TG和VI生產力模型在中亞熱帶典型森林多時間尺度的適用性評價

中圖分類號：Q948 文獻標識碼：A 文章編號：1000-3142（2025）08-1415-11

Abstract：Estimating gross primary productivity（GPP）of vegetation is essntial for exploring the flowand storageof carboninterestrial ecosystems and helps to explain the factors influencing global climatechange.Remotesensing GPP modelsare importanttolsfor simulating GPPat regionaland global scales.Inorder to clarify the applicabilityof two remotesensing GPPmodels，TGandVI，totwo typical forests inthecentral subtropicsas wellas the simulationeffects of diferent model parameter calibration methods，the present study wasconductedtocalibrate the sensitive parameters of the TG and VI models based on the ground-based meteorological data and MODIS data using flux-tower measured GPP at both annual and seasonal scales，and then the GPPs of the regenerated evergreen broad-leaved forest and eucalyptus plantation inthecentral subtropics were simulated，and thesimulationaccuraciesoftheTGandVImodels inthese two ecosystems were compared and analyzed.The results were as folows：（1）The simulation accuracy of the models was improved after parameter calibration，especially in thecase of seasonal calibration，the simulation accuracy was significantlybetterthan thatoftheyear-roundcalibration.（2）Thecorrelationbetween the inputparametersof the TG and VI models and the measured GPP of the two ecosystems was high（ （R²gt;0.70，Plt;0.001） .（3）The correlation betweenthe simulatedand measured GPPsof the TG model was higherthan thatofthe VImodel，and the simulation error of the TG model was the smallest in the regenerated evergreen broad-leaved forest ecosystem （ ∣RE∣lt;2%）. In conclusion，both models have thepotential tobeappliedintwo typical forests inthecentral subtropics，andthe simulation effect of the TG model is better than that of the VI model.

Key words： gross primary productivity（GPP），remote sensing，eddy covariance method，land surface temperature， enhancedvegetationindex

陸地生態系統作為凈碳匯在全球碳循環中發揮著重要作用，抵消了過去幾十年人類活動所排放的 10%～60% 的 CO₂ （Heimann amp; Reichstein，2008；Friedlingsteinetal.，2020）。植物通過光合作用在單位時間內固定的有機碳量被稱為生態系統的總初級生產力（grossprimaryproductivity，GPP），而光合作用是生態系統中主要的固碳途徑（方精云等，2001）。GPP決定了進入陸地生態系統的初始能量和物質，是陸地生態系統碳循環中的重要通量。準確測定和估算GPP，是理解碳收支、氣候變化及生態系統服務的基礎，對于促進我們對全球碳循環的理解及預測氣候反饋至關重要（Zhuetal.，2024）。渦度相關法（eddycovariancemethod）在生態系統尺度上為測量GPP提供了一種可靠的間接方法（Beeretal.，2010；于貴瑞等，2014）。目前，基于渦度相關法的測量結果已被廣泛應用于生態系統碳循環研究，并被視為生態系統尺度的碳通量真值，用于對其他測量方法的結果進行驗證（樸世龍等，2022）。但是，渦度相關法的空間分辨率有限，只能估算站點尺度的GPP。當前基于渦度相關法的碳通量地面觀測站點，遠未達到區域或更大尺度GPP估算研究的要求（Griebel etal.，2016）。

衛星遙感技術可以實現區域乃至全球的觀測覆蓋能力，提供較大時空尺度的數據產品，但其觀測精度不及渦度相關法（張曉娟等，2022）。因此，將遙感資料和通量塔觀測數據相結合，可以發展陸地GPP估算模型，彌補渦度相關法和遙感技術分別在空間尺度和觀測精度上的缺陷（Liuetal.，2014）。以遙感數據為主的GPP模型減少了對地面氣象數據的依賴，更加適用于下墊面復雜、地勢多變的區域（Tianetal.，1999；Sjostrom etal.，2013；Vermaetal.，2014）。Sims等（2008）提出的TG 模型（temperature and greenness model），利用歸一化處理后的增強型植被指數（enhancedvegetationindex，EVI）和地表溫度（landsurfacetemperature，LST）模擬北美地區的常綠闊葉林和針葉林的總初級生產力。 W_u 等（2010）提出了VI模型（vegetationindexmodel），利用EVI及光合有效輻射（photosyntheticallyactiveradiation，PAR），對中國北方地區農田的總初級生產力進行了模擬。這類遙感模型減少了因使用不同氣象數據集而導致的不確定性，實現了GPP的區域模擬，并且模擬結果較為準確和可靠。近年來，模型參數校正和模型結果驗證逐漸成為模型在區域內適用性研究的重點問題。通常情況下，大多數學者在進行模型參數校正時會選擇整年的實測數據，或隨機選取大約 70% 的數據來進行標定（Liu etal.，2014；王克清等，2017；Wathametal.，2017），但鮮有學者分季節進行敏感參數的標定。已有學者在中國地區開展遙感GPP模型的應用與比較研究（王克清等，2017），研究站點涵蓋范圍廣泛，但數據時段大部分在2003—2005年。

常綠闊葉林和桉樹人工林是中亞熱帶地區重要的生態系統類型，應用遙感模型估算和監測其GPP有助于了解植被生長的動態變化和生態系統的健康狀況，此外也有助于更有效地監測生態系統的碳匯能力，從而為區域碳循環研究提供科學依據。本研究以位于中亞熱帶的次生常綠闊葉林和桉樹人工林為試驗區域，依托地面觀測數據及中等分辨率成像光譜儀（MODIS）數據，在兩種尺度（全年和季節）上對TG和VI模型的敏感參數進行了標定，并使用標定后的模型對兩種森林生態系統的GPP進行了估算。通過將模擬結果與通量塔實測GPP進行比較，擬探討以下問題：（1）TG和VI模型在中亞熱帶地區兩種典型森林的適用性；（2）兩種標定方法（全年和季節）的模擬效果差異。本研究旨在為遙感GPP模型在中國亞熱帶地區的應用提供理論依據，并為模型標定提供新的思路。

1 研究區概況

次生常綠闊葉林觀測點位于廣西壯族自治區中國科學院廣西植物研究所內（ 110^°17^′03^′′. E、25^°01^′46^′′N ），丘陵地貌，海拔 180m ，土壤主要是砂頁巖發育而成的紅壤，平均 ΔpH 值為4.93，土壤有機質和總氮的含量分別是 28g?kg^-1 和 1.42g ·kg^-1 。屬于中亞熱帶季風氣候，年均溫度 19.2^°C ，年均降水量 1800mm 左右。群落冠層優勢樹種主要有木荷（Schimasuperba）黧蒴錐（Castanopsisfissa）、錐栗（Castaneahenryi）、楓香（Liquidambarformosana）等，伴生種有馬尾松（Pinusmassoniana）等。

桉樹人工林觀測點位于廣西國有黃冕林場波寨林站2、4小班（ 109^°45^′13^′′E，24^°29^′02^′′N ），丘陵地貌，海拔 226m ，林地的成土母巖以砂頁巖和夾泥巖為主。土壤為重壤土， pH 值3.5～4.3，土壤有機質和總氮的含量分別是 27g?kg^-1 和 1.29g ：kg^-1 。屬于中亞熱帶季風氣候，年均溫度為 19°C ，年均降水量為 1 750mm 且降雨季節分布不均。春季和夏季（4—8月）降水量約占 70% 。桉樹品種為廣西種植面積最大的東門尾巨桉（Eucalyptusgrandis × Eucalyptusurophyll DH32-26，Eucalyptusgrandis × EucalyptusurophyllDH32-29），種植密度為1 425 plants ·hm^-2 。

2 研究方法

2.1渦度和氣象數據整理

本研究采用的站點數據為開路式渦度相關系統（Li-Cor7500A）和自動氣象觀測系統在2019—2021年的觀測數據。具體數據包括渦度相關數據[凈生態系統交換（netecosystemexchange，NEE）]、氣象數據［光合有效輻射（PAR）、入射短波輻射（globalradiation， R_g ）、空氣溫度（airtemperature， T_air ）、空氣飽和水汽壓差（vaporpressure deficit，VPD）、土壤溫度（soil temperature，T_soil ）和土壤體積含水率（soil watercontent，SWC）]。其中，PAR用于模型輸入參數， R_g?T_air 和VPD用于NEE缺失數據的插補， T_soil 和SWC用于NEE成分的分解。

先將原始渦度數據（NEE）進行坐標旋轉校正、頻率響應校正和數據質量控制標記等預處理，再進行存儲校正和 U^* 過濾，臨界值取 0.1m?s^-1 （Richardsonamp;Hollinger，2007）。且采用查表法插補數據（Falgeetal.，2001），即所有渦度數據以特定的時間窗口內的相似氣象條件為依據進行分類并計算平均值，從而得到可供參照的速查表。缺失的NEE可利用同時間序列中已知的氣象數據與速查表匹配，對應的通量數據即為所缺失的數據。最后將完整時間序列的NEE劃分為GPP和生態系統呼吸（ecosystemrespiration， R_eco ）（Wutzler etal.，2018）。計算公式如下：

GPP=R_eco-NEE

式中： GPP 為總初級生產力；NEE為凈生態系統交換。

由于夜間植被不進行光合作用，故夜間GPP為0，即觀測到的NEE為 R_eco 。本研究采用Markus的方法估算 R_eco （Reichsteinetal.，2005），即利用夜間數據建立 R_eco 與 T_soil 和SWC的關系從而推導出日間的 R_eco 。白天的GPP為實測 NEE與 R_eco 之差。

將計算出的GPP和觀測到的PAR數據進行質量控制和剔除異常值的處理，即繪制GPP數據散點圖，剔除極大值、極小值和極偏離軌跡的數據，PAR剔除小于0的數據。最后把以上數據計算為8d時間步長，用于與MODIS數據的時間分辨率相統一，其中GPP缺失時用近鄰法進行填充，年末不足8d的求平均后再乘以8。

2.2遙感數據整理

MODIS遙感數據來自NASA（https：//ladsweb.modaps.eosdis.nasa.gov/），具有較廣的光譜范圍和較高的時間分辨率（董麗潔等，2024），并且由于經過地理坐標和大氣訂正等處理，數據質量較高。根據2個站點的經緯度信息，本研究采用了 這一景的遙感數據，時間跨度為2019—2021年，這包括了 500m 空間分辨率的地表反射率數據（MOD09A1）和 1000m 空間分辨率的地表溫度數據（MOD11A2），兩者的時間分辨率均為8d。首先采用MRT工具從HDF數據集中提取所需數據，然后進行批量合成、重投影、重采樣和格式轉換等處理。其中，將空間分辨率為 500m 的地表反射率數據重采樣為 1km ，用于與地表溫度數據的空間分辨率相統一。分別以兩站點地理坐標為原點，提取站點中心至周圍 3×3 像元（ 3km×3 km）內的MODIS數據，用這些數據的平均值代表站點區域的平均水平（Xiaoetal.，2005）。根據數據質量控制文件選取可靠的像元，并插補缺失和不可靠的像元。為了消除氣溶膠、云等因素對植被指數的影響，最后利用TIME-SAT軟件中的S-G濾波對計算出來的植被指數進行平滑處理，剔除異常值。

本研究所需的模型輸人參數為增強型植被指數（EVI）。基于MOD09A1，利用藍波段（459～479nm）紅波段（ 620～670nm ）及近紅外波段（841～875nm ）的反射率進行計算：

2.3TG模型和VI模型

Sim等（2008）提出了TG模型，該模型是一種基于植被指數的GPP估算模型，采用的遙感驅動數據為LST和EVI。其不需要地面氣象數據作為模型輸入，是一種完全基于遙感數據的模型。表達式如下：

GPP=m×（ScaledEVI×ScaledLST）

ScaledEVI=EVI-0.1

式中： LST 為地表溫度；EVI為增強型植被指數； ?_m 為 GPP 與 （ScaledEVI×ScaledLST） 間的斜率，即光能轉化系數，它是通過模型標定得到的；ScaledEVI為植被指數標量（賈文曉等，2016），ScaledLST為地表溫度標量。

VI模型由 W_u 等（2010）提出且應用在落葉林和小麥生態系統中，模型只利用 EWI 和 PAR 這2個參數，表達式如下：

GPP=a×EVI×EVI×PAR

式中： EVI 為增強型植被指數； PAR 為光合有效輻射；參數 α_a 隨環境與植被類型的變化而產生差異且通過模型標定得到。

2.4統計分析

兩種遙感GPP模型中都有相應的敏感參數，通常會受到氣候條件及生態系統類型的影響，模型的模擬精度在很大程度上取決于該參數的選取是否準確。因此，在標定模型的敏感參數之后才能開始應用模型進行GPP的模擬估算（袁文平等，2014）。本研究采用2019—2020年的數據進行標定，采用2021年的數據對TG和VI模型分別在兩站點的模擬結果進行驗證。本研究以兩種時間尺度（全年和季節）利用通量塔實測GPP對TG和VI模型的敏感參數進行標定。其中，在分季節標定時，可將全年數據按照春季（3一5月）、夏季（6—8月）秋季（9—11月）和冬季（1—2月和12月）進行劃分，計算出各季節的敏感參數，再分季節進行模擬及驗證。

本研究采用決定系數（ R² ）、相對誤差（ RE % ）及均方根誤差（ RMSE ， g?m^-2?d^-1 這3個指數來對兩種模型在不同生態系統中的模擬精度進行評價。其中， R²，RE 和RMSE的計算公式如下：

3結果與分析

3.1TG和VI模型在兩種生態系統的適用性

將兩種遙感GPP模型輸入參數與通量塔實測GPP進行相關性分析，結果如表1所示。在不同的生態系統中，實測GPP與LST和EVI的相關性均較大， R² 均不低于0.950。實測GPP與PAR的R² 相對于LST和EVI均較低，但是也達到了顯著相關水平，兩種生態系統的 R² 分別為0.817和0.859。這表明地表溫度（LST）和增強型植被指數（EVI）是影響實測GPP的重要因素，較高的相關性表明它們可作為有效的遙感參數用于估算生態系統GPP。

表1實測GPP與模型輸入參數的決定系數 （R²）

Table1 Coefficient of determination （R²） of measured GPP with model input parameters

注： ***表示 Plt;0.001。Note： *** indicates Plt;0.001.

本研究使用2019—2020年的渦度數據與遙感模型參數進行相關性分析。圖1為TG模型參數 PcaledEVI×ScaledLST） 及VI模型參數（ EVI× EVI×PAR ）與通量觀測GPP的相關性分析結果。結果表明，在TG模型中，兩種生態系統的 R² 分別為0.90和0.88（圖 l：a_λc^? ，VI模型中分別為0.75和0.74（圖1：b、d）。其中，TG模型的遙感參數與渦度數據的相關性強于VI模型。總體而言，兩種生態系統在TG和VI模型中使用的遙感參數均與GPP_EC達到了顯著相關（ Plt;0.001 ）。這些結果驗證了兩種模型在次生常綠闊葉林和桉樹人工林的適用性。因此，TG和VI模型均適用于這2個生態系統，并且TG模型的使用潛力強于VI模型。

3.2不同時間尺度的模型參數標定

TG和VI模型中的敏感參數 m 和 α_a 都是GPP與模型其他參數的斜率，本研究從全年和季節兩種時間尺度通過實測GPP數據與模型其他參數的擬合對其進行標定。標定結果如表2所示。

3.3TG和VI模型在兩種生態系統的模擬精度

模型標定對TG和VI模型的估算精度有很大影響，表3為兩種模型分別在2個站點參數校正前后的誤差情況，其中校正前采用的 ?_m 和 α_a 是其他學者在相同生態系統類型的研究中的參數。結果表明，校正后的兩種模型模擬精度明顯提高。圖2是經過校正的TG和VI模型在兩種森林生態系統的模擬值與實測值的擬合結果。總體而言，校正后的擬合曲線整體上更貼近于 y=x 的直線，特別是在進行了分季節標定后，擬合效果進一步提升。并且與VI模型相比，TG模型的擬合曲線更接近于y=x 的直線。由圖2和表3可知，對各季節數據分別標定后的模擬精度比采用全年數據標定后的模擬精度高。各季節數據分別標定后，TG模型在次生常綠闊葉林和桉樹人工林的 R² 分別為0.93和0.92，而VI模型在2個站點的 R² 分別為0.79和0.85，并且都呈極顯著水平（ Plt;0.001? 。兩種遙感GPP模型的標定和驗證階段模型模擬值和地面實測值之間均有較高的相關性，說明兩種模型均具有較高的模擬能力。在次生常綠闊葉林中，驗證階段TG模型的模擬值最接近站點實測值（ R²= 0.93，RE=1.87% RMSE=6.53g?m^-2?d^-1? ，這說明TG模型在次生常綠闊葉林的GPP模擬中具有較好的模擬效果；在桉樹人工林中，驗證階段TG模型的 RE（-24.14%） 和RMSE值 （7.88g?m^-2 ：d^-1 ）均小于VI模型（ RE=-35.61% ， RMSE=10.08 （204 g?m^-2?d^-1， ）。因此在桉樹人工林中同樣是TG 模型的模擬效果相對較好。

由圖3可知，TG和VI模型對GPP的模擬反映了實測GPP的動態變化趨勢，但總體上存在一定程度的低估。其中，1一4月，兩種生態系統模擬GPP的誤差均在全年中達到最大。在次生常綠闊葉林中，4—7月，兩種模型模擬出現了輕微的高估；8—12月，TG模型模擬的誤差較小，模擬值非常接近實測值。在桉樹人工林中，整體皆為低估，

圖1不同生態系統在TG和VI模型中的遙感參數與實測GPP之間的關系Fig.1Relationshipbetween remote sensing parameters and measured GPPfor diferent ecosystems in TGand VImodels

表2TG和VI模型在不同生態系統中的敏感參數Table2Sensitivity parameters of TG and VI modelsindifferent ecosystems

VI模型在6月的模擬效果最好，TG模型在7—9月的模擬精度最高。同時，對圖中使用不同時間尺度數據標定后的模擬結果進行對比，發現整體上季節尺度的模擬結果比全年尺度的結果更加接近實測值，對于低估和高估現象有所改善。

對模擬GPP和實測GPP在全年和季節尺度 上進行了對比。由表4可知，對于次生常綠闊葉 林，GPP_TG_Year、GPP_VI_Year、GPP_TG_Season 和GPP_VI_Season在全年分別低估了 8.43% ！ 40.93% ） 5.37% 和 31.05% ；對于桉樹人工林，在全 年分別低估了 32.64%.47.89%.21.39% 和 30.27% 。GPP_TG_Year、 GPP_-VI_-Y_? ear在次生常 綠闊葉林春季和冬季低估程度較大，分別為 39.08% .82.76% 與 31.44%.70.28% ，而 GPP_-TG_- Season和GPP_VI_Season的低估有一定程度的改 善，分別為 33.35%.81.03% 與 2.25%.8.01% 。在 桉樹人工林中，春季和冬季的GPP_TG_Year、GPP_ VI_Year、GPP_TG_Season和GPP_VI_Season分 別低估了 26.40% ！ 65.09% ！ 23.03% 、 59.78% 與48.26% 、 69.27% 、 1.10% 、 26.35% 。總體而言，分季節對模型參數進行標定后的模擬結果明顯優于全年標定的情況。

4討論

本研究利用通量塔實測和遙感GPP模型（TG和VI模型）估算兩種方法得到了次生常綠闊葉林和桉樹人工林的GPP，并且通過將這兩種途徑獲得的GPP進行比較，以通量塔實測結果為真值，評價遙感模型的模擬精度，分析模型在兩種生態系統上的適用性。本研究使用的模型輸入數據有氣象觀測的輻射數據及通過遙感數據獲得的溫度數據和增強型植被指數數據。 ?_m 和 α_a 是決定TG和VI模型模擬結果精度的關鍵參數，基于地面觀測GPP對這2個參數校正后，模型標定與驗證階段的模擬精度相對標定前均有明顯提高。因此，在使用模型模擬GPP之前應當基于地面實測數據對m 和 α_a 進行標定，即敏感參數校正。通量觀測數據具備良好的時間分辨率（樊華燁等，2020），利用其對模型參數進行校正可減小參數的不確定性，提升模型模擬精度。

圖3基于校正后模型的兩種生態系統模擬GPP與實測GPP的比較 3Comparison of simulated GPP with measured GPP for the two ecosystems based on the corrected m（

對比研究結果顯示，通過采用分季節對模型敏感參數進行標定的方法，相較于使用全年數據進行標定的方法，表現更出色。這是因為分季節標定方法改善了模型在不同季節植被生長動態的模擬效果，從而提高了整年的模擬精度。兩種模型模擬的GPP與實測GPP的趨勢一致，但總體上低估了實際的GPP水平，特別是春季和冬季的低估最嚴重。這可能是因為TG和VI模型的結構還有待進一步完善，特別是其現有參數無法準確反映樹木在冬春季節的生長動態。這與楊明興等（2019）在鼎湖山站點（常綠闊葉林）的模擬結果一致，需要通過對模型進行改進來提高模擬精度。總體而言，在兩種森林生態系統中TG模型的模擬效果要優于VI模型。這與王克清等（2017）的研究成果一致。這可能是由于VI模型只有EVI這一遙感參數；而TG模型整合了LST和EVI，其中LST不僅代表溫度因素，還反映了植被GPP的另一個影響因素——飽和水汽壓差（vaporpressuredeficit，VPD）（Vermaetal.，2015），并且VI模型的參數PAR與實測GPP的相關性低于其他遙感參數。各模型參數與站點實測GPP的相關性表明，在次生常綠闊葉林和桉樹人工林中，LST和EVI與實測GPP均顯著相關（ Plt;0.001 ），故均能較好地表征GPP的動態變化。王旭峰等（2012）在高寒草甸阿柔站的研究表明，VPM（vegetationphotosynthesis model）、EC-LUE（eddy covariancelightuseefficiency）、VI和TG的模擬效果都很好。許世賢等（2022）在中亞干旱區4個典型生態系統的研究表明，TG模型在巴爾喀什湖草地生態系統和烏蘭烏蘇農田生態系統中模擬的GPP精度最高。杜啟勇等（2018）的研究結果表明，在位于美國的站點中，VI模型在落葉闊葉林和常綠針葉林中的模擬效果最好，并且GR（green-redvegetationindexmodel）、TG和VI模型在森林生態系統中的GPP估算都表現出較高的模擬精度。不同模型在不同生態系統中的表現有所差異，應當根據模型特征、植被生長狀況及氣候特征等因素，選擇并發展適合本區域的遙感GPP模型。

但是，遙感GPP模型在使用過程中也存在一些不確定性，主要體現在以下5個方面：（1）渦度相關法是基于物質能量閉合的假設來進行碳通量估算的，但因為設備觀測精度、野外環境和地形的影響，觀測到的生態系統的能量交換很少能夠完全閉合（胡倩等，2022），導致實測生態系統GPP存在一定程度的誤差，從而給遙感GPP模型的驗證和參數標定帶來不確定性；（2）渦度相關法測到的是NEE，而GPP是根據氣象因子從NEE中劃分而來（Gilmanovetal.，2003），不同的成分分解方法也會對GPP估算存在一定的影響；（3）站點渦度相關法測得的是代表地表一定貢獻區的碳通量，而遙感GPP模型是基于像元計算，兩者的空間尺度并不完全一致（Runningetal.，2004），因而也會帶來結果驗證的不確定性；（4）遙感數據本身存在不確定性，在其獲取及處理過程中可能存在誤差，如遙感傳感器的精度、輻射校正和大氣校正等因素均可能影響遙感數據的準確性（嚴燕兒等，2008）；（5）遙感GPP模型本身的結構無法完全反映影響生態系統GPP的所有重要因素。光學指數在捕捉植被短期光合生理時存在一定的局限性，如短期溫和干旱可能引起葉片氣孔導度降低，進而影響光合速率，這種短期溫和變化可能無法在光學指數上得到反映，但熱紅外指數卻能通過蒸騰引起的溫度變化來捕捉到氣孔導度和光合的變化（吉蒙等，2023）。本文中TG模型在引入表征溫度的LST指數后，其對GPP的模擬精度明顯高于只包含光學指數的VI模型，這證明了選擇和完善遙感GPP估算模型的必要性。

表4全年和季節尺度兩種生態系統模擬GPP與實測GPP的統計

Table4 Statistics on simulated and measured GPPs for two ecosystems at annual and seasonal scales

5結論

本研究針對中亞熱帶兩種生態系統（次生常綠闊葉林和桉樹人工林），將通量塔實測GPP與兩種遙感GPP模型（TG和VI模型）模擬的GPP進行比較分析，初步揭示了TG和VI模型在中亞熱帶地區兩種典型森林GPP估算的應用潛力，確定了使用不同模型參數標定方法后的模擬效果，主要結論如下：

（1）參數標定后的TG和VI模型模擬出的GPP與站點實測GPP的決定系數均較高（ R²gt; 0.70），并且均達到顯著水平（ Plt;0.001 ），說明這兩種模型在參數標定后具備了在中亞熱帶地區兩種典型森林應用的潛力。

（2）在全年不同季節中使用相同的模型敏感參數難以在所有季節均獲得很好的估算結果，因此為提高模型在不同季節的適用性，有必要在不同季節下標定敏感參數。

（3）TG模型在次生常綠闊葉林生態系統的模擬誤差最小（ ∣RE∣lt;2% ，VI模型在桉樹人工林中的模擬誤差最大（ ∣RE∣gt;35%） 。總體而言，TG模型在中亞熱帶兩種生態系統的模擬效果優于VI模型，這可能是由于TG模型在光學指數基礎上還引入了熱紅外指數，而熱紅外指數在表征光合生理的短期變化上較光學指數更有優勢。

參考文獻：

BEERC，REICHSTEINM，TOMELLERIE，et al.，2010.Terrestrial gross carbon dioxide uptake：Global distributionand covariation with climate［J].Science，329（5993）：834-838.

DONG LJ，WANG XL，GUIF，et al.，2O24.Spatial andtemporal characteristicsofland-sea temperaturedifference ineastern China based on MODIS data[J]. Journal of Ecology，44（14）：6097-6110.[董麗潔，王曉利，桂峰，等，2024.基于MODIS數據的中國東部地區海陸溫差時空變化特征［J].生態學報，44（14）：6097-6110.]

DU QY，LIN AW，FU X， 2018. Comparison of multiple GPPmodels using remote sensing and American carbon flux data[J].Mapping and Spatial Geoinformation，41（2）：138-141.［杜啟勇，林愛文，付醒，2018.基于遙感和美國碳通量觀測數據的GPP模型比較研究［J].測繪與空間地理信息，41（2）：138-141.]

FALGE E，BALDOCCHI D，OLSON R，et al.，2001.Gapfilling strategies for defensible annual sums of net ecosystemexchange[J]. Agricultural and Forest Meteorology，107（1）） ：43-69.

FAN HY，LIY，ZHANG TL，et al.，202O. Research advancesinmodel simulationand data assimilation ofwater and carbonfluxesin land surface vegetation[J]. Journal of AppliedEcology，31（6）：2098-2108.[樊華燁，李英，張廷龍，等，2020.陸地植被水碳通量模型模擬與數據同化研究進展.應用生態學報，31（6）：2098-2108.]

FANG JY，KE JH，TANG ZY，et al.， 2001. Implications andestimationsoffourterrestrialproductivityparameters[J]. Journal of Plant Ecology，25（4）：414-419.[方精云，柯金虎，唐志堯，等，2001.生物生產力的“4P\"概念、估算及其相互關系［J].植物生態學報，25（4）：414-419.]

FRIEDLINGSTEIN P，O'SULLIVAN M， JONES MW， et al.，2020. Global carbon budget [J].Earth System Science Data，12（4） ： 3269-3340.

GILMANOY TG，JOHNSON DA，SALIENDRA NZ，2003.Growing season CO ² fluxes in a sagebrush-steppe ecosystemin ldaho：Bowen ratio/energy balance measurements andmodeling[J].Basic and Applied Ecology，4（2）：167-183.

GRIEBEL A，BENNETTLT，METZEND，et al.，2016.Effectsofinhomogeneitieswithin the flux footprint ontheinterpretation of seasonal，annual，and interannual ecosystemcarbon exchange[J].Agricultural andForest Meteorology，221：50-60.

HEIMANN M，REICHSTEIN M，2008.Terrestrial ecosystemcarbon dynamics and climate feedbacks[J].Nature，451（7176）： 289-292.

HU Q，DOU CY，WEI Z，et al.， 2022.Progress in the study offactors affecting vorticity-related energy closure [J]. Journalof Irrigation and Drainage，41（（增刊2）：52-57.[胡倩，竇超銀，魏征，等，2022.渦度相關能量閉合影響因素研究進展［J].灌溉排水學報，41（Suppl.2）：52-57.]

JI M，XU YM，MO YP，et al.，2023.Land surface temperatureretrieval method based on UAV thermal infrared remotesensing and synchronized atmospheric profiles [J]. Journal ofGeo-Information Science，25（12）：2456-2467.[吉蒙，徐永明，莫亞萍，等，2023.基于無人機熱紅外遙感和大氣同步廓線的地表溫度反演方法［J].地球信息科學學報，25（12）： 2456-2467.]

JIA WX，LIU M，SHE QN，et al.，2016. Optimization andevaluation ofkeyphotosynthesisparameters in forestecosystems based on FLUXNET data and VPM model[J]. Journal of Applied Ecology，27（4）：1095-1102.[賈文曉，劉敏，佘倩楠，等，2016.基于FLUXNET觀測數據與VPM模型的森林生態系統光合作用關鍵參數優化及驗證［J].應用生態學報，27（4）：1095-1102.]

LIU ZJ， WANG LC， WANG SS， 2014. Comparison of differentGPP models in China using MODIS image and ChinaFLUXdata[J].Remote Sensing，6（10）：10215-10231.

PIAO SL，HE Y，WANG XH，et al.，2022.Estimation ofChina's terrestrial ecosystem carbon sink ： Methods，progressand prospects [J]. Scientia Sinica（Terrae）， 52（6）： 1010-1020.［樸世龍，何悅，王旭輝，等，2022.中國陸地生態系統碳匯估算：方法、進展、展望［J].中國科學：地球科學，52（6）：1010-1020.]

REICHSTEIN M，FALGE E， BALDOCCHI D，et al.， 2005. Onthe separation of net ecosystem exchange into assimilationand ecosystem respiration：review and improved algorithm[J]. Global Change Biology，11（9）：1424-1439.

RICHARDSON AD，HOLLINGER DY，2007.A method toestimatetheadditional uncertainty ingap-filed NEEresulting from long gaps in the CO flux record[J].Agricultural and Forest Meteorology，147（3）：199-208.

RUNNING SW，NEMANI RR，HEINSCH FA，et al.，2004. Acontinuous satellte-derived measure of global terrestrialprimary production[J]. Bioscience，54（6）：547-560.

SIMS D，RAHMAN A，CORDOVA V，et al.，2008.A newmodel of gross primary productivity for North Americanecosystems based solely on the enhanced vegetation index andland surface temperature from MODIS[J]. Remote Sensingof Environment，112（4）：1633-1646.

SJOSTROM M，ZHAO M，ARCHIBALD S，et al.，2013.Evaluation of MODIS gross primary productivity for Africausing eddy covariance data[J].Remote SensingofEnvironment，131：275-286.

TIAN H， MELILLO JM，KICKLIGHTER DW，et al.，1999.The sensitivity of terrestrial carbon storage to historicalclimate variability and atmospheric CO₂ in the United States[J]. Tellus B：Chemical and Physical Meteorology， 51（2） ：414-452.

VERMA M，FRIEDL MA，LAW BE，et al.，2015.Improvingthe performance of remote sensing models for capturing intra-and inter-annual variations in daily GPP：An analysis usingglobal FLUXNET tower data ［J]. Agricultural and ForestMeteorology，214/215：416-429.

VERMA M，FRIEDL MA，RICHARDSON AD，et al.，2014.Remote sensing of annual terrestrial gross primaryproductivityfromMODIS： anassessmentusingtheFLUXNET La Thuile data set [J]. Biogeosciences，11（8）：2185-2200.

WANG KQ，WANG HS，SUN JX，2017. Application andcomnarison of remote sensing GPP models with milti-sites inChina[J]. Journal ofPlant Ecology，41（3）：337-347.[王克清，王鶴松，孫建新，2017.遙感GPP模型在中國地區多站點的應用與比較[J].植物生態學報，41（3）：337-347.]

WANGXF，MA MG，LIX，et al.，2012.Comparisonof remotesensing based GPP models at an alpine meadowsite[J].Journal of Remote Sensing，16（4）：751-763.[王旭峰，馬明國，李新，等，2012.遙感GPP模型在高寒草甸的應用比較[J].遙感學報，16（4）：751-763.]

WATHAM T，PATEL NR，KUSHWAHA SPS，etal.，2017.Evaluation of remote-sensing-based models of grossprimary productivity over Indian sal forest using flux towerand MODIS satellite data [J].International JournalofRemote Sensing，38（18）：5069-5090.

WU CY，HAN XZ，NI JS，et al.，2010. Estimation of grossprimary production in wheat from in situ measurements[J].International Journal of Applied Earth Observation andGeoinformation，12（3）：183-189.

WUTZLER T， LUCAS-MOFFAT A，MIGLIAVACCA M， et al.，2018.Basic and extensible post-processing of eddy covarianceflux data with REddyProc[J].Biogeosciences，15（16）：5015-5030.

XIAO XM， ZHANG QY，SALESKA S，et al.，20O5. Satellite-based modeling of gross primary production in a seasonallymoist tropical evergreen forest [J].Remote Sensing ofEnvironment，94（1）：105-122.

XU SX，JING CQ，GAO SH，et al.，2022.Evaluation of theapplicability of remote sensing GPP models in four typicalecosystems in the arid zone of Central Asia[J]. Journal ofEcology，42（23）：9689-9700.[許世賢，井長青，高勝寒，等，2022.遙感GPP模型在中亞干旱區4個典型生態系統的適用性評價［J].生態學報，42（23）：9689-9700.]

YAN YE，ZHAO B，GUO HQ，et al.，2008.Progressofcoupled eddy covariance and remote sensing in ecosystemcarbon flux estimation[J].Advances in Earth Sciences，23（8）：884-894.[嚴燕兒，趙斌，郭海強，等，2008.生態系統碳通量估算中耦合渦度協方差與遙感技術研究進展[J].地球科學進展，23（8）：884-894.]YANG MX，DAI ZY，DUQY，et al.，2019.Comparison ofdifferent GPP models in subtropical evergreen forest sites[J].Surveying and Mapping Geographic Information，44（1）：69-73.［楊明興，代偵勇，杜啟勇，等，2019.遙感GPP 模型在亞熱帶常綠林的應用比較［J].測繪地理信息，44（1）：69-73.]YU GR，ZHANG LM，SUN XM，2014. Major progress anddevelopment prospect of ChinaFLUX[J].ProgressinGeoscience，33（7）：903-917.[于貴瑞，張雷明，孫曉敏，2014.中國陸地生態系統通量觀測研究網絡（ChinaFLUX）的主要進展及發展展望［J].地理科學進展，33（7）：903-917.]YUAN WP，CAI WW，LIU D，et al.，2014.Satellite-basedvegetation production models of terrestrial ecosystem：Anoverview[J]. Progressin Earth Science，29（5）：541-

550.［袁文平，蔡文文，劉丹，等，2014.陸地生態系統植被生產力遙感模型研究進展［J].地球科學進展，29（5）：

541-550.]ZHANG XJ，LI DJ，LIU SH，et al.，2022.Application progressofremote sensing technology in the realization of“DoubleCarbon”goal [J].Space Return and Remote Sensing，43（6）：106-118.［張曉娟，李東杰，劉思含，等，2022.遙感技術在“雙碳”目標實現中的應用進展［J].航天返回與遙感，43（6）：106-118.]ZHU WQ，XIE ZY， ZHAO CL， et al.， 2024. Remote sensing ofterrestrial gross primary productivity：areview of advances intheoretical foundation，key parameters and methods[J].GIScience amp;Remote Sensing，61（1）：2318846.

（責任編輯 鄧斯麗）