基于葉面積指數估算植被總初級生產力

徐博軒，陳報章,*，許　光，陳　婧，車明亮

1 中國礦業大學環境與測繪學院，徐州　221116 2 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室，北京　100101 3 中國科學院大學，北京　100049

?

基于葉面積指數估算植被總初級生產力

徐博軒1,2，陳報章1,2,*，許光2,3，陳婧2，車明亮2,3

1 中國礦業大學環境與測繪學院，徐州221116 2 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室，北京100101 3 中國科學院大學，北京100049

摘要:長時間序列的陸地碳通量數據在全球生態環境變化研究中具有重要意義。采用MODIS GPP (Gross Primary Productivity) 算法，基于GIMMS LAI3g，MODIS15和Improved-MODIS15三種葉面積指數(LAI)，估算了全球2000至2010年的植被總初級生產力(GPP)。該估算的GPP數值經過全球20個通量站點的驗證，并結合MODIS17分析了它們在時空變化上的異同。結果表明：(1)4 種GPP精度如下：GPPMOD17>GPPimpro_MOD15>GPPLAI3g>GPPMOD15。(2)4種GPP整體上具有一致的季節波動，冬季和夏季整體好于春季和秋季。GPPLAI3g的4個季節精度較相近，而GPPMOD17除了春秋季外其它季節都較好。(3)GPPLAI3g在中等GPP值分布區的估值相對較高，其全球總GPP大體為(117±1.5)Pg C/a，GPPMOD17和GPPimpro_MOD15相近且都低于該值。(4)GPPLAI3g和GPPimpro_MOD15在大約63.29%的陸面上呈顯著(P<0.05)的正相關關系，它們和GPPMOD17在LAI不確定性小的地區呈顯著的正相關關系。GPPLAI3g和GPPMOD15正相關分布面積占比為40.61%。

關鍵詞：總初級生產力(GPP)； MODIS GPP模型； GIMMS LAI3g； MODIS15； Improved-MODIS15

全球碳循環議題不僅是全球變化研究中的關鍵問題，而且可以為經濟發展規劃和氣候政策制定提供科學支撐。植被總初級生產力(GPP)是指植物在單位時間內通過光合作用吸收太陽能產生有機物的總量[1]，是全球生態環境變化研究中的重要內容。大約一半的GPP被植物自養呼吸消耗，剩余的凈吸收碳量被稱為凈初級生產力(NPP)[2- 3]。生產力與光合有效輻射間關系的理論[4- 5]建立起來的光能利用率模型是當前模擬生產力的主要方法之一。光能利用率模型中重要的輸入數據包括氣候數據和LAI，后者被作為與森林冠層能量和CO2交換密切相關的植被結構參數。目前，許多研究也驗證了生態系統生產力和植被指數之間存在著密切的關系[6- 8]。當前常用的MODIS(Moderate resolution Imaging Spectroradiometer)GPP[9]只能提供自2000年至今的數據且存在一定的精度問題[2,10- 11]，而GIMMS(Global Inventory Modeling and Mapping Studies)LAI3g[12- 15]能夠提供過去30a的葉面積指數數據，研究GPPLAI3g與其它LAI模擬的全球GPP在時空分布上的異同，有助于分析更長時間序列的全球生產力。

本文首先采用歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts，ECMWF)的再分析資料，基于GIMMS LAI3g，MODIS15(MODIS LAI)以及Improved-MODIS15這3種LAI數據，驅動MODIS GPP模型進行全球GPP的估算，并使用通過特定的準則挑選的20個通量塔站點，在月尺度上對這3種GPP和MODIS17A2 GPP數據進行驗證，分析了這4種GPP在時空分布上的異同，評價GIMMS LAI3g估算的GPP相比現有其他LAI估算的優劣性。

1數據來源與研究方法

1.1數據

1.1.1全球通量觀測網絡

全球通量觀測網絡FLUXNET(http://fluxnet.ornl.gov/)采用渦度相關技術，實時連續監測陸地生態系統與大氣間CO2，水和能量交換量[16- 17]。全球通量觀測網絡目前已經包括分布在歐洲(CarboEurope)，美洲(AmeriFlux和Fluxnet-Canada)，亞洲(AsiaFlux和ChinaFLUX)等地區的超過500個可供長期觀測的通量站點。為了降低來自于觀測值的潛在誤差，通過排除圖像上提取到空值的站點以及遵循如下3個準則對獲得的站點數據進行挑選[18- 19]：能夠提供4年或者更多年的連續數據，能提供至少一年90%以上半小時的各種氣象和通量數據，以及基本能夠達到能量平衡。最終選取了代表6種植被功能類型和2種氣候帶的來自20個通量站點95個站點年的數據(表1)。這些站點主要分布于北半球，其中13個站點分布于溫帶地區，7個站點分布于北方森林區。

表1　研究站點描述

a: 站點ID從FLUXNET獲得;b： 生物類型：常綠針葉林(NEF)，落葉針葉林(NDF)，常綠闊葉林(BEF)，落葉闊葉林(BDF)，落葉闊葉灌木(BDS)，以及草地(GRA);c： 每個站點挑選出的年份

1.1.2GPP數據集

MODSI17是美國蒙大拿大學使用MODIS GPP模型，基于MODIS15以及NASA的資料同化部(Data Assimilation Office，DAO)再分析氣候[20]計算得出。該數據從http://www.ntsg.umt.edu免費獲取，提供2000年至2013年，空間分辨率為1km的全球GPP/NPP數據。土地覆蓋使用MODIS12Q1，由于MODIS17算法的生物屬性查找表(Biome Properties Lookup Table，BPLUT)使用UMD(University of Maryland)分類方案[21]，這里提取UMD數據集。氣候數據選取ECMWF氣象數據，包括2.5°×2.5°的下表面太陽輻射，VPD(Vapor pressure deficit)以及2m高氣溫[22]。

GIMMS LAI3g由GIMMS NDVI3g推導得出[23]。GIMMS NDVI3g數據是美國國家航空航天局基于NOAA衛星上的AVHRR傳感器于2013年11月份發布的最新全球植被指數變化數據，能夠提供1981年7月份至2011年12月份的數據。MODIS15A2[24- 25]空間分辨率為1km，在每個像素點上都有一個質量控制(Quality Control，QC)信息。為了消除云，季節性冰雪覆蓋以及儀器和模型不確定性所導致的LAI數據在時空上的不連續不一致等問題，Yuan等[26]使用改進的瞬時空間濾波(modified Temporal Spatial Filter，mTSF)結合背景值以及QC信息對質量較低的值做簡單的模擬，然后在此基礎上使用SG濾波(Savitzky-Golay filter)得到Improved-MODSI15，改進后的數據相比MODIS15在時空上更連續一致。

1.2GPP遙感反演算法

本文使用的MODIS GPP模型[10,22]根據GPP與植被吸收的光合有效輻射間的線性關系理論建立[4- 5,27- 28]，描述如下[14]:

GPP=εmax×f(Tamin)×f(VPD)×APAR

(1)

APAR=SWRad×0.45×(1-ek×LAI)

(2)

式中，GPP為總初級生產力(gC m-2s-1)；εmax為最大光能利用率(kg C/MJ)；APAR為植被吸收的光合有效輻射(MJ m-2s-1)，表示為45%的入射短波輻射(SWRad)和植被冠層吸收的光合有效輻射比的乘積，該輻射比通過簡單的Beer定律使用LAI求出，k為冠層消光系數，一般取0.5；(1)中的f(VPD)和f(Tamin)分別是蒸汽壓差和2m高氣溫的訂正因子，計算如下：

(3)

(4)

式中，VPDmax和Tmin_max分別是在光合利用效率最大時的日最大蒸汽壓差(Pa)和日最高氣溫(℃)，VPDmin和Tmin_min是當光合作用為0時的最小蒸汽壓差(Pa)和最小氣溫(℃)，這些參數使用的都是BPLUT表中的默認參數。

1.3分析方法

在預處理階段針對相應月份11a的數據，使用線性回歸的方法插值出部分缺失的像元值，并將全部數據使用3×3像元窗口的均值插值法統一到0.0833°×0.0833°的分辨率。數據和站點對比驗證階段再次使用到線性回歸分析，R2能夠表征方程的回歸效果。Pearson相關系數[29]使用在相關性分析中對應像素點上的相關性分析，采用0.05的顯著性水平檢驗。為綜合評定相關性與偏差的分析效果，使用量值Taylor skill[19]，計算公式如下:

(5)

(6)

S=2×(1+R)/(σnorm+1/σnorm)2

(7)

2結果與討論

2.1站點比對分析

使用線性回歸分析比較了各個站點的GPP數據集同通量塔觀測數據的一致性程度(圖1)。GPPMOD17、GPPLAI3g、GPPimpro_MOD15以及GPPMOD15這4種GPP的斜率變化區間分別是：0.414—1.588、0.35— 1.26、0.373— 1.322以及0.101—1.178，相應R2的變化區間是：0.39— 0.91、0.43—0.83、0.53—0.82以及0.06—0.82。在落葉針葉林、常綠闊葉林、落葉闊葉林和草地上GPPMOD17的斜率都大于GPPLAI3g和GPPimpro_MOD15，其中針葉落葉林的4種GPP估算效果都很好，GPPMOD17的斜率達到0.978，R2達到0.91，GPPLAI3g的斜率達到0.877，R2為0.82。估算效果最差的是草地，模擬較好的GPPMOD17斜率也只有0.414，R2只有0.59，而GPPLAI3g斜率只有0.35，R2是0.59。Sj?str?m等[30]比較12個站點數據，發現10個植被類型為熱帶草原和草原站點的εmax高于MOD17A2中生物屬性查找表的值，其中6個站點的εmax相當于查找表中對應值的兩倍，導致MODIS17在草地等低估生產力。此外，MODIS15A2中草地的錯誤分類也可能導致生物屬性查找表中查找到錯誤的εmax；在常綠針葉林和落葉闊葉灌木叢上雖然GPPLAI3g比GPPMOD17回歸效果稍好，但R2卻小于GPPMOD17，RMSE大于GPPMOD17，Turner[11]研究發現MODIS GPP傾向于在低生產力的站點高估。這通常是因為MODIS GPP模型中輸入的植被冠層吸收的光合有效輻射值較高，又由于MODIS GPP模型的模型自身存在光能利用率偏低的問題，進而低估高生產力的站點。所以落葉闊葉灌木叢的GPPMOD17過分高估，斜率達到1.588，R2也能達到0.9，GPPLAI3g在這種植被類型上也高估。在生產力較高的站點如常綠針葉林、落葉針葉林、落葉闊葉林，幾乎所有的估算值都比站點低估。GPPLAI3g與GPPimpro_MOD15在某些植被類型上更好，整體較相近。總體上，這四種GPP中GPPMOD17的回歸效果最好，而GPPLAI3g和GPPimpro_MOD15回歸效果相當，GPPMOD15的最差。

圖1　 GPPLAI3g, GPPMOD15, GPPimpro_MOD15 和GPPMOD17與通量觀測值在不同植被類型的比較Fig.1　 Comparison of the observed and estimated GPP from GPPLAI3g, GPPMOD15, GPPimpro_MOD15 and GPPMOD17 for different biome types

2.2GPP時空變化分析

2.2.1GPP年際變化分析

因為原始的LAI數據存在部分像元值缺失以及分辨率統一過程中出現的一些問題，這里無法反應真實的GPP全球整體變化趨勢。但是，通過統計4種GPP全球總值能夠對比分析整體的估計效果。如表2，GPPLAI3g大約(117±1.5)PgC/a，比MODIS17的估計更大，GPPMOD15則大約(98±2)PgC/a，比GPPMOD17小。Zhao[31]分析了MODIS GPP模型對3種氣候數據的響應特性，發現美國國家環境預報中心(NCEP)氣象數據過度估計表面太陽輻射，并且低估氣溫和水汽壓差，ECMWF氣象數據準確度最高但其表面太陽輻射在熱帶地區更低，DAO氣象數據準確度在這兩種數據之間，與之相對應估算的GPP中，GPPNCEP最高，GPPECMWF最低，而GPPDAO則介于這兩者之間。Improved-MODIS15是在MODIS15基礎上改進了LAI值并且補全了某些缺值，其估計的全球GPP值(大約(107±1.5)PgC/a)與GPPMOD17(大約(107.5±1.5)Pg C/a)相當。關于全球GPP總值的研究大多認為GPP大約為120 Pg C/a[32]，所以整體上GPPLAI3g的年均全球GPP總值更接近該值。

表2　2000至2010年全球GPP總值

圖2　4種GPP在常綠林上不同季節Taylor skill (S)的箱線圖Fig.2　Boxplots of Taylor skill (S) for monthly GPP by models and seasons across evergreen forests,Panels show the interquartile range (box), mean (square), median (solid line), range (whiskers), and outliers (cross)圖中表示了四分位距(箱)，均值(正方形)，中值(實線)，間距(須線)以及極端值(交叉)

2.2.2GPP季節變化分析

根據公式7可知，Taylor skill為1時表明估計的GPP和站點最相近，但是因為各種不確定性使得只能盡可能的接近1。將4種GPP按照4個季節做箱線圖，并且按中值從大到小排列。如圖2，4種GPP對夏季6—8月份和冬季12—2月份模擬的效果最好，最差的是秋季9—11月份；GPPMOD17的Taylor skill除了秋季外其它季節相比其它數據都較大且集中，秋季的GPPMOD17值最低，中值為0.5。GPPimpro_MOD15和GPPMOD15的4個季節上模擬的效果相差比較大，GPPimpro_MOD15在冬季上最好，但是相比其它3種GPP四個季節分散更開；GPPLAI3g在4個季節上的均值在0.63±0.05，而且數據各季節模擬的相對比較集中，不同的是GPPLAI3g的秋季模擬效果比春季3—5月份好。MODIS GPP模型能夠較好的捕獲生長季節時期的季節動態變動[9,33]，而且4種GPP大體上具有相近的季節動態。在夏季，上層灌木層活躍，MOD15模型中有更少的不確定性，GPP模擬效果最好；冬季是一個低產時期，此時的GPP模擬效果也較好；春季開始萬物復蘇，也是生長季節的開始，由冬轉春的生態系統變化迅速，由此也會帶來更多的不確定性，尤其是氣溫以及葉面積指數所帶來的不確定性；而秋季是由熱轉冷的過程，葉落所帶來的影響應該被認為是較大的，所以春季和秋季的估計效果相比來說是最差。Heinsch[10]的結果也表明GPPMOD17在夏季上與站點數據最接近，而春季估計的效果最差。

2.2.3GPP年均值空間分布對比

取2000至2010年的均值分析4種GPP數據在全球尺度上的分布，如圖3，4種GPP數據大體上都有相同的空間分布，年均GPP較高的都分布在亞馬遜流域、非洲中部以及亞洲東南部地區，這些地方的溫度和濕度使得該地區的植物具有較高光合作用。較溫暖的地區為中等的GPP值，低值則主要分布于氣溫低并且干旱地區。北半球中高緯度地區的GPP普遍在400—1200gC m-1a-1之間，這是全球GPP分布比較均勻的地區，且該地區數值占到全球GPP總量較大比重。不同點在于，GPPMOD15在北美北部，俄羅斯北部以及西亞地區的估值更低；GPPMOD17與GPPimpro_MOD15的分布更相近，而GPPLAI3g在中等GPP值地區的估值相對較高，尤其是北半球中高緯地區這也導致4種全球GPP中，GPPLAI3g的最高，GPPMOD17和GPPimpro_MOD15相近，GPPMOD15的最低。

使用光能利用率模型估計大尺度或者全球的生產力值時需要考慮模型的不確定性。這種不確定性主要來源于2方面：(1)輸入數據的不確定性，包括觀測誤差，預處理模型的誤差以及數據缺失時插值所導致的誤差；氣候數據不確定性帶來的影響比植被類型分類誤差的影響及其它的影響因素更大；(2)模型的不確定性，如最大光能利用率(εmax)在時空上是動態變化的，本文使用的卻是不同植被某一固定的值；生物屬性查找表中的一些參數值也待驗證[34]。結合前面的分析，MODIS GPP模型能合理的模擬不同生物和氣候類型的空間分布以及時間動態變化。

圖3　分辨率為0.0833°的全球11a(2000—2010)平均GPPFig.3　Eleven-year (2000—2010) mean global0.0833degree

圖4　4種GPP間的相關性分析Fig.4　There are four pictures to show the correlation between the four GPP data

2.3相關性分析

使用Pearson相關分析方法，并且給出顯著性為0.05的檢驗。4種GPP(2000—2010年)兩兩之間的相關系數如圖4所示。最顯著的相關性表現在GPPLAI3g和GPPimpro_MOD15之間，大約63.29%的陸地面積呈顯著的相關關系；GPPLAI3g和GPPMOD17有較差的相關關系，大約只有25.74%的陸地面積顯著相關，相比之下GPPimpro_MOD15和GPPMOD17顯著相關的面積能達到48.85%；GPPLAI3g和GPPMOD15這一面積比為40.61%。以上分析表明GPPLAI3g與GPPimpro_MOD15是最相關的，這可能是因為氣候數據對MODIS GPP模型的影響最大所導致的。

圖4，大約占比97.95%的GPPLAI3g和GPPMOD17之間顯著相關面積中是正相關關系，而只有大約2.05%的顯著相關區域是負相關關系。正相關主要分布在稀疏灌木叢和熱帶稀樹草原，正相關分布與圖4相似，因為在這些地方的LAI具有更低的不確定性[35]。負相關主要分布于LAI不確定性較大的區域，Fang[35]等結果表明在北方森林和熱帶區域MODIS LAI具有較大的不確定性。氣象數據的不同也可能導致顯著的負相關。圖4 顯示GPPLAI3g和GPPimpro_MOD15之間有顯著的相關性，尤其在植被覆蓋度高的地區相關性更加明顯，比如亞馬遜流域，和非洲中部地區。在北半球中高緯度地區(50°—70°N)，如拉斯維加斯和加拿大部分地區，出現較明顯的負相關性，這些地方LAI的不確定性是所有緯度中最大的[35]，使用對MODIS15改進后模擬的GPPimpro_MOD15，能得到更好的正相關關系(圖4)。

3結論

(1)站點數據驗證顯示，4種GPP的精度如下： GPPMOD17>GPPimpro_MOD15> GPPLAI3g> GPPMOD15。GIMMS LAI3g各站點的精度與GPPimpro_MOD15相近。4種GPP在高產量的生物類型都能有較好的精度，在草地上精度都最低，為了提高這種植被類型的精度，建議將MODIS15與其它可靠土地覆被數據進行融合分析且對εmax參數進行優化。

(2)4種GPP模擬的冬季和夏季整體好于春季和秋季，而后兩個季節都是由冷轉熱或者由熱轉冷這種不確定性因素較高的時期。總體上，GPPMOD17的4個季節除春季季外估算效果都較好，GPPLAI3g的4個季節精度較相近且較好。

(3)4種GPP年均值空間分布大體相近。不同點出現在：GPPMOD15在低生產力地區更低，尤其在北美北部，俄羅斯北部以及西亞地區的GPP值估值更低； GPPimpro_MOD15與GPPMOD17的總值都大約(107±1.5)Pg C/a，空間分布也更接近，而GPPLAI3g在中高緯的估值相對較高，總值大約(117±1.5)Pg C/a。

(4)相關性分析表明GPPLAI3g和GPPimpro_MOD15大約63.29%的陸地面積呈顯著(P<0.05)的正相關關系，它們和GPPMOD17在LAI不確定性小的地區呈顯著的正相關關系。GPPLAI3g和GPPMOD15正相關分布面積占比為40.61%。

綜上所述，GIMMS LAI3g能夠較好地模擬全球GPP，并且在時空上與現有的MODIS17數據有較相近的水平。當然，為了提高模擬的精度，應該結合前面的分析對模擬的數據和參數加以改進和優化。

致謝：ECMWF提供再分析資料,美國NASA 戈達德航天中心提供GIMMS和MODIS數據,馬里蘭大學提供MODIS17數據,感謝北京師范大學提供Improved-MODIS LAI數據,特此致謝。

參考文獻(References):

[1]方精云, 柯金虎, 唐志堯, 陳安平. 生物生產力的“4P”概念、估算及其相互關系. 植物生態學報, 2001, 25(4): 414- 419.

[2]Chapin F S III, Chapin M C, Matson P A, Vitousek P M. Principles of Terrestrial Ecosystem Ecology. New York: Springer, 2011: 127- 128.

[3]曾慧卿, 劉琪璟, 馮宗煒, 王效科, 馬澤清. 基于 BIOME-BGC模型的紅壤丘陵區濕地松 (Pinus elliottii) 人工林GPP和NPP. 生態學報, 2008, 28(11): 5314- 5321.

[4]Monteith J L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, 1972, 9(3): 747- 766.

[5]Monteith J L. Climate and the efficiency of crop production in Britain. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 1977, 281(980): 277- 294.

[6]Tucker C J, Fung I Y, Keeling C D, Gammon R H. Relationship between atmospheric CO2variations and a satellite-derived vegetation index. Nature, 1986, 319(6050): 195- 199.

[7]Fung I Y, Tucker C J, Prentice K C. Application of advanced very high resolution radiometer vegetation index to study atmosphere-biosphere exchange of CO2. Journal of Geophysical Research, 1987, 92(D3): 2999- 3015.

[8]Box E O, Holben B N, Kalb V. Accuracy of the AVHRR vegetation index as a predictor of biomass, primary productivity and net CO2flux. Vegetatio, 1989, 80(2): 71- 89.

[9]趙晶晶, 劉良云, 徐自為, 焦全軍, 彭代亮, 胡 勇, 劉紹民. 華北平原冬小麥總初級生產力的遙感監測. 農業工程學報, 2011, 27(增刊1): 346- 351.

[10]Heinsch F A, Zhao M S, Running S W, Kimball J S, Nemani R R. Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1908- 1925.

[11]Turner D P, Ritts W D, Cohen W B, Gower S T, Running S W, Zhao M S, Costa M H, Kirschbaum A A, Ham J M, Saleska S R. Ahl D E. Evaluation of MODIS NPP and GPP products across multiple biomes. Remote Sensing of Environment, 2006, 102(3/4): 282- 292.

[12]Bala G, Joshi J, Chaturvedi R K, Gangamani H V, Hashimoto H, Nemani R. Trends and variability of AVHRR-Derived NPP in India. Remote Sensing, 2013, 5(2): 810- 829.

[13]Ichii K, Kondo M, Okabe Y, Ueyama M, Kobayashi H, Lee S J, Saigusa N, Zhu Z C, Myneni R B. Recent changes in terrestrial gross primary productivity in Asia from 1982 to 2011. Remote Sensing, 2013, 5(11): 6043- 6062.

[14]Wang J, Dong J, Liu J, Huang M, Li G, Running S W, Smith W K, Harris W, Saigusa N, Kondo H, Liu Y F, Hirano T, Xiao X M. Comparison of gross primary productivity derived from GIMMS NDVI3g, GIMMS, and MODIS in southeast Asia. Remote Sensing, 2014, 6(3): 2108- 2133.

[15]Zhu L K, Southworth J. Disentangling the Relationships between Net Primary Production and precipitation in southern Africa savannas using satellite observations from 1982 to 2010. Remote Sensing, 2013, 5(8): 3803- 3825.

[16]王健, 孫林. 使用FLUXNET數據驗證GLASS地表反照率. 山東建筑大學學報, 2013, 28(1): 50- 53.

[17]王紹強, 陳蝶聰, 周蕾, 何洪林, 石浩, 閆慧敏, 蘇文. 中國陸地生態系統通量觀測站點空間代表性. 生態學報, 2013, 33(24): 7715- 7728.

[18]Wilson K B, Goldstein A, Falge E, Aubinet M, Baldocchi D, Berbigier P, Bernhofer C, Ceulemans R, Dolman H, Field C, Grelle A, Ibrom A, Law B E, Kowalski, Meyers T, Moncrieff J, Monson R, Oechel W, Tenhunen J, Valentini R, Verma S. Energy balance closure at FLUXNET sites. Agricultural and Forest Meteorology, 2002, 113(1/4): 223- 243.

[19]Chen J, Zhang H, Liu Z, Che M, Chen B. Evaluating parameter adjustment in the MODIS gross primary production algorithm based on eddy covariance tower measurements. Remote Sensing, 2014, 6(4): 3321- 3348.

[20]DAO. Data Assimilation Office (DAO) Algorithm Theoretical Basis Document (ATBD). Greenbelt, MD: Data Assimilation Office, Goddard Space Flight Center, Greenbelt, MD, 2002.

[21]Hansen M, DeFries R, Townshend J R G, Sohlberg R. UMD Global Land Cover Classification, 1 Kilometer, 1.0. Maryland: Department of Geography, University of Maryland, College Park, Maryland, 1998: 1981- 1994.

[22]Jung M, Vetter M, Herold M, Churkina G, Reichstein M, Zaehle S, Ciais P, Viovy N, Bondeau A, Chen Y M, Trusilova K, Feser F, Heimann M. Uncertainties of modeling gross primary productivity over Europe: A systematic study on the effects of using different drivers and terrestrial biosphere models. Global Biogeochemical Cycles, 2007, 21(4): GB4021.

[23]Zhu Z C, Bi J, Pan Y, Sangram Ganguly, Alessandro Anav, Xu L, Arindam Samanta, Piao S L, Nemani RR, Myneni RB. Global data sets of vegetation Leaf Area Index (LAI)3g and Fraction of Photosynthetically Active Radiation (FPAR)3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the period 1981 to 2011. Remote Sensing, 2013, 5(2): 927- 948.

[24]Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment, 2004, 91(3/4): 490- 507.

[25]Myneni R B, Hoffman S, Knyazikhin Y, Privette J L, Glassy J, Tian Y, Wang Y, Song X, Zhang Y, Smith G R, Lotsch A, Friedl M, Morisette J T, Votava P, Nemani R R, Running S W. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 2002, 83(1/2): 214- 231.

[26]Yuan H, Dai Y J, Xiao Z Q, Ji D Y, Shangguan W. Reprocessing the MODIS leaf area index products for land surface and climate modelling. Remote Sensing of Environment, 2011, 115(5): 1171- 1187.

[27]Running S W, Nemani R R, Heinsch F A, Zhao M S, Reeves M, Hashimoto H. A continuous satellite-derived measure of Global terrestrial primary production. Bioscience, 2004, 54(6): 547- 560.

[28]Mekonnen Gebremichael, Ana P Barros. Evaluation of MODIS Gross Primary Productivity (GPP) in tropical monsoon regions. Remote Sensing of Environment, 2006, 100(2): 150- 166.

[29]Maselli F, Barbati A, Chiesi M, Chirici G, Corona P. Use of remotely sensed and ancillary data for estimating forest gross primary productivity in Italy. Remote Sensing of Environment, 2006, 100(4): 563- 575.

[30]Sj?str?m M, Zhao M, Archibald S, Arneth A, Cappelaere B, Falkf U, de Grandcourt A, Hanan N, Kergoat L, Kutsch W, Merbold L, Mougin E, Nickless A, Nouvellon Y, Scholes R J, Veenendaal E M, Ard? J. Evaluation of MODIS gross primary productivity for Africa using eddy covariance data. Remote Sensing of Environment, 2013, 131(4): 275- 286.

[31]Zhao M S, Running S W, Nemani R R. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of meteorological reanalyses. Journal of Geophysical Research, 2006, 111(G1): G01002.

[32]Ciais P, Denning A S, Tans P P, Berry J A, Randall D A, Collatz GJ, Sellers P J, White J W C, Trolier M, Meijer H A J, Francev R J, Monfrav P, Heimann M. A three-dimensional synthesis study of δ18O in atmospheric CO2: 1. Surface Fluxes. Journal of Geophysical Research, 1997, 102(D5): 5857- 5872.

[33]Nightingale J M, Coops N C, Waring R H, Hargrove W W. Comparison of MODIS gross primary production estimates for forests across the U.S.A. with those generated by a simple process model, 3-PGS. Remote Sensing of Environment, 2007, 109(4): 500- 509.

[34]Zhao M S, Heinsch F A, Nemani R R, Running S W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164- 176.

[35]Fang H L, Wei S S, Jiang C Y, Scipal K. Theoretical uncertainty analysis of global MODIS, CYCLOPES, and GLOBCARBON LAI products using a triple collocation method. Remote Sensing of Environment, 2012, 124(124): 610- 621.

基金項目:中國科學院氣候變化：碳收支與相關問題項目(XDA05040403); 中國國家高新技術研究與發展計劃項目(2013AA122002)

收稿日期:2014- 10- 13; 網絡出版日期:2015- 10- 10

*通訊作者

Corresponding author.E-mail: baozhang.chen@igsnrr.ac.cn

DOI:10.5846/stxb201410132015

Estimated gross primary productivity based on global leaf area index

XU Boxuan1,2, CHEN Baozhang1,2,*, XU Guang2,3, CHEN Jing2, CHE Mingliang2,3

1CollegeofEnvironmentandSpatialInformatics,ChinaUniversityofMiningandTechnology,Xuzhou221116,China2StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicalSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China3UniversityofChineseAcademyofSciences,Beijing100049,China

Abstract：Long-term, series gross primary production (GPP) data are important in carbon cycle research. The MOD17 algorithm, which is based on the radiation conversion efficiency concept of Monteith, has been used widely for estimating GPP. However, MODIS17 only provides the global GPP since 2000 due to the short time series of the MODIS leaf area index (MODIS15). LAI plays an important role in calculating the fraction of photosynthetically active radiation absorbed by plants, and errors in LAI will be propagated to GPP estimates. Three global LAI are available: MODIS15, improved-MODIS15, and Global Inventory Modeling and Mapping Studies (GIMMAS) LAI3g. The improved-MODIS15 LAI is more realistic and smoother than the MODIS15 because it uses quality control information and an integrated two-step method. The GIMMAS LAI3g is a new 30-year time series global LAI (1981—2011). In this study, we compared the global GPP estimates during 2000—2010 by using the MODIS GPP algorithm based on the three global LAI. The global GPP estimates based on GIMMAS LAI3g, MODIS15, and improved-MODIS15 are referred to as GPPLAI3g, GPPMOD15, and GPPimpro_MOD15, respectively. We also compared remote sensing-based GPP estimates with eddy covariance (EC) flux tower-measured GPP. The representative EC flux towers were selected by considering major typical plant functional types. We also analyzed spatio-temporal patterns and their correlations with the three GPP estimates as well as the MODIS17. The results showed the following. (1) The overall accuracy of the four global GPP estimates may be ranked as GPPMOD17> GPPimpro_MOD15> GPPLAI3g> GPPMOD15. (2) The four GPP estimates had high seasonal dynamic consistency. The estimated GPP values were closer to the flux tower-measured GPP in summer and winter than in spring and autumn. The accuracy of GPPLAI3gwas consistent for all seasons; GPPMOD17was more accurate than GPPLAI3gfor all seasons except for spring and fall. (3) GPPLAI3goverestimated GPP for areas with moderate GPP values, i.e., the global total GPP value estimated by GPPLAI3gwas approximately (117±1.5) Pg C/a, which was higher than GPPMOD17and GPPimpro_MOD15. (4) The annual GPP values estimated by GPPLAI3gwere positively correlated with those by GPPimpro_MOD15, and approximately 63.29% of the global vegetated area had a significant correlation (P < 0.05). The GPPLAI3gvalues were positively correlated with GPPMOD15in regions with low LAI uncertainty. Approximately 40.61% of the global vegetated area was significantly correlated with GPPLAI3gand GPPMOD15. There were also several negatively correlated areas, which may have been related to uncertainties and errors in the LAI and meteorological data. Based on our comparison, we conclude that GIMMS LAI3g is an effective dataset for GPP simulation at the global scale, and thus, the 30-year long-term GPP series estimated using the GIMMS LAI3g and MODIS GPP algorithms are reasonably acceptable.

Key Words:GIMMS LAI3g; gross primary productivity (GPP); Improved-MODIS15 LAI; MODIS15 LAI; MODIS GPP algorithm

徐博軒，陳報章，許光，陳婧，車明亮.基于葉面積指數估算植被總初級生產力.生態學報,2016,36(12):3546- 3555.

Xu B X, Chen B Z, Xu G, Chen J, Che M L.Estimated gross primary productivity based on global leaf area index.Acta Ecologica Sinica,2016,36(12):3546- 3555.