型在草地（调整后R²=0.803）和森林（调整后R²=0.699）中的表现优于单独使用任一变量集的模型。在农田中，组合模型的调整后R²（0.618）略低于仅用NIRvP的模型（0.646），但其RMSE更低，表明组合模型在预测精度上仍有优势。这进一步强调了整合结构（NIRvP）和功能（SIF）信息对于准确估算V_cmax的价值，尤其是对于草地和森林这类自然或半自然生态系统。

讨论与结论总结

讨论部分指出，SIF和NIRvP在追踪GPP方面具有互补性，SIF反映生理状态，NIRvP反映结构信息。V_cmax的季节和生态系统间变异性受到环境因素（如光照、温度、水分）、物候和管理实践的共同影响。研究强调，基于遥感数据的V_cmax估算需要采取生态系统特异性的策略，因为不同生态系统中，结构变量（如NIRv、RED）和功能变量（如APAR × ΦF）的相对重要性存在显著差异。例如，APAR × ΦF在森林和草地中是关键功能指标，而在农田中APAR的主导地位凸显了管理的影响。研究也坦诚地指出了局限性：本研究的V_cmax是模型推导值而非直接测量值，预测变量之间存在数学关联，且缺乏独立的外部验证。因此，结果的解读应侧重于预测能力而非绝对的因果机制，未来需要在更多样化的植被类型和独立生理观测下进行验证。

研究结论总结如下：本研究评估了遥感代理SIF和NIRvP追踪生态系统生产力的有效性。两者均与EC测量的GPP有良好的季节一致性。生态系统特异性分析显示，农田的平均SCOPE模型推导V_cmax最高，草地最低。SIF_yield推导的V_cmax与SCOPE模型推导的V_cmax表现出中等至强的一致性。整合SIF和NIRvP变量的随机森林模型优于单变量线性回归模型（R² = 0.69–0.84）。APAR × ΦF始终是最具影响力的预测因子之一，而NIRv在森林和农田中贡献更大，RED/fesc在草地中影响力更高，突显了预测因子重要性的生态系统特异性。总之，研究表明NIRvP和SIF衍生的变量为重现SCOPE模型推导的V_cmax提供了互补的经验信息。然而，最佳的预测因子组合及其相对贡献在不同生态系统中有所不同。因此，本研究结果支持一种依赖于生态系统的经验方法，而非普适性或可直接转移的框架。需要独立的生理测量和跨站点验证来评估其更广泛的适用性。