基于遥感的最先进GPP数据集在量级和趋势上存在巨大差异

《Agricultural and Forest Meteorology》：Large discrepancies in magnitude and trends among state-of-the-art remote sensing based GPP datasets

　　

•最先进的光学遥感数据集表明，全球年总初级生产力（GPP）中位数从2003年的125.15 Pg C·yr?1增加到2016年的131.94 Pg C·yr?1。
•约78.7%的全球陆地表面在不同数据集之间表现出GPP趋势的显著差异。
•多源数据集一致确认，自2000年以来全球年GPP呈持续增长趋势。
•与1982–1999年相比，2003–2016年间全球年GPP的增长速率有所减缓。

**引言**

陆地总初级生产力（GPP）是大气圈与生物圈之间最大的碳通量，决定了植物固定的总有机碳量（Anav et al., 2015; Ryu et al., 2019）。因此，准确量化GPP对于理解陆地碳-气候反馈至关重要（Beer et al., 2010）。尽管涡度相关网络为GPP提供了地面真值标准，但其稀疏的分布要求采用上尺度技术以实现全球覆盖（Baldocchi, 2003; Xiao et al., 2026）。目前的过程模型常常受到气象驱动因子和地表参数不确定性的限制（Dunkl et al., 2023; Jung et al., 2007; Yang et al., 2022）。因此，基于遥感（RS）的建模已成为不可或缺的监测手段，为跨尺度GPP动态监测提供了空间显式和一致性的框架（Anav et al., 2015; Tatem et al., 2008; Zhu et al., 2024b）。

当前最先进的基于遥感（RS）的GPP建模框架可大致分为四类：植被光谱信息（RS代理）模型、光能利用效率（LUE）模型、Farquhar–von Caemmerer–Berry（FvCB）模型和机器学习（ML）模型。尽管所有这些框架都可由卫星遥感数据驱动，但它们的底层结构存在显著差异。RS代理模型利用植被指数或太阳诱导叶绿素荧光（SIF）作为光合活性的直接指标，有效捕捉GPP的时空变异性（Zhu et al., 2024b）。LUE模型基于Monteith（1972）框架，将GPP估计为吸收的光合有效辐射（APAR）与光能利用效率系数（ε）的乘积。相比之下，基于FvCB的模型整合了最大羧化速率（Vcmax）和电子传输速率（Jmax）等关键生物物理参数，以模拟叶片水平的碳同化（Farquhar et al., 1980），随后通过基于遥感（RS）的叶面积指数（LAI）将其上尺度到冠层水平。最后，机器学习（ML）模型将综合的遥感数据、气象驱动和碳通量测量与机器学习算法相结合，生成空间和时间上连续的GPP数据集（Nelson et al., 2024）。

由于GPP数据集基于不同的模型结构、参数化方案和驱动数据，它们在全球GPP的幅度和趋势上表现出显著差异。Anav et al.（2015）的结果显示，基于不同GPP数据集，全球年GPP范围为112–169 Pg C·yr?1。而Wang et al.（2021）发现，在24个不同数据集中，全球年GPP的范围更为宽广（即92.7–178.9 Pg C·yr?1）。具体聚焦于基于遥感（RS）驱动的GPP数据集，Dong et al.（2022）报告了基于LUE模型的8个GPP数据集中，全球年GPP范围为128.5–158.3 Pg C·yr?1。这些差异凸显了全球GPP估计的显著不确定性，并传播至碳汇评估中（Dunkl et al., 2023）。

除了全球年GPP绝对幅度的不确定性之外，其时空趋势也存在显著分歧。在全球范围内，Yuan et al.（2019）指出，自2000年以来全球GPP的增长已经停滞，因为不断升高的蒸气压亏缺（VPD）越来越多地抵消了CO?施肥效应。相反，Keenan et al.（2023）报告全球GPP在强烈的CO?施肥响应驱动下持续大幅增长。在空间上，Reichstein et al.（2007）和O'Sullivan et al.（2020）观察到高纬度地区GPP持续上升趋势，主要归因于气候变暖。相比之下，Madani et al.（2020）发现热带地区GPP持续下降，主要由不断加剧的大气水分需求（VPD）引发。

此外，基于遥感（RS）驱动的数据对GPP估计的差异观察也贡献显著。大多数建模框架依赖于多源遥感（RS）产品，其保真度和时空分辨率决定了碳通量量化的精度。例如，若干长期GPP记录基于连续高级甚高分辨率辐射仪（AVHRR）传感器衍生的LAI数据（Claverie et al., 2014; Zhu et al., 2013）。然而，这些早期平台的轨道漂移引入了伪趋势，构成系统偏差的主要来源（Chen et al., 2019; Zhu et al., 2016b）。从结构角度来看，过度简化的模型往往无法考虑支配光合作用的复杂生理机制（Zhu et al., 2024b）。因此，当前GPP数据集在多个维度上表现出深刻的不一致性。尽管全球"变绿"信号已得到广泛认可（Chen et al., 2019; Jeong et al., 2024），但仍存在显著的空间非平稳性。某个区域在一个数据集中可能显示出显著的GPP增益，但在另一个数据集中却表现为静止状态。

尽管已有大量GPP对比研究，但仍存在几个根本性的知识空白。大多数以往评估聚焦于单一指标，如气候平均值或十年趋势，而缺乏跨不同遥感建模类别的系统性综合。此外，空间一致性、跨数据集不确定性和分布特征很少在统一框架下进行分析，且通常缺乏可靠的全球GPP幅度或趋势的代表性范围。为应对这些局限性，本研究对13个最先进的基于遥感（RS）的GPP数据集进行了全面系统评估。我们严格量化了全球GPP幅度和时空动态，评估了数据集间的一致性，并表征了跨数据集不确定性。通过利用集成中位数，我们得出了长期GPP趋势的代表性范围，为全球碳封存提供基准。我们的发现为全球变化研究者、地球系统模型（ESM）开发者和遥感数据集开发者提供了关键的参考和必要的观测约束。

**小节摘要：GPP数据集**

我们采用了13个最先进的GPP数据集（表1）。这些数据集源自四种建模框架，包括RS代理、LUE、FvCB和ML模型。值得注意的是，CEDAR GPP有两个版本：CEDAR-ST（2001–2020年），由基于MODIS的LAI和FPAR驱动；CEDAR-LT（1982–2020年），由LAI-4 g驱动（Cao et al., 2023），源自AVHRR和MODIS LAI数据集。

**数据集间GPP幅度对比**

由于基于遥感（RS）的GPP数据集时间覆盖范围不同（图S1），我们将对比限制在同步时段（即2003–2016年），并使用可靠的MODIS驱动数据（见第2.2.4节）。在此期间，数据集在GPP幅度上表现出显著差异，凸显了明显的数据集间变异性（图1）。总体而言，估计的全球年GPP在2003年为115.70–139.52 Pg C·yr?1，在2016年为120.73–149.14 Pg C·yr?1（图1A），最高估计值比最低估计值高出23.27%。

**遥感GPP数据集间的不一致性**

以往研究报告了不同数据集间全球GPP幅度存在显著差异，估计范围从112–169 Pg C·yr?1（Anav et al., 2015）到92.7–178.9 Pg C·yr?1（Wang et al., 2021b）。这些差异主要归因于研究时段、模型假设和基于遥感的输入不一致。为减少时间不一致带来的不确定性，我们评估了12个最先进的遥感GPP数据集，评估时段为2003–2016年。

**结论**

可靠准确的陆地总初级生产力（GPP）估计对于理解全球碳循环和为地球系统模型提供信息至关重要。本研究对2003–2016年间12个最先进的遥感GPP数据集进行了全面评估，涵盖RS代理、LUE、FvCB和ML建模框架。我们的结果表明，全球年GPP幅度范围为115.70–139.52 Pg C·yr?1，最高估计值比最低估计值高出23.27%。

**数据可用性声明**

不同数据集生成的年度GPP数据可在https://zenodo.org/records/18408494获取。

所有数据集均通过公开访问链接生成：
NIRv-GPP：https://doi.org/10.6084/m9.figshare.12981977.v2；
GOSIF-GPP：https://zenodo.org/records/15105312；
eLUE：https://datadryad.org/dataset/doi:10.5061/dryad.v9s4mw74h；
MODIS-GPP：https://www.earthdata.nasa.gov/data/catalog/lpcloud-mod17a2h-006；
VPM-GPPv2：https://doi.org/10.6084/m9.figshare.c.3789814；
TL-LUE：10.5061/dryad.dfn2z352k。

**作者贡献声明**

Jingwen Lai：原创性稿件撰写、可视化、调查研究、数据管理。
Shangrong Lin：审稿与编辑、原创性稿件撰写、监督、经费获取、数据管理、概念构思。
Dalei Hao：审稿与编辑、原创性稿件撰写、调查研究。
Songhan Wang：原创性稿件撰写、数据管理。
Mousong Wu：原创性稿件撰写、数据管理。
Feng Tian：原创性稿件撰写、数据管理。
Mingzhu He：原创性稿件撰写。

Jingwen Lai | Shangrong Lin | Dalei Hao | Songhan Wang | Mousong Wu | Feng Tian | Mingzhu He | Yi Zheng | Jie Tian | Jie Dong | Haicheng Zhang