出版日期: 2018-03-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20186456
2018 | Volumn22 | Number 2
上一篇 | 下一篇

综述

陆地总初级生产力遥感估算精度分析

林尚荣^1,2 , 李静¹ , 柳钦火^1,3

1. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室，北京 100101

2. 中国科学院大学，北京 100049

3. 全球变化与中国绿色发展协同创新中心，北京 100875

收稿日期: 2016-12-08

基金项目: 高分辨率对地观测系统重大专项(编号：30-Y20A03-9003017/18)；国家自然科学基金(编号：41671374)

第一作者简介: 林尚荣(1992—　)，男，博士研究生，研究方向为植被定量遥感。E-mail：shangrong_edu@outlook.com

通讯作者简介: 李静(1978—　)，女，副研究员，研究方向为植被辐射传输模型、叶面积指数反演等。E-mail：lijing01@radi.ac.cn

中图分类号: TP79

文献标识码: A

摘要

准确估算陆地总初级生产力GPP(Gross Primary Productivity)数值对碳循环过程模拟有重要影响。本文介绍了多种基于植被指数以及基于光能利用率的遥感GPP算法，综述了不同算法在其研究区域的估算精度；并分析了MODIS/GPP以及BESS/GPP两种遥感GPP产品在不同植被类型的估算精度。通过对比全球碳通量站网络GPP数据表明，MODIS/GPP产品在全球估算结果具显著相关性(R²=0.59)及中等标准误差(RMSE=2.86 gC/m²/day)，估算精度较高的植被类型有落叶阔叶林，草地等；估算精度较低类型包括常绿阔叶林，稀树草原等。本文对GPP产品中存在的不确定性进行分析，通过综述前人研究中发现的遥感估算GPP方法中存在的问题，指出可能的提高卫星遥感GPP产品估算精度的方法及发展趋势。

关键词

陆地总初级生产力, 遥感陆地生态系统模型, MODIS/GPP产品, BESS/GPP产品, 碳循环, 全球变化,

Overview on estimation accuracy of gross primary productivity with remote sensing methods

LIN Shangrong^1,2 , LI Jing¹ , LIU Qinhuo^1,3

1.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

2.University of Chinese Academy of Sciences, Beijing 100049, China

3.Joint Center for Global Change Studies (JCGCS), Beijing 100875, China

Abstract

Gross primary productivity (GPP) is an important parameter in describing terrestrial ecosystem productivity. This review surveys the existing remote sensing GPP estimation algorithms including vegetation index based and light use efficiency based models and their accuracies, and summarizes two 1 km spatial resolution GPP product accuracy under eight different vegetation types. MOD17, which is the most commonly used GPP product, provides global-scale spatio-temporal continuous data. A strong correlation exists between global-scale MODIS/GPP and in-situ measurement (R²=0.59) with medium estimation accuracy (RMSE=2.86 gC/m²/day). Estimation accuracy is high in deciduous broadleaved and evergreen coniferous forests but low in evergreen broadleaved forests and savanna. Finally, we analyze the uncertainties in GPP estimation and verification with the remote sensing method and suggest possible approaches to improve the accuracy of GPP estimation and its development tendency.

Key words

gross primary productivity, terrestrial ecosystem model, remote sensing GPP algorithm, MODIS/GPP product, BESS/GPP product, terrestrial carbon cycle, global change

1 引　言

陆地总初级生产力GPP(Gross Primary Productivity)是描述陆地生态系统的重要参数，提供了全球气候变化情况下碳循环的定量化描述(方精云等，2007；于贵瑞等，2011)。GPP是指生态系统中绿色植物单位时间通过光合作用途径固定有机碳的总量，决定了进入陆地生态系统的初始能量与物质总量(方精云等，2001)。评估全球碳循环则利用净初级生产力NPP(Net Primary Productivity)，其表示了GPP中扣除植被自养呼吸消耗后的剩余部分，是构成生物量的主要部分；或利用净生态系统生产力NEP(Net Ecosystem Productivity)表示生态系统固定有机质的量。通过评估植被生产力增加或减少可以确定全球植被生态系统作为碳汇或碳源。

国际上通用的估测GPP方法主要有通量站连续观测、陆地生态过程模型估测等方法(崔霞等，2007；高艳妮等，2012)。通量站连续观测是利用涡度相关法测量大气与生态系统边界的交换，包括碳、水等物质，从而间接计算出生态系统GPP的量。涡度相关技术实现了定量连续测量陆地生物圈-大气圈碳和水汽交换，是在生态系统尺度上解释陆气交换作用的最有效方法(Baldocchi 等，2001；Baldocchi，2008；Yu 等，2013)。陆地生态过程模型则是结合陆地表面过程，植被冠层生理等生态系统过程要素开发出的模型(于贵瑞等，2011)。结合遥感数据的GPP估测模型实现了空间连续、不破坏植被的估测植被GPP(Gamon 等，1990)。遥感估测GPP模型主要分为3类：经验型植被指数模型(赵英时，2013；柳钦火等，2010)、植被生态过程模型(Beer 等，2010)及机器学习模型(Jung 等，2011)。

遥感GPP产品则是在GPP模型基础上，对模型中一些参数进行全球参数化，结合长时间序列遥感数据，最终生产出遥感产品(Hazarika 等，2005)。目前提供时空连续的1 km空间分辨率遥感GPP产品包括MODIS/GPP(Running 等，2004)，BESS/GPP产品(Jiang和Ryu，2016)，其中较为成熟的产品为MODIS的GPP植被生产力产品(MOD17)，包括8 d平均日GPP产品、8 d平均日NPP产品以及年NPP产品(http://www.ntsg.umt.edu/project/mod17[2016-12-08])。MOD17是第一套全球尺度长时间序列的中分辨率植被生产力产品，具有较高应用意义。MODIS/GPP产品能够为生态系统恢复、全球碳源汇估算以及评估陆地生态系统对人类社会可持续发展的支持能力提供数据支持(Zhao 等，2010；Frazier 等，2013；袁文平等，2014)。但现有GPP估算模型和算法中存在一定不足，一些研究表明全球不同区域MODIS/GPP产品精度不一，难以满足实际应用需求(Jung 等，2007；Liu 等，2014)。

提高遥感GPP全球产品精度，需要分析现有GPP产品的精度特点，不同植被不同区域估算精度低的原因何在，现有GPP估算模型在哪些区域哪些类型具有更好的适用性及精度表现。本文综述目前国际上主流的GPP算法研究进展及其估算精度分析，分析现有遥感GPP产品的全球精度现状，及影响目前GPP算法及产品精度的主要因素，为GPP估算模型以及GPP全球算法的改进提供基础。

2 GPP遥感估算模型及其精度分析

目前冠层尺度上应用较为成熟的基于遥感卫星数据计算的GPP模型主要分为基于植被指数的经验模型和基于植被生理生态过程半经验模型。而利用机器学习方法的GPP模型，其算法精度取决于训练样本，在对比时需要基于同一样本进行比较，不同文献当中估算结果并不能直接对比，因此未对机器学习模型进行讨论。

2.1 基于遥感植被指数的GPP模型

基于遥感植被指数的GPP估算模型主要是利用遥感统计方法，利用地面实测数据与遥感植被指数构建经验关系，以估测区域的植被生产力。研究表明，利用植被指数构建经验关系能够有效估算陆地GPP。目前，主要利用增强植被指数EVI(Enhanced Vegetation Index)(Sims 等2006，2008；Huete 等，2006，2008；Olofsson 等，2008，Sjöström 等，2011，Wu 等，2011；Ma 等，2013)、归一化植被指数NDVI(Normalized Difference Vegetation Index)(Peng 等，2011)、光化学植被指数PRI(Photochemical Reflectance Index)(Hall 等，2012)、以及日光诱导植被荧光SIF(Solar-Induced Fluorescence) (Guanter 等，2014)等估算GPP。利用EVI指数在全球估算GPP与地表数据对比估算相关性R²介于0.52—0.92，RMSE介于1.02—2.93 gC/m²/d；利用SIF指数估算美洲农田以及欧洲草地生产力的相关性R²为0.87；而利用PRI指数估算GPP，主要是利用PRI与LUE之间的相关关系(Drolet 等，2005；Garbulsky 等，2011；He 等, 2016；Nakaji 等，2014；Soudani 等，2014；Wu 等，2015)间接估算GPP，但目前未有成熟研究指出由PRI直接估算GPP的精度。另一方面，Inoue等人(2008)在日本农田测试了不同遥感植被指数对光能利用率等植被生理生化参数的响应，部分植被指数如GEMI，WDVI达到了80%以上的相关性。

利用植被指数估算GPP均属于经验模型，具有在特定区域适应性良好的特点。在区域尺度或更大范围内，气候特征的改变、生态系统结构的改变、像元地表异质性的存在等因素都会使植被指数估算GPP公式中的经验参数发生改变，使经验关系不再适用。在植被生产力较高的区域，植被指数会出现饱和现象，因此两者间关系将由线性转为非线性关系(Box 等，1989)。在植被稀疏区域，土壤背景使得反射率影响较大，因此不同条件下会有过高或过低估计(Huete和Jackson，1988)。另外，利用植被指数直接估算GPP会受到植被生长的季节性影响(Yang 等，2015)。

2.2 结合遥感数据的光能利用率的GPP模型

结合植被生态过程模型的GPP模型估算中，有较多关于光能利用率的模型研究结果。光能利用率模型是Monteith于1972年提出，理论是基于植被在水分、土地肥力充足的条件下，植被生产力仅与入射太阳能量相关。随着遥感技术发展，光能利用率模型被应用于多种尺度上的遥感研究(Turner 等，2003；卫亚星和王莉雯，2010)。遥感光能利用率模型假设环境因素简化情况下，植被生产力只与温度，水分，光照以及该地区本身光能利用率有关。该类型算法原理为式(1)所示。

${{GPP}} \!=\! {{LUE}} \! \times \! {{APAR}} \! = \! {{{LUE}}_{\max }} \! \times \! f \! \times \! fPAR \! \times \! PAR$

(1)

式中，LUE(Light Use Efficiency)为光能利用率，APAR为吸收到的光合有效辐射量，f为环境影响因子(包括水分条件及温度影响因子)，LUE_max为最大光能利用率。目前，LUE主要利用经验公式从遥感影像中计算或者根据先验知识得到(Yuan 等，2007)。LUE的估算模型主要包括VPM(Vegetation Production Model)、VPRM(Vegetation Production and Respiration Model)、CFix(Carbon Fix)、CFlux(Carbon Flux)、EC-LUE(Eddy Covariance-Light Use Efficiency)，MOD17(Moderate Resolution Imaging Spectroradiometer-GPP)等(算法见附表)。不同的光能利用率算法利用不同的参数化方案，适用于不同地区的GPP估算。

本节基于光能利用率遥感GPP算法精度验证，是利用通量站尺度气象及各种输入参数，与通量站处理得出GPP进行对比，验证不同算法精度。利用涡度相关原理，在观测通量站碳和水的交换量后，经一系列处理获得长时间连续的地表GPP估算值，被认为是地表生态系统光合作用真值(Baldocchi 等，2001)，因此可用于对比分析卫星遥感估算GPP精度。很多文献利用通量站GPP作为真值，验证各种GPP模型及产品的精度(Keenan 等，2012)。Yuan等人(2014)和Verma等人(2014)对比了几种光能利用率算法对GPP估算的影响。

VPM模型属于光能利用率及植被指数型GPP模型，其引入LSWI及EVI进行计算。全球区域总体估算相关性R²为0.52，RMSE为2.67 gC/m²/d；估算精度在落叶阔叶林(R²=0.691，RMSE=2.827 gC/m²/d)、混交林(R²=0.691，RMSE=2.276 gC/m²/d)估算效果较好，而在常绿阔叶林(R²=0.153，RMSE=3.034 gC/m²/d)以及灌丛(R²=0.111，RMSE=2.137 gC/m²/d)的估算精度较低。对北方森林以及温带森林精度良好，但是对于热带森林，受到云量、干湿季等因素影响估算精度较低。该模型主要受最大光能利用率在不同植被类型的影响，因此需要进一步利用通量站数据校正最大光能利用率数值，以提高全球尺度估算的效果(Xiao 等，2004，2005)。

VPRM模型是在VPM模型的基础上，考虑生态系统呼吸的因素，加入遥感、气象、通量塔以及给定的先验知识数据驱动模型，能够模拟半小时至年的时间尺度，局地到大陆的空间尺度。其全球估算精度R²为0.5，RMSE为2.27 gC/m²/d；其中在落叶阔叶林(R²=0.692，RMSE=2.69 gC/m²/d)、草地(R²=0.649，RMSE=2.14 gC/m²/d)、混交林(R²=0.692，RMSE=1.93 gC/m²/d)估算效果较好，在灌丛(R²=0.171，RMSE=1.93 gC/m²/d)常绿阔叶林(R²=0.068，RMSE=2.48 gC/m²/d)效果较差。模型中驱动数据较多，而且需要一些校正模型的数据，因为数据缺失，某些地区并不能使用该模型进行GPP估算(Mahadevan 等，2008)。

CFix模型由Veroustraete等人(2002)提出，利用通量站和遥感卫星计算欧洲地区净生物量。全球总体估算精度R²为0.46，RMSE为2.27 gC/m²/d；其中在落叶阔叶林(R²=0.589，RMSE=3.10 gC/m²/d)、草地(R²=0.555，RMSE=2.00 gC/m²/d)估算效果较好，在灌丛(R²=0.068，RMSE=2.69 gC/m²/d)和常绿阔叶林(R²=0.085，RMSE=3.72 gC/m²/d)效果差。但模型当中的FPAR是在欧洲地区建立的与NDVI的线性经验关系，因此欧洲以外地区有不适用的情况，尤其是在低纬度干旱地区，模型估算效果差(Veroustraete 等，2002)，不适用于全球GPP估算。

CFlux模型由King等人(2011)提出，利用通量站和遥感卫星美洲地区GPP。模型考虑到云量的影响，对于GPP估算效果有提升作用。全球总体估算精度R²为0.64，RMSE为2.07 gC/m²/d；其中在落叶阔叶林(R²=0.794，RMSE=2.69 gC/m²/d)、草地(R²=0.701，RMSE=2.00 gC/m²/d)、混交林(R²=0.701，RMSE=1.93 gC/m²/d)估算效果较好，常绿阔叶林(R²=0.120，RMSE=2.14 gC/m²/d)效果较差。CFLUX模型在各种LUE模型当中表现最好，普遍估算精度最高，但在云量大的时候，存在明显低估GPP的情况。且模型需要输入气象数据，考虑天空中云的情况，因此模型需输入有云情况下的LUEmax，该数据需要经过通量站优化计算，在不同研究区域会有不同的取值。

EC-LUE模型由Yuan等人(2007)提出，属于光能利用率GPP模型基础下的植被指数型，该模型利用温度以及蒸散发的波文比作为输入，结合最大光能利用率计算。模型在所有类型植被估算相关性R²约为0.58，在落叶阔叶林(R²=0.78，RMSE=2.55 gC/m²/d)、草地(R²=0.67，RMSE=1.79 gC/m²/d)估算效果较好；在常绿阔叶林(R²=0.120，RMSE=3.10C/m²/d)估算效果较差。模型能够在全球尺度上模拟GPP，但是对于农田，模型依然需要进一步发展。模型的误差来源主要源于NDVI与FPAR的相关系数，需要通过更多的通量站数据校正。

表1列出主要GPP估算模型在不同植被类型的估算精度。全球各类GPP模型中，估算精度较高的模型为CFlux及EC-LUE模型，其中模型在落叶阔叶林，混交林，草地植被类型估算效果较好，在灌丛及常绿阔叶林估算效果较差。

表 1 全球范围基于光能利用率遥感GPP算法与通量站GPP估算精度对比
Table 1 Global comparison of remote sensing based light use efficiency GPP algorithm estimation accuracy with flux tower based GPP

下载CSV

GPP模型	植被类型
	落叶阔叶林		混交林		草地		常绿针叶林		农田¹		稀树草原		灌丛		常绿阔叶林
	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)	R²	RMSE/ (gC/m²/d)
VPM	0.69	2.83	0.66	2.28	0.61	2.14	0.48	2.48	0.70	4.65	0.59	1.37	0.15	2.14	0.11	3.03
VPRM	0.69	2.69	0.69	1.93	0.65	2.14	0.57	2.28	无	无	无	无	0.17	1.93	0.07	2.48
Cfix	0.59	3.10	0.54	2.62	0.56	2.00	0.35	2.69	无	无	无	无	0.07	2.69	0.09	3.72
CFlux	0.79	2.69	0.70	1.93	0.70	2.00	0.61	2.14	无	无	无	无	0.41	1.24	0.12	2.14
EC-LUE	0.78	2.55	0.62	2.62	0.67	1.79	0.50	1.79	0.73	2.95	0.66	1.77	0.28	1.52	0.12	3.10
MODIS	0.70	3.31	0.61	2.34	0.56	2.21	0.51	2.28	0.67	3.77	0.63	1.50	0.27	1.72	0.18	2.97
注：表中落叶阔叶林，混交林，草地，常绿针叶林，灌丛及常绿阔叶林植被类型数据(Yuan 等，2014)；因无全球范围多站点的遥感GPP模型数据对比，本表不统计农田，稀树草原的Cfix及Cflux模型结果；因数据源自不同文献，统计的站点数据样本不完全相同，因此部分数据可能与其他结果存在偏差。农田¹，稀树草原中的VPM, EC-LUE, MODIS中数据(Zhang 等，2015)的文章。

此外，还有基于生理生态过程模型的LPJ(Sitch 等，2003)、ORCHIDEE(Krinner 等，2005)，通量数据基础统计模型SVM(Yang 等，2007)，因为其输入参数较多，且基于较低空间分辨率数据进行计算，不属于传统遥感模型，因此本文不讨论类似模型。部分遥感GPP估算算法精度的有关说明详见本文电子版附表(DOI：10.11834/jrs.20186456)。

3 GPP产品在不同植被类型的估算精度分析

遥感GPP产品是在遥感GPP模型基础上，结合长时间序列遥感数据，估算地表总初级生产力的产品。本节将介绍两种1 km空间分辨率的全球GPP遥感产品在不同植被类型的估算精度。

BESS/GPP产品是以生态系统过程模型为基础，结合多个植被生理生化计算得到(Jiang和Ryu，2016)。其空间分辨率为1 km，提供2000年—2015年的8日GPP产品，输入参数包括地表短波辐射量、最大羧化率、热力学温度等多种遥感及生理生化参数。

MODIS/GPP产品是现时应用最广泛且能够提供连续数据的遥感GPP产品。MODIS/GPP产品以其他MODIS产品为基础计算得到，提供了2000年—2015年的8日GPP产品(C6产品空分辨率1 km，持续更新中)。MODIS/GPP算法基础为光能利用率模型，主要利用了LUE和环境因素包括温度、水汽压、光照三者之间的关系求出植被生产力(Running 等，2004；Zhao 等，2010)。式(2)为MODIS/GPP产品计算公式：

${{GPP}} = {{LU}}{{{E}}_{\max }} \times 0.45 \times {{SWrad}} \times {{fPAR}} \times f({{VPD}}) \times f({T_{\min }})$

(2)

式中，SWrad为太阳短波辐射值，VPD为饱和水汽压差，T_min为日最小温度值。

MODIS/GPP产品算法的LUEmax是根据查找表在不同植被类型构建的。利用MODIS土地利用覆盖数据(MCD12Q1)，为不同植被类型设定固定的LUEmax。其中最大光能利用率先验知识是基于美洲通量站网络(AmeriFlux)的11种类型的观测值构建得到。光合有效辐射数据是利用太阳短波辐射SWrad乘以0.45得到，fPAR数据则是MOD15fPAR产品获得，温度和水汽压数据使用GMAO/NASA的日最小温度值(T_min)以及饱和水汽压差VPD(Vapor pressure deficit)数据(Zhao 等，2006)。

Jiang和Ryu(2016)利用FLUXNET2015数据集中超过140个通量站，共12种地表覆盖类型的通量数据，验证GPP产品在8天时间尺度的精度。表2通过对比通量站尺度8天GPP值与遥感GPP产品8天GPP值，列出7种植被类型的精度分析结果。GPP产品精度在不同植被类型中具有明显差异，其中估算效果较好为落叶阔叶林以及常绿针叶林，全球尺度下估算相关性R²达0.68以上；相关性中等的植被类型有混交林以及草地，估算相关性R²约为0.5；而稀树草原类和常绿阔叶林则效果较差，估算相关性R²低于0.5。

表 2 两种1 km分辨率遥感GPP产品在不同植被类型的精度(Jiang和Ryu，2016)
Table 2 Comparison of two kinds of 1 km spatial resolution GPP product estimation accuracy on multiple vegetation cover (Jiang & Ryu，2016)

下载CSV

植被类型	通量站数据	MODIS-GPP			BESS-GPP
植被类型	平均值	R²	RMSE	估算偏差*	R²	RMSE	估算偏差
常绿针叶林	3.77	0.74	2.12	–0.91	0.73	2.37	–1.28
常绿阔叶林	5.42	0.25	2.96	–0.23	0.25	2.97	–0.78
落叶阔叶林	4.12	0.68	2.97	–0.71	0.72	2.59	–0.09
混交林	4.49	0.65	2.30	–0.72	0.67	2.31	–0.83
稀树草原类	2.18	0.49	1.79	–0.54	0.52	1.69	–0.43
草地及湿地	2.83	0.64	2.59	–0.78	0.71	2.24	0.45
农田	3.29	0.49	4.80	–1.34	0.74	3.86	–1.21
全部样本站点	3.45	0.59	2.86	–0.73	0.67	2.58	–0.68
注：表中原数据包括灌丛类型，但其在灌丛类型中验证数据集样本数据过少，精度不一定能反映真实情况，因此本表中不显示灌丛类数据；产品时间尺度为8 d，遥感产品与通量站结果时间尺度一致；本表格中，平均值，RMSE，估算偏差单位均为gC/m²/d；更高的R²及更低的RMSE代表估算精度较高。*估算偏差计算方法为通量站数据8日平均值减去产品8 d均值。

3.1 落叶阔叶林

无论是模型还是产品验证，目前落叶阔叶林GPP的估算效果均较好。MODIS/GPP产品的全球尺度验证中落叶阔叶林R²为0.68，RMSE约为2.97 gC/m²/d，估算误差约为–0.71 gC/m²/d(Jiang和Ryu，2016)，对比落叶阔叶林日平均GPP为3.77 gC/m²/d，目前的MODIS算法基本上能够代表该种植被类型的生长状况。Wu等人(2011)利用2003年—2006年数据在美国Harvard森林做的一项研究表明，MODIS/GPP与通量站GPP相关性R²达0.88，具有高度相关性。

落叶阔叶林的GPP估算精度整体较高，Yuan等人(2007)认为主要原因是在落叶阔叶林当中具有明显季节以及物候特征，卫星遥感能够监测实时变化，因而利用卫星遥感估算GPP精度较高。另一方面，落叶阔叶林带植被层次结构简单，植被覆盖度不同季节变化大，因此光合有效辐射吸收量估算较为简单。落叶阔叶林生长在中高纬度地区，云量覆盖较少，能够得到长时间序列的陆地观测数据，数据质量好。对于具有明显季节特征的落叶阔叶林，目前的MODIS/GPP算法已经达到精确估计GPP的效果。

3.2 常绿针叶林

MODIS/GPP产品与通量站GPP在常绿针叶林相关性R²为0.74，两者具有高度相关性(Jiang和Ryu，2016)。全球常绿针叶林平均日GPP为3.77 gC/m²/d，对比MODIS产品的RMSE约为2.12 gC/m²/d，日GPP估计偏差为–0.91 gC/m²/d，大致反映了植被的日生长状况。BESS/GPP产品精度与MODIS/GPP相似，也具有较高估算精度。全球尺度中不同纬度带的常绿针叶林的估算相关性不一，不同站点之间的误差相对较大。Zhang等人(2012)结果表明，北美常绿针叶林通量站GPP与MODIS/GPP产品相关性R²达0.52，而Liu等人(2014)研究表明在千烟洲通量站，常绿针叶林GPP与MODIS/GPP产品相关性R²为0.44。Xiao等人(2004，2005)基于北美常绿针叶林提出了VPM模型，其结果表明，常绿针叶林的MODIS/GPP产品与EVI以及土壤水分含量有密切关系。

常绿针叶林主要分布在地中海气候带，亚热带季风气候带，温带季风气候带，以及亚寒带大陆性针叶林带。常绿针叶林在各种气候带条件下，估算精度有高度相关性，但是总体偏差依然较大，原因是常绿针叶林分布地域广阔，使用单一最大光能利用率并不能代表所有种类的的针叶林光能利用率，分布在不同气候带的针叶林年GPP差异较大，King等人(2011)指出，美洲大陆海洋性气候常绿针叶林年GPP平均2064 gC/m²，而亚寒带常绿针叶林年GPP为650 gC/m²，差异巨大。另一方面遥感估测常绿针叶林物候并未能准确反映当时物候情况，会出现前后误差约10 d情况(Zhao 等，2010；Wu 等，2012)，因此在估算实时GPP的时候产生误差。

3.3 混交林

MODIS/GPP产品在混交林植被类型，全球尺度与通量站GPP对比估算相关性R²约为0.65，具有高度相关性，同时其RMSE为2.30 gC/m²/d，估算误差为–0.72 gC/m²/d，估算精度较高(Jiang和Ryu，2016)。BESS/GPP产品也有类似结果。Zhang等人(2012)结果表明，北美混交林GPP与MODIS/GPP产品相关性R²达0.77，估算精度较高。Liu等人(2014)研究表明，在长白山温带混交林，MODIS/GPP与通量站GPP相关性R²为0.76，RMSE为59.23%，相对误差–8.41 gC/m²/8d。需要注意的是，Gebremichael和Barros(2006)发现于亚热带高山混交林，通量站观测GPP相对MODIS/GPP产品估算偏低，RMSE为275%，相对误差269%, 估算效果差。

可见，MODIS/GPP产品在混交林能够达到较高的估算精度，影响其精度差异的因素主要有两方面。首先，卫星遥感数据未能很好反映水热条件变化带来的物候条件差异，例如在短时间(2—3 d)温度降低情况下，植被生产力急剧下降，但此时，遥感指数如EVI，LAI等变化不明显，因此时间段内，利用植被指数估算GPP并未能很好捕捉温度对GPP的变化(Sims 等，2006；Wu 等，2011；Kang 等，2003)，所以估算结果未能达到高精度。另外一方面，混交林植被结构较落叶阔叶林复杂，植物物种多，不同物种的光能利用率有差别；且叶片形状及树高不一样，叶片吸收的光能效率及叶片遮光量不一样，所以光能吸收条件不一样，光能利用效率并不能以单一值为输入参数(Shi 等，2017；Gebremichael和Barros，2006)。因此对于混交林，估算精度在不同区域存在精度不一的情况，需要进一步完善估算算法及模型。

3.4 草地

MODIS产品与通量站GPP数据对比，全球总体R²为0.64，RMSE为2.59 gC/m²/d，估算偏差为–0.78 gC/m²/d(Jiang和Ryu，2016)。对比草地生态系统日GPP均值为2.83 gC/m²/d，总体估算精度较高。BESS/GPP模型则具有更高GPP精度，其总体R²为0.71，RMSE为2.24 gC/m²/d。但对于不同的地区并不能达到同样高的相关性。在Liu等人(2014)研究表明在中国通量站，草地GPP与MODIS/GPP产品相关性R²为0.90，RMSE为0.7291g C/m²/d。在Zhang等人(2012)在北美的研究中，也有相似的结论，总体R²为0.62，RMSE为46 gC/m²/month，折合约1.53 gC/m²/d。

草地植被生长地带四季变化明显，在青藏高原地区，MODIS/GPP值能够反映当地物候变化(Li 等，2007)，LAI变化会随着不同生长季节变化，因此遥感观测能够同步观测到植被物候变化。草地植被结构简单，冠层吸收光合有效辐射量不会出现饱和现象，另一方面，因为草地冠层高度较低，较少出现阴影部分遮挡大部分地表，影响反射信号的情况，因此草地植被的反射信号主要是植被本身的信号，估算GPP较少受到其影响(Liu 等，2011)。

3.5 农田

MODIS/GPP产品在农田总体估算具有中度相关性。MODIS/GPP产品估算精度较BESS/GPP产品差。利用BESS/GPP产品与通量塔GPP对比，全球总体相关性R²为0.74，RMSE为3.86 gC/m²/d，估算误差–1.21 gC/m²/d(Jiang和Ryu，2016)。农田遥感MODIS/GPP产品在不同地区以及不同作物的估算精度不同。在Zhang等人(2012)在北美的研究中，总体相关性R²为0.46，RMSE为72 gC/m²/month。Sánchez等人(2015)在西班牙的研究表明，在半干旱和地中海—大陆气候的农田下，MODIS/GPP产品与通量站GPP相关性R²为0.718，但结合不同物候期变化的LUEmax计算时，相关性R²显著提升至0.863。在Liu等人(2014)研究表明在山东禹城通量站，农田GPP与MODIS/GPP产品相关性R²为0.80，RMSE为0.8087 gC/m²/d。但是在Verma等人(2014)在北美21个通量站实测GPP对比MODIS/GPP发现，MODIS/GPP与通量站实测GPP相关性R²约为0.1，其RMSE为850 gC/m²/a，但其变化范围不大, 原因是不同作物间有不同的植物轮作周期，使用同一参数输入模型估算效果不同，导致偏差较大。

在农田生态系统中，不同作物间具有不同的最大光能利用率以及生长周期，因此用MODIS/GPP算法中的最大光能利用率不能代表全部类型的作物。另外因为农作物有一年多熟的情况，以MODIS/GPP 8 d合成产品，在某些条件下并不能代表GPP的变化，因此在估算的时候，加入不同熟制、不同作物、不同物候期以及云量含量等参数估算，能够使得遥感GPP估算更加准确(Nguy-Robertson 等，2015)。Xin等人(2015)认为MODIS/GPP产品严重低估了农田GPP。不同的农田之间光能利用率不同，因此在大尺度的遥感农田GPP估算中，需要进行不同作物类型的校正。

3.6 灌丛

灌丛主要分布在干旱—半干旱生态区域，利用各种算法估算GPP总体估算精度R²约为0.25，RMSE约为1.81 gC/m²/d。无论使用哪种算法进行估算，总体相关性较弱。但在Jiang和Ryu(2016)的研究中显示了不同结论，MODIS产品估算精度R²约为0.68，RMSE为1.56 gC/m²/d，估算偏差0.82 gC/m²/d。因此对于灌丛类型的植被覆盖，需要考虑不同研究区域的结果(Yuan 等，2014)。John等人(2013)在内蒙古研究区发现温带半干旱灌丛，GPP与MODIS/GPP产品相关性R²在2006年和2007年分别为0.41和0.49，RMSE分别为0.20 gC/m²/d和0.12 gC/m²/d。Gebremichael和Barros(2006)发现于亚热带灌丛，通量站观测GPP相对MODIS/GPP产品估算偏高。在Sjöström等人(2013)研究中，在非洲灌丛中，利用植被指数计算GPP具有不同年份相关性不等的情况，利用MODIS/GPP产品与通量站数据产品MODIS/GPP估算精度R²约为0.6，但总体存在都出现了低估的情况。

MODIS/GPP产品估算灌丛GPP全球范围内估算精度不一致。在温带及寒带灌丛，MODIS/GPP及BESS/GPP估算精度较高；而对于热带灌丛，VPD及FPAR是GPP的估算最大的影响因素。灌丛生长主要受到水分影响，因此在估算灌丛GPP的时候需要更多考虑水分影响因素(Sjöström 等，2013；Gebremichael和Barros，2006)。同时灌丛生长地区植被覆盖度不高，因此土壤背景对于反射率的影响也需要加入大尺度遥感反演的考虑中(John 等，2013)。

3.7 稀树草原

稀树草原广泛存在于非洲大陆和澳大利亚北部，在不同季节中，植被显示不同的特征。MODIS/GPP产品在稀树草原估算精度较其他植被类型低。MODIS/GPP与BESS/GPP产品估算精度相近，与通量站GPP数据对比，R²约为0.50，RMSE约为1.75 gC/m²/d。在Sjöström等人(2013)研究中，非洲大陆生态系统因季节性变化产生地表分类差异导致误判生态系统类型，不便于统计。在明确估算分类为稀树草原的赞比亚通量站，利用MODIS/GPP与通量站观测GPP对比，相关系数R为0.45，RMSE为1.58 gC/m²/d。另外一些研究表明(Sjöström 等，2011，2013；Ma 等，2014)，利用EVI与GPP之间的经验关系在稀树草原估算GPP，普遍取得较好的结果；Ma等人(2014)的研究表明，在澳大利亚的Adelaide river、Daly river、Ti Tree 3个通量站，其估算相关性R²为0.69, 0.37, 0.32，但该3个通量站点的植被类型与常规定义的稀树草原相似度不高(近地表植被稀疏，有大面积的裸土，而且树木高度大致在2—5 m)，因此估算结果并不一定能够代表稀疏草原的GPP。3个通量站的GPP与该站点范围的EVI有很高的相关性，而Jin等人(2013)的研究表明, 在稀树草原植被地表利用VPM模型结合MODIS-EVI指数能够有效提高遥感GPP反演精度，相关性R²平均为0.83。因此，利用遥感EVI指数在稀树草原地区估算植被GPP具有良好应用潜力。

3.8 常绿阔叶林

常绿阔叶林的遥感GPP总体估算效果差。根据Yuan等人(2014)利用美洲14个通量站对比结果表明，利用各种算法在常绿阔叶林的总体估算相关性R²约为0.12，RMSE约2.896 gC/m²/d，其中估算较为准确的有MODIS算法以及CASA算法，但是R²都不超过0.2。MODIS/GPP产品的估算精度中，R²约为0.25，RMSE为2.96 gC/m²/d，对比在常绿阔叶林日均GPP为5.42 gC/m²/d(Jiang和Ryu，2016)。BESS/GPP产品与MODIS/GPP产品有类似结果。虽然两种产品总体波动不大，但是目前模型不能解释大部分常绿阔叶林GPP生长状况。Huete等人(2008)提出亚洲热带干旱常绿阔叶林MODIS/GPP与通量塔测量GPP相关性R²为0.18，MODIS-EVI与通量站GPP具有高度相关性，R²为0.76；同一研究中，亚洲热带雨林中，MODIS/GPP与通量塔测量GPP相关性R²为0.03，MODIS-EVI与通量站GPP相关性R²为0.46，因此利用EVI构建线性GPP模型对提升常绿常绿阔叶林估算精度有良好应用潜力。Xiao等人(2005)提出，VPM模型GPP与蒸散发ET具有高度相关性(R²≈0.61)，但MODIS产品与通量站实测GPP差异依然较大。Danelichen等人(2015)文章中对比了亚马逊森林通量站GPP和MODIS/GPP相关性，R²为0.328。Propastin等人(2012)的研究中提到，在印度尼西亚Sulawesi研究区域中，热带雨林生态系统通量站8 d GPP与MODIS/GPP产品相关系数R为0.6633。Liu等人(2014)研究表明，在中国西双版纳以及鼎湖山通量站，常绿阔叶林GPP与MODIS/GPP产品相关性R²为0.21，RMSE为0.5348 gC/m²/d。

上述结果表明，对于常绿阔叶林，MODIS/GPP产品需要进一步提高精度。常绿阔叶林主要分布在高温多雨的热带以及亚热带地区，其中包括热带雨林，干湿分明的热带季风雨林以及亚热带常绿阔叶林，四季温度相对较高，因此温度对于植被生长影响不及温带植物大。目前对常绿阔叶林GPP估算改进主要有两方面。一方面是水分的影响，Liu等人(2015a)提出，在估算地中海气候常绿阔叶林GPP时应更多考虑土壤水分的影响，另外地表蒸散对植被光合作用也有影响。另一方面，光照条件对常绿阔叶林GPP估算也有重要影响，Propastin等人(2012)指出MODIS/GPP产品在晴空状态下热带雨林生态系统因光饱和问题会高估GPP现象。多种不确定因素集合，使得基于MODIS/GPP产品估算常绿阔叶林GPP不确定性大，因此需要进一步改进算法，使得估算结果符合实际情况。

4 GPP产品误差来源及不确定性分析

GPP产品的真实性检验中，不确定性来源主要有两个方面，一是验证数据集的误差，即地面实测GPP方法的误差；二是遥感GPP估算误差，即估算方法的误差。上述的精度分析显示，除以上的两个共性估算误差来源外，特定植被类型由于其复杂的植被及气候特征也使得其精度较低。

4.1 GPP地面验证中的不确定性分析

4.1.1 地面碳通量测量不确定性

目前观测GPP主要应用通量站涡度相关法获取物质交换，涡度相关法被认为是目前估算长时间陆地净生态系统交换NEE(Net Ecosystem Exchange)最有效、最精确的方法。其估算GPP主要是利用涡度相关原理获取生态系统净交换量后加入生态系统呼吸条件RE (Respiration Ecosystem)，最终计算得出式(3)生态系统GPP(Baldocchi，2003)。

${{GPP}} = {{RE}} - {{NEE}}$

(3)

虽然通量站观测GPP被认为是目前最准确的非破坏性生态系统GPP估算方法(曹吉鑫等，2009)，但仍然存在一些导致估算结果不准确的问题，其中一个问题是通量数据插补。涡度相关法测量的是NEE，直接代表了生态系统与大气系统之间的碳交换量，一般情况下，涡度相关法适合计算摩擦风速较大的日间生态植被光合总量。在夜间摩擦风速较小，植被层与大气层物质交换量较弱的情况下，涡度相关法难以测出精确的碳交换量。因此此时GPP计算需要后期修正处理，利用土壤温度的经验关系修正夜间生态系统呼吸，以得到夜间GPP。但该方法是利用经验关系计算RE，不同种类的植被呼吸温度响应系数不同，因此也会产生估算误差。在高大森林当中，即使是在白天，也会存在林冠内空气流动性低，产生碳通量计算的误差(Goulden 等，1996；Massman和Lee，2002；朱治林等，2006)。目前的数据插补技术在少于5%的缺失数据情况下，能够插补得到夜间数据(Reichstein 等, 2005)，此外，涡度相关仪器测定依然存在随机误差(Hollinger和Richardson，2005)。在各种影响因素下，每年利用涡度相关法估算GPP误差保守估计为200 gC/m²，利用人工神经网络以及滑动平均法插补能够减少部分站点的误差，但是同样的方法并不适用于所有的站点(Reichstein 等，2007)。

另一个重要的问题是通量站GPP空间代表性。利用涡度相关仪器在通量塔测量的物质交换量代表了在观测范围内碳水等物质交换量，涡度相关法基本假设认为植被为单一类型植被，但是在绝大多数情况下，地球不存在均质地表，更多的是非均质地表，因此一般涡度相关仪器为了测量数据的准确性，绝大多数安装在单一类型的地表当中(Burba和Anderson，2007)。Schmid(2002)研究表明；在常规涡度相关假设中，假设通量贡献区(footprint)面积为塔高的100倍。实际情况下通量塔测定的物质交换会随着风速，风向等因素变化，而且不同高度下，物质及能量分布不均一，通量站测定的碳交换量与假设的区域代表量产生偏差；Chen等人(2009)中表明，在同一通量站，GPP, RE, NEE三者的通量贡献区不一致，因此计算GPP时候需要进一步校正；Chen等人(2012)则表明，在地表非均质性情况下，涡度相关估算GPP值代表了50%—60%的的真实情况，但是对比涡度相关假设通量贡献区范围，依然会存在空间代表性不足的问题。

4.1.2 尺度效应问题

通量站观测尺度与验证的产品像元尺度的不匹配是影响验证结果的另一个重要问题。Turner等人(2003)研究认为不同尺度估算的GPP存在差异，在其研究中，美国硬木森林通量站估算2001年总GPP为1639 gC/m²，而MODIS产品在同样区域估算到的GPP为1502 gC/m²，利用小尺度模型计算得出GPP为1536 gC/m²。在北方森林也有相似的结果，不同尺度中估算GPP差异较大。在不同空间尺度GPP估算中，对覆盖类型会有不同判断，导致最大光能利用率不准确，使得GPP估算产生误差。另一方面，Sasai等人(2007)研究发现，对比通量站尺度到MODIS区域尺度，FPAR在冬季及春季估算偏低是导致GPP估算不准确的原因。在中低分辨率GPP遥感产品中，非均质地表下多数像元均为混合像元，混合像元的GPP估算精度的验证与单一植被的验证不同。如何准确获取混合像元尺度的GPP是目前验证中的一个难点。黑河流域通量矩阵试验尝试利用通量观测矩阵研究非均质性地表通量交换过程(李新等，2012)。但矩阵观测的方式耗资巨大，不适合全球站点推广，还需要对尺度转换的方法开展进一步研究。

4.2 MODIS/GPP产品估算方法中的不确定性

GPP产品估算方法的误差来源主要包括两部分，一是GPP估算算法的误差(本文第2节)；二是GPP估算时各参数引入的误差，本节主要分析目前MODIS/GPP产品生产时各参数的精度情况。GPP估算的算法主要是面对特定的研究区域以及特定的研究条件构建的。而MODIS/GPP产品则实现单一算法满足复杂地表植被类型GPP估算。MODIS/GPP产品的输入参数包括：最大光能利用率、MOD15/fPAR产品、太阳短波辐射、GMAO/NASA的日最低温度(T_min)以及VPD数据。

4.2.1 光能利用率

MODIS/GPP算法是根据MOD12Q1地表覆盖类型在查找表中查找出最大光能利用率，然后利用最大光能利用率乘以温度以及水汽压影响因素得到日均光能利用率。其中查找表为固定的LUEmax，单一地表覆盖类型只有单一LUEmax。该设定方法的最大问题是LUEmax无法体现不同时空条件下的差异。MODIS/GPP产品使用指南当中提到，不同地区的草地的最大光能利用率使用同一个输入参数，如北美草原与蒙古干旱草原即利用同一个最大光能利用率。两种不同气候条件的生态系统最大光能利用率以同一参数输入，这样的假设显然是不准确的。在最新版的MODIS/GPP数据当中提到下一版的算法中将考虑空间差异的光能利用率变化(Zhao 等，2010)。Groenendijk等人(2011)将同一种植被类型分为不同气候带，设定不同的最大光合速率计算GPP，减少估算误差。

时间差异下最大光能利用率也会有明显变化。Zhang等人(2006)在中国的通量站计算当中发现不同季节生态系统最大光能利用率不同。Xia等人(2015)提出，估算物候信息考虑GPP估算，将光能利用率加入物候条件进行估算。实际植物生长过程中植被在不同的物候期都有不同的最大光能利用率，在算法中也需考虑。

而中低分辨率下地表的非均质性使现有的最大光能利用率估算方法误差较大。MODIS 1 km分辨率地表覆盖与全球30 m覆盖有较大差异，不同尺度下，非均质性特征对地表植被参数特征有重要影响(于文涛等，2016)。1 km分辨率下由多种植被类型混合的生态交错区普遍存在。以森林与草地的混合为例，其类型的先验的最大光能利用率分别为1.165 gC/m²/d/MJ和0.860 gC/m²/d/MJ，两者差异显著，用单一类型的最大光能利用率代替像元值带来较大的误差，因此，需要研究混合像元下最大光能利用率的估算方法。

4.2.2 fPAR

全球应用较为广泛的FPAR产品主要有AVHRR和MODIS全球的LAI/FPAR产品，还有欧委会联合研究中心针对欧洲植被状况的JRC_FPAR产品。目前, FPAR产品主要利用植被指数模型以及辐射传输模型进行计算。植被指数模型适合研究区域的计算，辐射传输模型适合全球范围内计算，在大部分情况下通用(梁顺林等，2013)。MODIS/GPP产品中使用的是MODIS/fPAR产品，选择8 d最大值作为输入，反映的是以8 d内某一天的状况代替8 d情况。因为FPAR具有时间连续性，所以反演值的变化较小。而MODIS/GPP是8 d平均产品，而且其日变化较大。FPAR和GPP两者在时间尺度上不匹配，会出现FPAR估计过高或过低的情况。GPP产品估算需要FPAR具有更高的时间分辨率。同时，云等因素对FPAR估算精度带来的误差最后也将传导到GPP的估算中。MODIS/GPP使用说明也提到，未来的产品将改进在热带，云带来的FPAR估算值不准确的问题(Cheng 等，2014)。Zhang等人(2014a，2014b)表明利用结合叶绿素含量的FPAR指数，能够减少GPP估算的不确定性。

直射和散射FPAR的区分有助于提高GPP的估算精度。一些研究中将GPP分解成光照叶和阴影叶的两部分GPP的总和(Liu 等，1999；Hall 等，2012)，如式(4)

${{GPP}} = {\varepsilon _{{sh}}}\sigma {{PAR}} \times {{fPA}}{{{R}}_{{diff}}}{\alpha _{{s}}} + {\varepsilon _{{su}}}{{PAR}} \times {{fPA}}{{{R}}_{{dir}}}(1 - {\alpha _{{s}}})$

(4)

式中，ε_sh和ε_su为冠层阴影面和光照面的光能利用率；σ为天空漫射光比例；fPAR_diff和fPAR_dir为散射和直射的FPAR；α_s为冠层阴影比例。He等人(2013)利用区分直射散射FPAR及不同最大光能利用率的方法，对中国通量站网络的各种植被类型进行计算，估算相关性普遍比原来使用单一光能利用率结果高。结合光照叶和阴影叶估算GPP，能够提高估算精度(Zhou 等，2016)。现有MODIS/GPP算法并没有对此进行考虑，而在大尺度遥感估算过程中需要考虑直散射FPAR。

另一方面，浓密植被FPAR会出现饱和现象，对GPP的估算精度也会带来影响。森林生态系统中，在中低纬度往往会出现森林冠层的多层结构。例如温带森林通常包括林上乔木冠层、林下灌木层、草本和苔藓植物多层共生的垂直结构，在热带森林会分为更多的层次(Shugart 等，2010；焦桐等，2014)。Law和Waring(1994)提出在植被覆盖度较高情况下，可见光波段往往只能计算林上冠层吸收的组分，有时不能完整计算乔木层的光吸收，而出现LAI饱和现象。而与LAI密切相关的FPAR，其值也会出现饱和现象。De Moura等人(2016)提出利用多角度MODIS观测亚马逊森林的植被结构，认为未来利用多角度观测能够提高GPP估算的精度。

4.2.3 温度及饱和水汽压差及太阳短波辐射

目前全球的太阳入射辐射、温度及饱和水汽压差数据的来源主要为全球气象再分析数据和定量遥感产品。如MODIS/GPP产品使用的是GMAO/NASA提供的T_min、VPD、太阳短波入射辐射的全球再分析数据。而再分析数据的精度会影响GPP估算结果。在大尺度GPP估算中，认为短波入射辐射在大范围是恒定的，变化较少，空间连续性高，影响较小。Zhao等人(2006)利用地面气象站数据对比卫星气象数据发现GMAO/NASA的平均温度以及VPD普遍存在低估的情况，而太阳短波辐射则存在高估的现象。使用再分析数据时，除数据精度外，两者空间分辨率的不匹配也为GPP产品带来一定误差。在最新版MODIS/GPP产品说明文档中提到，输入的GMAO温度及水汽压数据因为像元探测大小为0.5°，在输入估算模型中时需要重采样为1 km，重采样过程也会带来一定误差。

全球温度及饱和水汽压差数据的另一个来源是定量遥感产品。定量遥感产品未能用于GPP遥感产品生产的主要原因有两方面。一是GPP产品估算中需要的是日最低气温，而目前温度的定量遥感产品中的温度是冠层温度，两者之间存在不匹配。二是温度以及水汽压遥感观测的是瞬时值，而GPP估算需要8 d的平均温度作为输入，在时间尺度上，两者不一致。因此反演时，会因反演时间段不同而带来结果不同的情况。因此，为支持GPP中温度及饱和水汽压差的计算，还需要定量遥感产品的补充完善。如果简单以白天温度来计算8 d的平均温度，叶片在高温情况下会存在叶片气孔闭合，此时光能利用率减少，所以温度高于正常高值的情况下，植被生产力会减弱。植被冠层温度除了白天观测外，也有夜晚的冠层温度，因此只利用白天的观测代替夜间温度，对植被生长过程计算有一定影响。

MODIS/GPP产品中，温度和水汽压的影响因子以线性关系计算比例，根据Hall等人(2012)的研究，植被生态过程中温度和水汽压影响因子是以非线性形式的比例变化的。因此，温度以及水汽压影响因子在长时间尺度上按线性方法计算会带来计算误差。还有，在一些极端情况下，如温度过高的情况下，植被生产力急剧下降，此时，遥感估算方法会高估GPP。

4.3 热带地区估算问题

热带及亚热带地区分布在地球赤道到纬度30°地区，占陆地生态系统的1/3以上，分布着稀树草原、热带灌丛、热带雨林等独特的植被类型。其中热带雨林属常绿阔叶林，为陆地生态系统中储存碳量最大的部分，在全球变化过程中对于地球碳循环有重要影响(Bonan，2008)。前文GPP估算算法和产品精度分析结果显示，分布在热带地区的稀树草原、灌丛、常绿阔叶林3种植被类型的GPP精度都偏低。利用遥感模型在热带地区估算GPP相关性R²普遍低于0.3，RMSE约为3 gC/m²/d(Ma 等，2014；Sjöström 等，2013；Huete 等，2008；Danelichen 等，2015)。热带地区有其独特的天气特点、植被特征等，这些都是影响GPP估算精度的因素。

(1) 复杂的植被结构。热带地区植被结构类型多样，在水分较少的地区灌丛和裸土比较多，干旱的土壤对于反射率影响较大。稀疏草原受到干湿季的影响显示出不同结构特征，其主要分为上层的稀疏乔木以及下层的草本植被，两者具有不同的光合速率。热带雨林水热条件好，植被分层结构更加明显。通常上层为高大乔木，中层为较矮乔木或灌木组成，次冠层由小乔木、藤本植物以及附生植物构成。多层的植被结构对于光及水分吸收具有不同的效率。以热带雨林为例，太阳光照射冠层，经过顶层乔木后，一部分被反射回大气，一部分被吸收，一部分进入冠层。进入冠层内部的入射光被中层的低矮乔木和灌丛吸收散射；又有一部分光线被继续散射进入底层植被。由于冠层内植被较密，进入冠层的入射光经多次散射后都能够被吸收进行光合作用。因此，顶层植被充分利用直射光，底层植被充分利用散射光，使热带雨林形成了复杂的冠层结构。由于对入射光不同的利用机制，不同层植被具有不同的光合效率及光能利用率(Mercado 等，2009；Huang 等，2014；Zhang 等，2009)。因此在计算GPP的时候，需要考虑光能利用率垂直分层差异的特征。He等人(2013)尝试在中国区域内使用基于对直射光及散射光分离，改进了光照阴影叶GPP模型，提高了在常绿阔叶林的GPP估算精度。Zhou等人(2016)在全球尺度上的研究也有类似的成果。因此，考虑植被冠层结构对GPP估算精度提高有重要意义(Alton 等，2007)。

植被结构的复杂性除体现在垂直结构复杂外，植被内部叶片的叶龄不同也会对GPP估算产生影响。Wu等人(2016)认为热带雨林植被内部叶片具有不同的叶龄，带来光合作用不一样，不同层次的叶龄分布不一样，而产生光合效率估算不准确的问题。

(2) 明显的干湿季。热带地区植被生长普遍存在干、湿季明显的现象，稀树草原以及热带雨林具有明显的季节性变化。不同的热带植被在干季和湿季的时候具有不同的生长特性，在湿季，乔木叶面积指数较大，地表草本植物覆盖度较高，植被生长速率较大；而在旱季，乔木叶片收缩，地表草本植物因为缺水叶片生长效果较差，部分出现变黄的现象，此时稀树草原生态系统固定碳的能力较弱。在干季，由于缺水通常生长较慢，但一些研究认为在干季植被可以通过摄取更深层的地下水，再加上良好的光照，植被仍然可以较好的生长，亚马逊地区在干季EVI仍有较明显的升高(Saleska 等，2016)。Moura等人(2012)指出LAI在干、湿季相差达1 m²/m²，EVI在不同季节不同角度中，相互比较标准差约1.6。在干季和湿季光照水分条件完全不同，植被的生长机制也不同，不同季节下不同的光能利用率将影响GPP估算。Nakaji等人(2014)的研究表明热带地区LUE与水汽压有强负相关关系，因此利用光能利用率估算GPP时，需要考虑水汽压对于光能利用率的影响。

(3) 云量的影响。在热带以及亚热带地区，云量较多，尤其在湿季。云量对GPP的估算影响主要表现在两方面：一是目前GPP估算主要基于可见近红外波段，有云条件下，无法获取有效观测，因此难以得到长时间连续观测数据。二是在有云条件下，植被的水分光照条件发生改变，光能利用率也发生改变进而影响GPP估算。有云情况中，散射光较多；晴空情况下，直射光较多，因此，有云情况下的LUEmax会增高，晴空情况下LUEmax会降低(Propastin 等，2012；Huang 等，2014)。其原因是散射辐射比直射辐射更容易穿过冠层顶部，而光照被底部吸收，此时光能利用率显著增加(Urban 等，2007)。Huang等人(2014)指出在中国亚热带通量站，云量指数为0.8—1.0时，GPP对云量响应远远高于温带地区。在Zhang等人(2011)的研究中，在少量云的情况下，光能利用率比无云情况下高，植被碳汇能力增加；但在多云情况中碳汇能力减弱。由于不同植被具有不同特性，云量多少对生态系统的促进/抑制作用分界线还不能明确计算。对于云量影响的因素，King等人(2011)构建的CFlux模型考虑到云的影响，对于热带地区的GPP估算相关性R²提升了约0.05，RMSE减少了0.05 gC/m²/d；Zhou等人(2016)经过参数化的双叶模型，对常绿阔叶林GPP的估算相关性R²提升了0.03，RMSE减少了0.2 gC/m²/day。因此，对于多云多雨的热带地区，GPP估算中需要考虑云量影响。对云影响GPP估算的问题，雷达传感器具有对云层的穿透性，因此提供了计算热带多云地区GPP的可能性(高帅，2011)。

5 结　语

利用遥感估算陆地生态系统GPP是全球气候变化响应的重要课题。但目前全球尺度时间连续1 km空间分辨率GPP定量遥感产品仅两种，且在一些植被类型精度有限。因此，需要对现有模型及产品的精度以及影响精度的主要问题开展分析，为后续GPP估算模型及全球产品算法的改进提供基础。本文通过对现有主要的GPP估算模型及GPP全球产品的精度及问题的分析，提出：

(1) 植被指数模型在相应的研究区域估算精度较高，但不能作全球尺度上的推广。光能利用率算法适合大范围推广，不同算法估算精度不一。

(2) MODIS/GPP产品作为全球尺度连续观测的GPP产品，估算精度较高有常绿针叶林及落叶阔叶林，估算精度较低的为常绿阔叶林、稀树草原等。总体而言，目前遥感GPP产品精度在温带效果较好，在热带亚热带地区效果较差。

(3) 影响GPP估算精度的因素多样。考虑物候及地表非均质特征对最大光能利用率有区分作用；考虑光照叶阴影叶和可见光波段的饱和能提高FPAR估算精度；考虑饱和水汽压差对不同植被的影响能植被生长过程的定量估算作用。在现有模型及产品估算精度均较低的热带地区，改进GPP估算模型时需要针对热带地区特殊的植被及天气条件，对于复杂的植被结构，需要考虑不同层植被的不同光能利用率以及冠层内叶龄的组成结构；对于明显的干、湿季，需要考虑不同季节不同的驱动机制而导致不同的光能利用率等因素；而对于较多的云量，需要考虑直散射条件下不同的GPP估算方法。

参考文献(References)

Alton P B, North P R and Los S O. 2007. The impact of diffuse sunlight on canopy light-use efficiency, gross photosynthetic product and net ecosystem exchange in three forest biomes. Global Change Biology, 13 (4): 776–787. [DOI: 10.1111/j.1365-2486.2007.01316.x]

Baldocchi D. 2008. ‘Breathing’ of the terrestrial biosphere: lessons learned from a global network of carbon dioxide flux measurement systems. Australian Journal of Botany, 56 (1): 1–26. [DOI: 10.1071/BT07151]

Baldocchi D, Falge E, Gu L H, Olson R, Hollinger D, Running S, Anthoni P, Bernhofer C, Davis K, Evans R, Fuentes J, Goldstein A, Katul G, Law B, Lee X, Malhi Y, Meyers T, Munger W, Oechel W, Paw K T, Pilegaard K, Schmid H P, Valentini R, Verma S, Vesala T, Wilson K and Wofsy S. 2001. FLUXNET: a new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities. Bulletin of the American Meteorological Society, 82 (11): 2415–2434. [DOI: 10.1175/1520-0477(2001)082<2415:FANTTS>2.3.CO;2]

Baldocchi D D. 2003. Assessing the eddy covariance technique for evaluating carbon dioxide exchange rates of ecosystems: past, present and future. Global Change Biology, 9 (4): 479–492. [DOI: 10.1046/j.1365-2486.2003.00629.x]

Beer C, Reichstein M, Tomelleri E, Ciais P, Jung M, Carvalhais N, Rödenbeck C, Arain M A, Baldocchi D, Bonan G B, Bondeau A, Cescatti A, Lasslop G, Lindroth A, Lomas M, Luyssaert S, Margolis H, Oleson K W, Roupsard O, Veenendaal E, Viovy N, Williams C, Woodward F I and Papale D. 2010. Terrestrial gross carbon dioxide uptake: global distribution and covariation with climate. Science, 329 (5993): 834–838. [DOI: 10.1126/science.1184984]

Bonan G B. 2008. Forests and climate change: forcings, feedbacks, and the climate benefits of forests. Science, 320 (5882): 1444–1449. [DOI: 10.1126/science.1155121]

Box E O, Holben B N and Kalb V. 1989. Accuracy of the AVHRR vegetation index as a predictor of biomass, primary productivity and net CO₂ flux . Vegetatio, 80 (2): 71–89. [DOI: 10.1007/BF00048034]

Burba G and Anderson D. 2007. Introduction to the Eddy Covariance Method: General Guidelines and Conventional Workflow. [s.l.]: LI-COR Biosciences

Cao J X, Tian Y, Wang X P and Sun X Y. 2009. Estimation methods of forest sequestration and their prospects. Ecology and Environmental Sciences, 18 (5): 2001–2005. [DOI: 10.3969/j.issn.1674-5906.2009.05.076] ( 曹吉鑫, 田赟, 王小平, 孙向阳. 2009. 森林碳汇的估算方法及其发展趋势. 生态环境学报, 18 (5): 2001–2005. [DOI: 10.3969/j.issn.1674-5906.2009.05.076] )

Chen B Z, Black T A, Coops N C, Hilker T, Trofymow J A and Morgenstern K. 2009. Assessing tower flux footprint climatology and scaling between remotely sensed and eddy covariance measurements. Boundary-Layer Meteorology, 130 (2): 137–167. [DOI: 10.1007/s10546-008-9339-1]

Chen B Z, Coops N C, Fu D J, Margolis H A, Amiro B D, Black T A, Arain M A, Barr A G, Bourque C P A, Flanagan L B, Lafleur P M, McCaughey J H and Wofsy S C. 2012. Characterizing spatial representativeness of flux tower eddy-covariance measurements across the Canadian Carbon Program Network using remote sensing and footprint analysis. Remote Sensing of Environment, 124 : 742–755. [DOI: 10.1016/j.rse.2012.06.007]

Cheng Y B, Zhang Q Y, Lyapustin A I, Wang Y J and Middleton E M. 2014. Impacts of light use efficiency and fPAR parameterization on gross primary production modeling. Agricultural and Forest Meteorology, 189-190 : 187–197. [DOI: 10.1016/j.agrformet.2014.01.006]

Cui X, Feng Q S and Liang T G. 2007. Research progress on remote sensing based net primary productivity of terrestrialVegetation. Pratacultural Science, 24 (10): 36–42. [DOI: 10.3969/j.issn.1001-0629.2007.10.007] ( 崔霞, 冯琦胜, 梁天刚. 2007. 基于遥感技术的植被净初级生产力研究进展. 草业科学, 24 (10): 36–42. [DOI: 10.3969/j.issn.1001-0629.2007.10.007] )

Danelichen V H M, Biudes M S, Velasque M C S, Machado N G, Gomes R S R, Vourlitis G L and Nogueira J S. 2015. Estimating of gross primary production in an Amazon-Cerrado transitional forest using MODIS and Landsat imagery. Anais da Academia Brasileira de Ciências, 87 (3): 1545–1564. [DOI: 10.1590/0001-3765201520140457]

De Moura Y M, Hilker T, Gonçalves F G, Galvão L S, Dos Santos J R, Lyapustin A, Maeda E E and De Jesus Silva C V. 2016. Scaling estimates of vegetation structure in Amazonian tropical forests using multi-angle MODIS observations. International Journal of Applied Earth Observation and Geoinformation, 52 : 580–590. [DOI: 10.1016/j.jag.2016.07.017]

Drolet G G, Huemmrich K F, Hall F G, Middleton E M, Black T A, Barr A G and Margolis H A. 2005. A MODIS-derived photochemical reflectance index to detect inter-annual variations in the photosynthetic light-use efficiency of a boreal deciduous forest. Remote Sensing of Environment, 98 (2/3): 212–224. [DOI: 10.1016/j.rse.2005.07.006]

( 方精云, 郭兆迪, 朴世龙, 陈安平. 2007. 1981~2000年中国陆地植被碳汇的估算. 中国科学D辑: 地球科学, 37 (6): 804–812. [DOI: 10.3321/j.issn:1006-9267.2007.06.012] )

Fang J Y, Ke J H, Tang Z Y and Chen A P. 2001. Implications and estimations of four terrestrial productivity parameters. Acta Phytoecologica Sinica, 25 (4): 414–419. ( 方精云, 柯金虎, 唐志尧, 陈安平. 2001. 生物生产力的" 4P”概念、估算及其相互关系. 植物生态学报, 25 (4): 414–419. )

Frazier A E, Renschler C S and Miles S B. 2013. Evaluating post-disaster ecosystem resilience using MODIS GPP data. International Journal of Applied Earth Observation and Geoinformation, 21 : 43–52. [DOI: 10.1016/j.jag.2012.07.019]

Gamon J A, Field C B, Bilger W, Björkman O, Fredeen A L and Peñuelas J. 1990. Remote sensing of the xanthophyll cycle and chlorophyll fluorescence in sunflower leaves and canopies. Oecologia, 85 (1): 1–7. [DOI: 10.1007/BF00317336]

Gao S. 2011. Study of spaceborne radar estimates of gross primary productivity. Beijing: Graduate University of Chinese Academy of Sciences (高帅. 2011. 星载雷达估测植被总初级生产力研究. 北京: 中国科学院研究生院)

Gao Y N, Yu G R, Zhang L, Liu M, Huang M and Wang Q F. 2012. The changes of net primary productivity in Chinese terrestrial ecosystem: based on process and parameter models. Progress in Geography, 31 (1): 109–117. [DOI: 10.11820/dlkxjz.2012.01.014] ( 高艳妮, 于贵瑞, 张黎, 刘敏, 黄玫, 王秋凤. 2012. 中国陆地生态系统净初级生产力变化特征——基于过程模型和遥感模型的评估结果. 地理科学进展, 31 (1): 109–117. [DOI: 10.11820/dlkxjz.2012.01.014] )

Garbulsky M F, Peñuelas J, Gamon J, Inoue Y and Filella I. 2011. The photochemical reflectance index (PRI) and the remote sensing of leaf, canopy and ecosystem radiation use efficiencies: a review and meta-analysis. Remote Sensing of Environment, 115 (2): 281–297. [DOI: 10.1016/j.rse.2010.08.023]

Gebremichael M and Barros A P. 2006. Evaluation of MODIS Gross Primary Productivity (GPP) in tropical monsoon regions. Remote Sensing of Environment, 100 (2): 150–166. [DOI: 10.1016/j.rse.2005.10.009]

Goulden M L, Munger J W, Fan S M, Daube B C and Wofsy S C. 1996. Measurements of carbon sequestration by long-term eddy covariance: methods and a critical evaluation of accuracy. Global Change Biology, 2 (3): 169–182. [DOI: 10.1111/j.1365-2486.1996.tb00070.x]

Groenendijk M, Dolman A J, Van Der Molen M K, Leuning R, Arneth A, Delpierre N, Gash J H C, Lindroth A, Richardson A D, Verbeeck H and Wohlfahrt G. 2011. Assessing parameter variability in a photosynthesis model within and between plant functional types using global Fluxnet eddy covariance data. Agricultural and Forest Meteorology, 151 (1): 22–38. [DOI: 10.1016/j.agrformet.2010.08.013]

Guanter L, Zhang Y G, Jung M, Joiner J, Voigt M, Berry J A, Frankenberg C, Huete A R, Zarco-Tejada P, Lee J E, Moran M S, Ponce-Campos G, Beer C, Camps-Valls G, Buchmann N, Gianelle D, Klumpp K, Cescatti A, Baker J M and Griffis Y J. 2014. Global and time-resolved monitoring of crop photosynthesis with chlorophyll fluorescence. Proceedings of the National Academy of Sciences of the United States of America, 111 (14): E1327–E1333. [DOI: 10.1073/pnas.1320008111]

Hall F G, Hilker T and Coops N C. 2012. Data assimilation of photosynthetic light-use efficiency using multi-angular satellite data: I. Model formulation. Remote Sensing of Environment, 121 : 301–308. [DOI: 10.1016/j.rse.2012.02.007]

Hazarika M K, Yasuoka Y, Ito A and Dye D. 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sensing of Environment, 94 (3): 298–310. [DOI: 10.1016/j.rse.2004.10.004]

He M Z, Ju W M, Zhou Y L, Chen J M, He H L, Wang S Q, Wang H M, Guan D X, Yan J H, Li Y N, Hao Y B and Zhao F H. 2013. Development of a two-leaf light use efficiency model for improving the calculation of terrestrial gross primary productivity. Agricultural and Forest Meteorology, 173 : 28–39. [DOI: 10.1016/j.agrformet.2013.01.003]

He M Z, Kimball J S, Running S, Ballantyne A, Guan K Y and Huemmrich F. 2016. Satellite detection of soil moisture related water stress impacts on ecosystem productivity using the MODIS-based photochemical reflectance index. Remote Sensing of Environment, 186 : 173–183. [DOI: 10.1016/j.rse.2016.08.019]

Hollinger D Y and Richardson A D. 2005. Uncertainty in eddy covariance measurements and its application to physiological models. Tree Physiology, 25 (7): 873–885. [DOI: 10.1093/treephys/25.7.873]

Huang K, Wang S Q, Zhou L, Wang H M, Zhang J H, Yan J H, Zhao L, Wang Y F and Shi P L. 2014. Impacts of diffuse radiation on light use efficiency across terrestrial ecosystems based on eddy covariance observation in China. PLoS One, 9 (11): e110988 [DOI: 10.1371/journal.pone.0110988]

Huete A R, Didan K, Shimabukuro Y E, Ratana P, Saleska S R, Hutyra L R, Yang W Z, Nemani R R and Myneni R. 2006. Amazon rainforests green-up with sunlight in dry season. Geophysical Research Letters, 33 (6): L06405 [DOI: 10.1029/2005GL025583]

Huete A R and Jackson R D. 1988. Soil and atmosphere influences on the spectra of partial canopies. Remote Sensing of Environment, 25 (1): 89–105. [DOI: 10.1016/0034-4257(88)90043-0]

Huete A R, Miura T, Kim Y, Didan K and Privette J. 2006. Assessments of multisensor vegetation index dependencies with hyperspectral and tower flux data//Proceedings of SPIE Volume 6298, Remote Sensing and Modeling of Ecosystems for Sustainability III. San Diego, California: SPIE: 629814 [DOI: 10.1117/12.681382]

Huete A R, Restrepo-Coupe N, Ratana P, Didan K, Saleska S R, Ichii K, Panuthai S and Gamo M. 2008. Multiple site tower flux and remote sensing comparisons of tropical forest dynamics in Monsoon Asia. Agricultural and Forest Meteorology, 148 (5): 748–760. [DOI: 10.1016/j.agrformet.2008.01.012]

Inoue Y, Peñuelas J, Miyata A and Mano M. 2008. Normalized difference spectral indices for estimating photosynthetic efficiency and capacity at a canopy scale derived from hyperspectral and CO₂ flux measurements in rice . Remote Sensing of Environment, 112 (1): 156–172. [DOI: 10.1016/j.rse.2007.04.011]

Jiang C Y and Ryu Y. 2016. Multi-scale evaluation of global gross primary productivity and evapotranspiration products derived from Breathing Earth System Simulator (BESS). Remote Sensing of Environment, 186 : 528–547. [DOI: 10.1016/j.rse.2016.08.030]

Jiao T, Liu R G, Liu Y and Chen J M. 2014. The progress of forest understory retrieval from remote sensing. Journal of Geo-Information Science, 16 (4): 602–608. [DOI: 10.3724/SP.J.1047.2014.00602] ( 焦桐, 刘荣高, 刘洋, 陈镜明. 2014. 林下植被遥感反演研究进展. 地球信息科学学报, 16 (4): 602–608. [DOI: 10.3724/SP.J.1047.2014.00602] )

Jin C, Xiao X M, Merbold L, Arneth A, Veenendaal E and Kutsch W L. 2013. Phenology and gross primary production of two dominant savanna woodland ecosystems in Southern Africa. Remote Sensing of Environment, 135 : 189–201. [DOI: 10.1016/j.rse.2013.03.033]

John R, Chen J Q, Noormets A, Xiao X M, Xu J Y, Lu N and Chen S P. 2013. Modelling gross primary production in semi-arid Inner Mongolia using MODIS imagery and eddy covariance data. International Journal of Remote Sensing, 34 (8): 2829–2857. [DOI: 10.1080/01431161.2012.746483]

Jung M, Reichstein M, Margolis H A, Cescatti A, Richardson A D, Arain M A, Arneth A, Bernhofer C, Bonal D, Chen J Q, Gianelle D, Gobron N, Kiely G, Kutsch W, Lasslop G, Law B E, Lindroth A, Merbold L, Montagnani L, Moors E J, Papale D, Sottocornola M, Vaccari F and Williams C. 2011. Global patterns of land-atmosphere fluxes of carbon dioxide, latent heat, and sensible heat derived from eddy covariance, satellite, and meteorological observations. Journal of Geophysical Research: Biogeosciences, 116 (G3): G00J07 [DOI: 10.1029/2010JG001566]

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 and Heimann M. 2007. 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, 21 (4): GB4021 [DOI: 10.1029/2006GB002915]

Kang S, Running S W, Lim J H, Zhao M S, Park C R and Loehman R. 2003. A regional phenology model for detecting onset of greenness in temperate mixed forests, Korea: an application of MODIS leaf area index. Remote Sensing of Environment, 86 (2): 232–242. [DOI: 10.1016/S0034-4257(03)00103-2]

Keenan T F, Baker I, Barr A, Ciais P, Davis K, Dietze M, Dragoni D, Gough C M, Grant R, Hollinger D, Hufkens K, Poulter B, McCaughey H, Raczka B, Ryu Y, Schaefer K, Tian H Q, Verbeeck H, Zhao M S and Richardson S D. 2012. Terrestrial biosphere model performance for inter-annual variability of land-atmosphere CO₂ exchange . Global Change Biology, 18 (6): 1971–1987. [DOI: 10.1111/j.1365-2486.2012.02678.x]

King D A, Turner D P and Ritts W D. 2011. Parameterization of a diagnostic carbon cycle model for continental scale application. Remote Sensing of Environment, 115 (7): 1653–1664. [DOI: 10.1016/j.rse.2011.02.024]

Krinner G, Viovy N, De Noblet-Ducoudré N, Ogée J, Polcher J, Friedlingstein P, Ciais P, Sitch S and Prentice I C. 2005. A dynamic global vegetation model for studies of the coupled atmosphere-biosphere system. Global Biogeochemical Cycles, 19 (1): GB1015 [DOI: 10.1029/2003GB002199]

Law B E and Waring R H. 1994. Remote sensing of leaf area index and radiation intercepted by understory vegetation. Ecological Applications, 4 (2): 272–279. [DOI: 10.2307/1941933]

Li X, Liu S M, Ma M G, Xiao Q, Liu Q H, Jin R, Che T, Wang W Z, Qi Y, Li H Y, Zhu G F, Guo J W, Ran Y H, Wen J G and Wang S G. 2012. HIWATER: an integrated remote sensing experiment on hydrological and ecological processes in the Heihe River Basin. Advances in Earth Sciences, 27 (5): 481–498. [DOI: 10.11867/j.issn.1001-8166.2012.05.0481] ( 李新, 刘绍民, 马明国, 肖青, 柳钦火, 晋锐, 车涛, 王维真, 祁元, 李弘毅, 朱高峰, 郭建文, 冉有华, 闻建光, 王树果. 2012. 黑河流域生态—水文过程综合遥感观测联合试验总体设计. 地球科学进展, 27 (5): 481–498. [DOI: 10.11867/j.issn.1001-8166.2012.05.0481] )

Li Z Q, Yu G R, Xiao X M, Li Y N, Zhao X Q, Ren C Y, Zhang L M and Fu Y L. 2007. Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS images and climate data. Remote Sensing of Environment, 107 (3): 510–519. [DOI: 10.1016/j.rse.2006.10.003]

Liang S L, Li X W, Wang J D. 2013. Quantitative Remote Sensing: Principle and Algorithm. Beijing: Science Press (梁顺林, 李小文, 王锦地. 2013. 定量遥感理念与算法: 北京: 科学出版社)

Liu J, Chen J M, Cihlar J and Chen W. 1999. Net primary productivity distribution in the BOREAS region from a process model using satellite and surface data. Journal of Geophysical Research: Atmospheres, 104 (D22): 27735–27754. [DOI: 10.1029/1999JD900768]

Liu J, Rambal S and Mouillot F. 2015a. Soil drought anomalies in MODIS GPP of a mediterranean broadleaved evergreen forest. Remote Sensing, 7 (1): 1154–1180. [DOI: 10.3390/rs70101154]

Liu J F, Sun O J X, Jin H M, Zhou Z Y and Han X G. 2011. Application of two remote sensing GPP algorithms at a semiarid grassland site of North China. Journal of Plant Ecology, 4 (4): 302–312. [DOI: 10.1093/jpe/rtr019]

Liu Q H, Xin X Z, Tang P, Liao J J and Wu B F. 2010. Research of Quantitative Remote Sensing Models, Application and Uncertaincy [M]. Beijing: Science Press (柳钦火, 辛晓洲, 唐娉, 廖静娟, 吴炳方. 2010. 定量遥感模型、应用及不确定性研究. 北京: 科学出版社)

Liu S S, Peng Y, Brunsell N and Guan Q F. 2015b. Remote estimation of GPP in temperate grassland: implications of the uncertainty in GPP estimation in semi-arid ecosystems using MODIS data//Proceedings of SPIE Volume 9610, Remote Sensing and Modeling of Ecosystems for Sustainability XII. San Diego, California: SPIE: 961015 [DOI: 10.1117/12.2186786]

Liu Z J, Wang L C and Wang S S. 2014. Comparison of different GPP models in China using MODIS image and ChinaFLUX data. Remote Sensing, 6 (10): 10215–10231. [DOI: 10.3390/rs61010215]

Ma X L, Huete A, Yu Q, Coupe N R, Davies K, Broich M, Ratana P, Beringer J, Hutley L B, Cleverly J, Boulain N and Eamus D. 2013. Spatial patterns and temporal dynamics in savanna vegetation phenology across the North Australian Tropical Transect. Remote Sensing of Environment, 139 : 97–115. [DOI: 10.1016/j.rse.2013.07.030]

Ma X L, Huete A, Yu Q, Restrepo-Coupe N, Beringer J, Hutley L B, Kanniah K D, Cleverly J and Eamus D. 2014. Parameterization of an ecosystem light-use-efficiency model for predicting savanna GPP using MODIS EVI. Remote Sensing of Environment, 154 : 253–271. [DOI: 10.1016/j.rse.2014.08.025]

Mahadevan P, Wofsy S C, Matross D M, Xiao X M, Dunn A L, Lin J C, Gerbig C, Munger J W, Chow V Y and Gottlieb E W. 2008. A satellite-based biosphere parameterization for net ecosystem CO₂ exchange: Vegetation Photosynthesis and Respiration Model (VPRM) . Global Biogeochemical Cycles, 22 (2): GB2005 [DOI: 10.1029/2006GB002735]

Massman W J and Lee X. 2002. Eddy covariance flux corrections and uncertainties in long-term studies of carbon and energy exchanges. Agricultural and Forest Meteorology, 113 (1/4): 121–144. [DOI: 10.1016/S0168-1923(02)00105-3]

Mercado L M, Bellouin N, Sitch S, Boucher O, Huntingford C, Wild M and Cox P M. 2009. Impact of changes in diffuse radiation on the global land carbon sink. Nature, 458 (7241): 1014–1017. [DOI: 10.1038/nature07949]

Moura Y M, Galvão L S, Dos Santos J R, Roberts D A and Breunig F M. 2012. Use of MISR/Terra data to study intra- and inter-annual EVI variations in the dry season of tropical forest. Remote Sensing of Environment, 127 : 260–270. [DOI: 10.1016/j.rse.2012.09.013]

Nakaji T, Kosugi Y, Takanashi S, Niiyama K, Noguchi S, Tani M, Oguma H, Nik A R and Kassim A R. 2014. Estimation of light-use efficiency through a combinational use of the photochemical reflectance index and vapor pressure deficit in an evergreen tropical rainforest at Pasoh, Peninsular Malaysia. Remote Sensing of Environment, 150 : 82–92. [DOI: 10.1016/j.rse.2014.04.021]

Nguy-Robertson A, Suyker A and Xiao X M. 2015. Modeling gross primary production of maize and soybean croplands using light quality, temperature, water stress, and phenology. Agricultural and Forest Meteorology, 213 : 160–172. [DOI: 10.1016/j.agrformet.2015.04.008]

Olofsson P, Lagergren F, Lindroth A, Lindström J, Klemedtsson L, Kutsch W and Eklundh L. 2008. Towards operational remote sensing of forest carbon balance across Northern Europe. Biogeosciences, 5 (3): 817–832. [DOI: 10.5194/bg-5-817-2008]

Peng Y, Gitelson A A, Keydan G, Rundquist D C and Moses W. 2011. Remote estimation of gross primary production in maize and support for a new paradigm based on total crop chlorophyll content. Remote Sensing of Environment, 115 (4): 978–989. [DOI: 10.1016/j.rse.2010.12.001]

Propastin P, Ibrom A, Knohl A and Erasmi S. 2012. Effects of canopy photosynthesis saturation on the estimation of gross primary productivity from MODIS data in a tropical forest. Remote Sensing of Environment, 121 : 252–260. [DOI: 10.1016/j.rse.2012.02.005]

Reichstein M, Falge E, Baldocchi D, Papale D, Aubinet M, Berbigier P, Bernhofer C, Buchmann N, Gilmanov T, Granier A, Grünwald T, Havránková K, Ilvesniemi H, Janous D, Knohl A, Laurila T, Lohila A, Loustau D, Matteucci G, Meyers T, Miglietta F, Ourcival J M, Pumpanen J, Rambal S, Rotenberg E, Sanz M, Tenhunen J, Seufert G, Vaccari F, Vesala T, Yakir D and Valentini R. 2005. On the separation of net ecosystem exchange into assimilation and ecosystem respiration: review and improved algorithm. Global Change Biology, 11 (9): 1424–1439. [DOI: 10.1111/j.1365-2486.2005.001002.x]

Reichstein M, Papale D, Valentini R, Aubinet M, Bernhofer C, Knohl A, Laurila T, Lindroth A, Moors E, Pilegaard K and Seufert G. 2007. Determinants of terrestrial ecosystem carbon balance inferred from European eddy covariance flux sites. Geophysical Research Letters, 34 (1): L01402 [DOI: 10.1029/2006GL027880]

Running S W, Nemani R R, Heinsch F A, Zhao M S, Reeves M and Hashimoto H. 2004. A continuous satellite-derived measure of global terrestrial primary production. BioScience, 54 (6): 547–560. [DOI: 10.1641/0006-3568(2004)054[0547:ACSMOG]2.0.CO;2]

Saleska S R, Wu J, Guan K Y, Araujo A C, Huete A, Nobre A D and Restrepo-Coupe N. 2016. Dry-season greening of Amazon forests. Nature, 531 (7594): E4–E5. [DOI: 10.1038/nature16457]

Sasai T, Okamoto K, Hiyama T and Yamaguchi Y. 2007. Comparing terrestrial carbon fluxes from the scale of a flux tower to the global scale. Ecological Modelling, 208 (2/4): 135–144. [DOI: 10.1016/j.ecolmodel.2007.05.014]

Sánchez M L, Pardo N, Pérez I A and García M A. 2015. GPP and maximum light use efficiency estimates using different approaches over a rotating biodiesel crop. Agricultural and Forest Meteorology, 214-215 : 444–455. [DOI: 10.1016/j.agrformet.2015.09.012]

Schmid H P. 2002. Footprint modeling for vegetation atmosphere exchange studies: a review and perspective. Agricultural and Forest Meteorology, 113 (1/4): 159–183. [DOI: 10.1016/S0168-1923(02)00107-7]

Shi H, Li L H, Eamus D, Huete A, Cleverly J, Tian X, Yu Q, Wang S Q, Montagnani L, Magliulo V, Rotenberg E, Pavelka M and Carrara A. 2017. Assessing the ability of MODIS EVI to estimate terrestrial ecosystem gross primary production of multiple land cover types. Ecological Indicators, 72 : 153–164. [DOI: 10.1016/j.ecolind.2016.08.022]

Shugart H H, Saatchi S and Hall F G. 2010. Importance of structure and its measurement in quantifying function of forest ecosystems. Journal of Geophysical Research: Biogeosciences, 115 (G2): G00E13 [DOI: 10.1029/2009JG000993]

Sims D A, Rahman A F, Cordova V D, El-Masri B Z, Baldocchi D D, Flanagan L B, Goldstein A H, Hollinger D Y, Misson L, Monson R K, Oechel W C, Schmid H P, Wofsy S C and Xu L K. 2006. On the use of MODIS EVI to assess gross primary productivity of North American ecosystems. Journal of Geophysical Research: Biogeosciences, 111 (G4): G04015 [DOI: 10.1029/2006JG000162]

Sims D A, Rahman A F, Cordova V D, El-Masri B Z, Baldocchi D D, Bolstad P V, Flanagan L B, Goldstein A H, Hollinger D Y, Misson L, Monson R K, Oechel W C, Schmid H P, Wofsy S C and Xu L K. 2008. A new model of gross primary productivity for North American ecosystems based solely on the enhanced vegetation index and land surface temperature from MODIS. Remote Sensing of Environment, 112 (4): 1633–1646. [DOI: 10.1016/j.rse.2007.08.004]

Sitch S, Smith B, Prentice I C, Arneth A, Bondeau A, Cramer W, Kaplan J O, Levis S, Lucht W, Sykes M T, Thonicke K and Venevsky S. 2003. Evaluation of ecosystem dynamics, plant geography and terrestrial carbon cycling in the LPJ dynamic global vegetation model. Global Change Biology, 9 (2): 161–185. [DOI: 10.1046/j.1365-2486.2003.00569.x]

Sjöström M, Ardö J, Arneth A, Boulain N, Cappelaere B, Eklundh L, De Grandcourt, A W L, Kutsch L, Merbold Y, Nouvellon R J, Scholes P, Schubert J and Seaquist E M. 2011. Exploring the potential of MODIS EVI for modeling gross primary production across African ecosystems. Remote Sensing of Environment, 115 (4): 1081–1089. [DOI: 10.1016/j.rse.2010.12.013]

Sjöström M, Zhao M, Archibald S, Arneth A, Cappelaere B, Falk U, De Grandcourt A, Hanan N, Kergoat L, Kutsch W, Merbold L, Mougin E, Nickless A, Nouvellon Y, Scholes R J, Veenendaal E M and Ardö J. 2013. Evaluation of MODIS gross primary productivity for Africa using eddy covariance data. Remote Sensing of Environment, 131 : 275–286. [DOI: 10.1016/j.rse.2012.12.023]

Soudani K, Hmimina G, Dufrêne E, Berveiller D, Delpierre N, Ourcival J M, Rambal S and Joffre R. 2014. Relationships between photochemical reflectance index and light-use efficiency in deciduous and evergreen broadleaf forests. Remote Sensing of Environment, 144 : 73–84. [DOI: 10.1016/j.rse.2014.01.017]

Turner D P, Ritts W D, Cohen W B, Gower S T, Zhao M S, Running S W, Wofsy S C, Urbanski S, Dunn A L and Munger J W. 2003. Scaling Gross Primary Production (GPP) over boreal and deciduous forest landscapes in support of MODIS GPP product validation. Remote Sensing of Environment, 88 (3): 256–270. [DOI: 10.1016/j.rse.2003.06.005]

Urban O, Janouš D, Acosta M, Czerný R, Marková I, Navrátil M, Pavelka M, Pokorný R, Šprtová M, Zhang R, Špunda V, Grace J and Marek M V. 2007. Ecophysiological controls over the net ecosystem exchange of mountain spruce stand. Comparison of the response in direct vs. diffuse solar radiation. Global Change Biology, 13 (1): 157–168. [DOI: 10.1111/j.1365-2486.2006.01265.x]

Verma M, Friedl M A, Richardson A D, Kiely G, Cescatti A, Law B E, Wohlfahrt G, Gielen B, Roupsard O, Moors E J, Toscano P, Vaccari F P, Gianelle D, Bohrer G, Varlagin A, Buchmann N, van Gorsel E, Montagnani L and Propastin P. 2014. Remote sensing of annual terrestrial gross primary productivity from MODIS: an assessment using the FLUXNET La Thuile data set. Biogeosciences, 11 (8): 2185–2200. [DOI: 10.5194/bg-11-2185-2014]

Veroustraete F, Sabbe H and Eerens H. 2002. Estimation of carbon mass fluxes over Europe using the C-Fix model and Euroflux data. Remote Sensing of Environment, 83 (3): 376–399. [DOI: 10.1016/S0034-4257(02)00043-3]

Wei Y X and Wang L W. 2010. Scale effect of vegetation net primary productivity models based on remote sensing. Resources Science, 32 (9): 1783–1791. ( 卫亚星, 王莉雯. 2010. 净初级生产力遥感估算模型尺度效应的研究. 资源科学, 32 (9): 1783–1791. )

Wu C Y, Chen J M and Huang N. 2011. Predicting gross primary production from the enhanced vegetation index and photosynthetically active radiation: evaluation and calibration. Remote Sensing of Environment, 115 (12): 3424–3435. [DOI: 10.1016/j.rse.2011.08.006]

Wu C Y, Gonsamo A, Chen J M, Kurz W A, Price D T, Lafleur P M, Jassal R S, Dragoni D, Bohrer G, Gough C M, Verma S B, Suyker A E and Munger J W. 2012. Interannual and spatial impacts of phenological transitions, growing season length, and spring and autumn temperatures on carbon sequestration: a North America flux data synthesis. Global and Planetary Change, 92-93 : 179–190. [DOI: 10.1016/j.gloplacha.2012.05.021]

Wu C Y, Huang W J, Yang Q Y and Xie Q Y. 2015. Improved estimation of light use efficiency by removal of canopy structural effect from the photochemical reflectance index (PRI). Agriculture, Ecosystems and Environment, 199 : 333–338. [DOI: 10.1016/j.agee.2014.10.017]

Wu J, Albert L P, Lopes A P, Restrepo-Coupe N, Hayek M, Wiedemann K T, Guan K Y, Stark S C, Christoffersen B, Prohaska N, Tavares J V, Marostica S, Kobayashi H, Ferreira M L, Campos K S, da Silva R, Brando P M, Dye D G, Huxman T E, Huete A R, Nelson B W and Saleska S R. 2016. Leaf development and demography explain photosynthetic seasonality in Amazon evergreen forests. Science, 351 (6276): 972–976. [DOI: 10.1126/science.aad5068]

Xia J Y, Niu S L, Ciais P, Janssens I A, Chen J Q, Ammann C, Arain A, Blanken P D, Cescatti A, Bonal D, Buchmann N, Curtis P S, Chen S P, Dong J W, Flanagan L B, Frankenberg C, Georgiadis T, Gough C M, Hui D F, Kiely G, Li J W, Lund M, Magliulo V, Marcolla B, Merbold L, Montagnani L, Moors E J, Olesen J E, Piao S L, Raschi A, Roupsard O, Suyker A E, Urbaniak M, Vaccari F P, Varlagin A, Vesala T, Wilkinson M, Weng E S, Wohlfahrt G, Yan L M and Luo Y Q. 2015. Joint control of terrestrial gross primary productivity by plant phenology and physiology. Proceedings of the National Academy of Sciences of the United States of America, 112 (9): 2788–2793. [DOI: 10.1073/pnas.1413090112]

Xiao X M, Zhang Q Y, Braswell B, Urbanski S, Boles S, Wofsy S, Mooer III B and Ojima D. 2004. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, 91 (2): 256–270. [DOI: 10.1016/j.rse.2004.03.010]

Xiao X M, Zhang Q Y, Hollinger D, Aber J and Moore III B. 2005. Modeling gross primary production of an evergreen needleleaf forest using modis and climate data. Ecological Applications, 15 (3): 954–969. [DOI: 10.1890/04-0470]

Xin Q C, Broich M, Suyker A E, Yu L and Gong P. 2015. Multi-scale evaluation of light use efficiency in MODIS gross primary productivity for croplands in the Midwestern United States. Agricultural and Forest Meteorology, 201 : 111–119. [DOI: 10.1016/j.agrformet.2014.11.004]

Yang F H, Ichii K, White M A, Hashimoto H, Michaelis A R, Votava P, Zhu A X, Huete A, Running S W and Nemani R R. 2007. Developing a continental-scale measure of gross primary production by combining MODIS and AmeriFlux data through Support Vector Machine approach. Remote Sensing of Environment, 110 (1): 109–122. [DOI: 10.1016/j.rse.2007.02.016]

Yang X, Tang J W, Mustard J F, Lee J E, Rossini M, Joiner J, Munger J W, Kornfeld A and Richardson A D. 2015. Solar-induced chlorophyll fluorescence that correlates with canopy photosynthesis on diurnal and seasonal scales in a temperate deciduous forest. Geophysical Research Letters, 42 (8): 2977–2987. [DOI: 10.1002/2015GL063201]

Yuan W P, Cai W W, Liu D and Dong W J. 2014. Satellite-based vegetation production models of terrestrial ecosystem: an overview. Advances in Earth Science, 29 (5): 541–550. [DOI: 10.11867/j.issn.1001-8166.2014.05.0541] ( 袁文平, 蔡文文, 刘丹, 董文杰. 2014. 陆地生态系统植被生产力遥感模型研究进展. 地球科学进展, 29 (5): 541–550. [DOI: 10.11867/j.issn.1001-8166.2014.05.0541] )

Yuan W P, Cai W W, Xia J Z, Chen J Q, Liu S G, Dong W J, Merbold L, Law B, Arain A, Beringer J, Bernhofer C, Black A, Blanken P D, Cescatti A, Chen Y, Francois L, Gianelle D, Janssens I A, Jung M, Kato T, Kiely G, Liu D, Marcolla B, Montagnani L, Raschi A, Roupsard O, Varlagin A and Wohlfahrt G. 2014. Global comparison of light use efficiency models for simulating terrestrial vegetation gross primary production based on the LaThuile database. Agricultural and Forest Meteorology, 192-193 : 108–120. [DOI: 10.1016/j.agrformet.2014.03.007]

Yu G R, Fang H J, Fu Y L and Wang Q F. 2011. Research on carbon budget and carbon cycle of terrestrial ecosystems in regional scale: a review. Acta Ecologica Sinica, 31 (19): 5449–5459. ( 于贵瑞, 方华军, 伏玉玲, 王秋凤. 2011. 区域尺度陆地生态系统碳收支及其循环过程研究进展. 生态学报, 31 (19): 5449–5459. )

Yu G R, Zhu X J, Fu Y L, He H L, Wang Q F, Wen X F, Li X R, Zhang L M, Zhang L, Su W, Li S G, Sun X M, Zhang Y P, Zhang J H, Yan J H, Wang H M, Zhou G S, Jia B R, Xiang W H, Li Y N, Zhao L, Wang Y F, Shi P L, Chen S P, Xin X P, Zhao F H and Wang Y Y And Tong C L. 2013. Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China. Global Change Biology, 19 (3): 798–810. [DOI: 10.1111/gcb.12079]

Yu W T, Li J, Liu Q H, Zeng Y L, Yin G F, Zhao J and Xu B D. 2016. Extraction and analysis of land cover heterogeneity over China. Advances in Earth Science, 31 (10): 1067–1077. [DOI: 10.11867/j.issn.1001-8166.2016.10.1067] ( 于文涛, 李静, 柳钦火, 曾也鲁, 尹高飞, 赵静, 徐保东. 2016. 中国地表覆盖异质性参数提取与分析. 地球科学进展, 31 (10): 1067–1077. [DOI: 10.11867/j.issn.1001-8166.2016.10.1067] )

Yuan W P, Liu S G, Zhou G S, Zhou G Y, Tieszen L L, Baldocchi D, Bernhofer C, Gholz H, Goldstein A H, Goulden M L, Hollinger D Y, Hu Y M, Law B E, Stoy P C, Vesala T and Wofsy S C. 2007. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes. Agricultural and Forest Meteorology, 143 (3/4): 189–207. [DOI: 10.1016/j.agrformet.2006.12.001]

Zhang F M, Chen J M, Chen J Q, Gough C M, Martin T A and Dragoni D. 2012. Evaluating spatial and temporal patterns of MODIS GPP over the conterminous U. S. against flux measurements and a process model. Remote Sensing of Environment, 124 : 717–729. [DOI: 10.1016/j.rse.2012.06.023]

Zhang L M, Yu G R, Sun X M, Wen X F, Ren C Y, Fu Y L, Li Q K, Li Z Q, Liu Y F, Guan D X and Yan J H. 2006. Seasonal variations of ecosystem apparent quantum yield (α) and maximum photosynthesis rate (P_max) of different forest ecosystems in China . Agricultural and Forest Meteorology, 137 (3/4): 176–187. [DOI: 10.1016/j.agrformet.2006.02.006]

Zhang M, Yu G R, Zhang L M, Sun X M, Wen X F, Han S J and Yan J H. 2009. Impact of cloudiness on net ecosystem exchange of carbon dioxide in different types of forest ecosystems in China. Biogeosciences Discussions, 6 (4): 8215–8245. [DOI: 10.5194/bgd-6-8215-2009]

Zhang M, Yu G R, Zhuang J, Gentry R, Fu Y L, Sun X M, Zhang L M, Wen X F, Wang Q F, Han S J, Yan J H, Zhang Y P, Wang Y F and Li Y N. 2011. Effects of cloudiness change on net ecosystem exchange, light use efficiency, and water use efficiency in typical ecosystems of China. Agricultural and Forest Meteorology, 151 (7): 803–816. [DOI: 10.1016/j.agrformet.2011.01.011]

Zhang Q Y, Cheng Y B, Lyapustin A I, Wang Y J, Xiao X M, Suyker A, Verma S, Tan B and Middleton E M. 2014a. Estimation of crop gross primary production (GPP): I. impact of MODIS observation footprint and impact of vegetation BRDF characteristics. Agricultural and Forest Meteorology, 191 : 51–63. [DOI: 10.1016/j.agrformet.2014.02.002]

Zhang Q Y, Cheng Y B, Lyapustin A I, Wang Y J, Zhang X Y, Suyker A, Verma S, Shuai Y M and Middleton E M. 2014b. Estimation of crop gross primary production (GPP): II. Do scaled MODIS vegetation indices improve performance? Agricultural and Forest Meteorology, 200 : 1–8. [DOI: 10.1016/j.agrformet.2014.09.003]

Zhao M S, Running S, Heinsch F A and Nemani R. 2010. MODIS-Derived terrestrial primary production//Ramachandran B, Justice C O and Abrams M J. Land Remote Sensing and Global Environmental Change. New York, NY: Springer: 635–660

Zhao M S, Running S W and Nemani R R. 2006. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of meteorological reanalyses. Journal of Geophysical Research: Biogeosciences, 111 (G1): G01002 [DOI: 10.1029/2004JG000004]

Zhao Y S. 2013. Principle and methods of analysis for remote sensing application. Beijing: Science Press, 374–375 (赵英时. 2013. 遥感应用分析原理与方法. 2版. 北京: 科学出版社, 374–375)

Zhou Y L, Wu X C, Ju W M, Chen J M, Wang S Q, Wang H M, Yuan W P, Black T A, Jassal R, Ibrom A, Han S J, Yan J H, Margolis H, Roupsard O, Li Y N, Zhao F H, Kiely G, Starr G, Pavelka M, Montagnani L, Wohlfahrt G, D’Odorico P, Cook D, Arain M A, Bonal D, Beringer J, Blanken P D, Loubet B, Leclerc M Y, Matteucci G, Nagy Z, Olejnik J, Paw U K T and Varlagin A. 2016. Global parameterization and validation of a two-leaf light use efficiency model for predicting gross primary production across FLUXNET sites. Journal of Geophysical Research: Biogeosciences, 121 (4): 1045–1072. [DOI: 10.1002/2014JG002876]

Zhu Z L, Sun X M, Wen X F, Zhou Y L, Tian J and Yuan G F. 2006. Study on the processing method of nighttime CO₂ eddy covariauce flux data in China FLUX. Science in China Series D: Earth Sciences, 49(S3): 36–46 (朱治林, 孙晓敏, 温学发, 周艳莲, 田静, 袁国富. 2006. 中国通量网(ChinaFLUX)夜间CO₂涡度相关通量数据处理方法研究. 中国科学 D辑地球科学, 36(S1): 34–44)

摘要

关键词