img

官方微信

遥感技术与应用, 2020, 35(5): 1028-1036 doi: 10.11873/j.issn.1004-0323.2020.5.1028

LAI专栏

近30 a中国叶面积指数变化趋势的不确定性评估

桑宇星,1, 刘刚1, 江聪1,2, 任舒艳1,2, 朱再春,1

1.北京大学城市规划与设计学院,深圳 518055

2.北京大学城市与环境学院,北京 100871

Uncertainty Assessment of the Trend of China's Leaf Area Index in the Past 30 Years

Sang Yuxing,1, Liu Gang1, Jiang Cong1,2, Ren Shuyan1,2, Zhu Zaichun,1

1.School of Urban Planning and Design,Peking University,Shenzhen 518055,China

2.College of Urban and Environmental Sciences,Peking University,Beijing 100871,China

通讯作者: 朱再春(1985-),男,湖北武汉人,博士,主要从事全球变化生态学研究。E⁃mail:zhuzaichun@pku.edu.cn

收稿日期: 2020-07-15   修回日期: 2020-09-21   网络出版日期: 2020-11-26

基金资助: 国家自然科学基金项目.  41901122

Received: 2020-07-15   Revised: 2020-09-21   Online: 2020-11-26

作者简介 About authors

桑宇星(1997-),女,安徽芜湖人,硕士研究生,主要从事全球变化生态学研究E⁃mail:yuxingsang@pku.edu.cn , E-mail:yuxingsang@pku.edu.cn

摘要

基于四套遥感叶面积指数(leaf area index, LAI)长时间序列数据集(MODIS LAI, GLOBMAP LAI, GLASS LAI和GIMMS LAI3g),从各数据集版本更新的角度评估了中国近30 a LAI变化趋势的不确定性,对比了新旧版本的LAI变化趋势在均值、空间分布和不同植被类型上的差异。结果表明:各遥感LAI数据集新旧版在全国植被LAI过去30 a的总体趋势上差异不显著,但GLASS LAI显著高于GIMMS LAI3g和GLOBMAP LAI。各数据集版本更新所导致的不确定性集中体现在2000年以后,新版本中国LAI平均趋势(12.1±2.1×10-3m2/(m2·year))高于旧版本趋势(7.9±2.0×10-3m2/(m2·year));新版本LAI增加的趋势在东南沿海、东北、云贵高原和黄土高原地区更高;LAI趋势和净增长的差异集中在农田,草地,灌木和常绿针叶林。定量分析了4套被广泛使用的遥感LAI时间序列数据集不同版本之间的差异,为后续中国地区的相关研究在数据选择上提供了参考。

关键词: 叶面积指数 ; 遥感 ; 植被动态变化 ; 中国

Abstract

In order to evaluate the temporal and spatial uncertainty of the trend of the Leaf Srea Index (LAI) in China caused by the update of the versions, four sets of long-term LAI datasets are used (MODIS LAI, GLOBMAP LAI, GLASS LAI and GIMMS LAI3g), and the trends in total, spatial distribution and different vegetation types between the former and last versions were compared. Results showed that the positive trend in GLASS LAI is higher than that in GLOBMAP LAI and GIMMS LAI during the past 30 years but the discrepancy between versions is not obvious. However, the uncertainty due to update of the versions occurs after 2000. The trend of last version (12.1±2.1×10-3m2/(m2·year1)) is higher than former version (7.9±2.0×10-3 m2/(m2·year1)), and the higher trends value mainly appear in the southeast coastal areas, the northeast China, the Yunnan-Guizhou Plateau and the Loess Plateau. The differences in trends and the net change of LAI are concentrated in the vegetation types of cropland, grassland, shrubland and evergreen coniferous forests. The study quantifies the uncertainty of China’s trend of LAI among versions and offers references of data choice for further LAI researches in China.

Keywords: Leaf Area Index(LAI) ; Remote sensing ; Vegetation dynamics ; China

PDF (6112KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

桑宇星, 刘刚, 江聪, 任舒艳, 朱再春. 近30 a中国叶面积指数变化趋势的不确定性评估. 遥感技术与应用[J], 2020, 35(5): 1028-1036 doi:10.11873/j.issn.1004-0323.2020.5.1028

Sang Yuxing, Liu Gang, Jiang Cong, Ren Shuyan, Zhu Zaichun. Uncertainty Assessment of the Trend of China's Leaf Area Index in the Past 30 Years. Remote Sensing Technology and Application[J], 2020, 35(5): 1028-1036 doi:10.11873/j.issn.1004-0323.2020.5.1028

1 引 言

叶面积指数(LAI)是最重要的植物学参数之一,自1947年提出以来,被广泛应用于表征植被冠层结构和利用光能的状况1。LAI影响许多生物和物理过程,例如光合作用、呼吸作用以及蒸腾作用2,是描述土壤—植被—大气之间物质和能量交换的关键参数3

遥感技术是在区域和全球尺度获取长时间序列植被LAI的最为经济高效的方法4-5。MODIS LAI是最为广泛使用的LAI产品之一6-7,但是MODIS LAI时间跨度较短8,而基于AVHRR传感器反演的LAI产品可以提供自1980年以来的连续观测数据。目前已经有数个长时间序列LAI产品,例如基于AVHRR以及MODIS数据反演的GIMMS LAI3g9,GLASS LAI10 和GLOBMAP LAI7等。

当前,已经有许多研究使用这些长时间序列的全球LAI产品分析植被对环境变化的响应。例如彭飞等11研究了1982~1999年间中国地区叶面积指数变化与气候变化的关系。Liang等12解释了LAI对大气氮沉降的响应。Reygadas等13阐述LAI与地表温度的年内和季节内的关系。然而,关于LAI的趋势研究分析存在相异的结果,有的研究发现自1981年以来,全球范围内的LAI一直在增加14。但也有研究表明,自1999年之后,许多地区的植被绿度增加的趋势发生了停滞甚至倒退15。植被变化趋势的不确定性进一步为陆面植被的气候驱动机制的探讨引入了不确定性。有研究指出MODIS C5版本反射率存在传感器退化问题16-18,其严重影响了下游的植被指数、叶面积指数等产品19,而C6版本校正了传感器的退化,这可能给基于不同版本MODIS数据反演的长时间序列LAI产品引入不确定性。

近十几年,中国是全球植被变绿的热点区域,2000~2017年间中国植被叶面积增量占全球植被叶面积增量的25%20。然而,我国幅员辽阔,植被类型丰富,人类活动扰动(放牧、植树造林、施肥以及灌溉等)强烈,植被LAI的时空分异较大,为遥感反演LAI带来一定的挑战21-22。本研究将以中国为研究区,比较分析近30 a中MODIS LAI,GLOBMAP LAI, GLASS LAI, GIMMS LAI3g这4套产品新旧版本之间的LAI趋势差异,为之后中国地区相关研究的数据选择提供重要参考。

2 数据集与方法

2.1 LAI数据集

本文选取了3套长序列(1982-)和1套较短序列(2000-)的新旧版本的LAI数据集(表1)。

表1   本研究中使用的LAI新旧版本数据集

Table1  The former and last versions of LAI data sets in this study

数据集版本驱动数据空间分辨率时间分辨率覆盖时间
MODISMOD15A2(C5)MODIS地表反射率(C5)1 km8天2000~2013
MCD15A3H(C6)MODIS地表反射率(C6)500 m4天2003~2018
GLOBMAPV1GIMMS NDVI&MODIS地表反射率(C5)1/12°&0.05°半月&8天1982~2011
V3GIMMS NDVI&MODIS地表反射率(C6)1/12°&0.05°半月&8天1982~2016
GLASSV3LTDR地表反射率&MODIS地表反射率(C5)0.05°8天1982~2011
V4LTDR地表反射率&MODIS地表反射率(C5)0.05°8天1982~2015
GIMMS3gV2GIMMS NDVI1/12°8天1982~2015
V4GIMMS NDVI1/12°8天1982~2015

新窗口打开| 下载CSV


2.1.1 MODIS C5和C6 LAI数据集

MOD15A2 LAI C5数据集时空分辨率为8天和1 km,覆盖2000~2013年,主要是通过3D辐射传输模型,利用MODAGAGG的地表反射率产品的红外、近红外波段和太阳对象传感器几何参数来计算LAI值,形成特定群落查找表(Biome-specific look-up tables, LUTs)。同时,建立LAI-NDVI关系来作为替代方案估算LAI。

MCD15A3H LAI C6数据集时空分辨率为4天、500 m,覆盖2003至今,主要差别为:①数据集上,MOD是Terra卫星而MCD是Terra卫星和Aqua卫星的均值;②3D辐射传输模型的输入地表反射率产品为新矫正算法下的MOD09GA C6;③使用了新版土地覆被产品。

2.1.2 GLOBMAP LAI数据集

GLOBMAP LAI v1,覆盖1982~2011年,2000年3月之前以8 km/15 d为分辨率,之后以500 m/8 d为分辨率。2000~2011年通过GLOBCARBON的LAI算法,利用MOD09A1 C5的地表反射率产品计算得到MODIS LAI。同时,建立2000~2006年MODIS LAI和GIMMS NDVI在格点尺度的经验关系,从而得到1982~2000年的LAI数值。

GLOBMAP LAI v3则提供了1982至今的数据,与v1时空分辨率相同,主要差别为:①2000年后的MODIS LAI是基于新矫正算法下的MOD09A1 C6版本;③采用全球集聚指数图取代土地覆盖类别的集聚指数;③使用反射率拐点的云检测算法和局部调整三次样条插值来计算MOD09A1的云掩膜23

2.1.3 GLASS LAI数据集

GLASS LAI v3时空分辨率为8 d/0.05°,覆盖1982~2011年。该数据集利用MOD15 LAI C5和CYCLOPES LAI进行融合得到LAI数据,最后在BELMANIP(Benchmark Land Multisite Analysis and Intercomparison of products, BELMANIP)站点上利用广义回归神经网络GRNN建立LAI与特定生物群落地表反射率的经验关系。在2001年之前使用NASA长时间数据记录(Long Term Data Record, LTDR) NOAA/AVHRR地表反射率产品,之后则使用Terra/MODIS地表反射率数据集。

GLASS LAI v4则提供了1982年至今的数据,分辨率与v3版本相同,差别有:①2000年前LTDR地表反射率产品的更新;②数据集拼接方式变化。

2.1.4 GIMMS LAI3g数据集

GIMMS LAI3g v2,时空分辨率为8 km/8 d,覆盖1982~2015年。其核心算法利用人工神经网络ANN通过建立每个月份尺度的MODIS LAI与GIMMS NDVI3g之间的经验关系,从而利用GIMMS NDVI3g反演GIMMS LAI3g。

GIMMS LAI3g v4与v2分辨率一致,覆盖1982~2015年,主要差别为:①GIMMS NDVI3g版本从v0到v1的更新;②基于MODIS LAI C6版本建立经验关系。

2.2 LAI数据集的整合与命名

分析中所有LAI数据集均取新旧版本中共有年份作为研究时间段,其中MODIS C5和C6时间段为2003~2013,GLOBMAP LAI、GLASS LAI时间段为2000~2011,GIMMS LAI为2000~2015,而LAI均值指3个长时间序列LAI数据集的均值。

本研究中将使用块平均的方法对不同数据集的空间分辨率重采样到0.5°24,对每个半月的LAI取最大值,再对两个半月的 LAI取均值整合到月尺度,从而得到月尺度0.5° 的LAI数据集。新旧版本分别命名为后缀FV(the former version)和LV(the last version),数据集依次为:MODISFV/MODISLV, GLOBMAPFV/GLOBMAPLV,GLASSFV/GLASSLV, GIMMSFV/GIMMSLV

2.3 植被类型数据集

研究采用由中国科学院植被地图编辑委员会出版的1:1 000 000中国数据化植被地图(EBVMC,2007),对不同植被功能型的LAI增量及趋势进行计算与分析。将地图中573种植被类型重分类成6种: 森林(Forest)、灌丛(Shrubland)、沙漠(Desert)、草地(Grassland)、谷地(Cropland)、湿地(Wetland)。其中森林被重分类成五个植物功能种类,包括落叶阔叶林(Deciduous Broadleaf Forest, DBF)、落叶针叶林(Deciduous Needleleaf Forest, DNF)、常绿阔叶林(Evergreen Broadleaf Forest, EBF)、常绿针叶林(Evergreen needleleaf forest, ENF)、混交林(Mixed Forest, MF)。使用块平均的方法将分辨率重采样到0.5°,计算每个格点内各种植被类型的面积占比,对该格点的LAI进行植被类型加权即得到不同植被类型在该格点的LAI。

2.4 分析方法

所有的LAI数据集和植被类型数据集都重采样到0.5°×0.5°后,对非植被覆盖区(1982~2015年多年平均NDVI<0.1)和非生长季(1982~2015年多年当月均温<0℃)进行掩膜处理,以减少由于土壤背景和非生长季噪音对研究区LAI趋势不确定度的影响。

趋势分析中,分为中国生长季LAI均值距平和格点生长季LAI的趋势两部分。前者将研究区的生长季LAI通过面积加权平均后得到中国生长季LAI,再减去对应LAI时间序列的多年均值,即为中国生长季LAI均值距平,距平的处理是为了方便不同LAI数据集之间进行直接对比。后者则是对每个格点的生长季LAI进行趋势计算。本研究使用的Mann-Kendall趋势评估来计算中国均值和格点尺度的LAI趋势25,p<0.05为显著性检验的标准。

净增长的计算,先计算出2000年之后LAI的总量变化,再计算覆盖时间段最后3 a和起始3 a LAI均值的差值,来代表对应时间段叶面积指数的净增长。

3 结 果

3.1 中国生长季LAI距平

图1所示,图1(a)~(d)分别计算了每个LAI数据集对应时间段的中国生长季均值距平,图1(e)为图1(a)~(c)3个长时间序列LAI数据集的距平均值,对应的颜色阴影部分为距平的最大值和最小值之间的不确定度。图1(f)为近30 a(空心图标)和近10 a(实心图标)中国LAI新旧版本趋势的改变。

图1

图1   LAI产品在1982~2018年间中国生长季LAI距平

Fig.1   Anomaly of China growing season LAI of various LAI products during 1982~2018


近30 a长时间序列LAI新旧版本差异不显著,出现在1:1线附近(图1(f))。在1982~2000年间,3套长序列LAI数据集新旧版本之间在趋势和年际波动(R2>0.7)上都有较好的一致性,数据集之间的信号相同,主要差别体现在数据集之间趋势的差异而非版本差异。而2000后,一方面,阴影覆盖面积变宽说明了本身较大的数据集之间的不确定度在继续增加;另一方面,每个数据集的新旧版本间也出现了很大的不同(表2图1(f))。

表2   中国生长季LAI趋势及波动对比 (趋势:(10-3m2/m2·a))

Table2  Comparison of trends and interannual variations of growing season mean LAI in China

年份MODISGLOBMAPGLASSGIMMSLAI均值
1982~2000LAIFVa趋势-1.9±0.6*10.5±2.6*6.5±2.66.5±1.4*
LAILV趋势-1.8±1.37.8±2.9*5.6±1.4*5.2±1.5*
年际波动R2-0.70.80.90.9
2000~2011/2000~2015bLAIFV趋势3.0±3.22.9±2.96.3±2.7*8.0±2.7*7.9±2.0*
LAILV趋势14.8±1.9*18.6±1.7*8.5±3.0*7.9±1.6*12.1±2.1*
年际波动R20.79a0.40.90.80.8
1982~2011/1982~2015LAIFV趋势-4.7±0.5*14.6±1.1*4.8±0.8*8.2±0.5*
LAILV趋势-4.4±0.7*13.8±1.1*4.3±0.5*7.4±0.5*
年际波动R2-0.30.90.90.9

注:a:新旧版本分别命名为后缀FV(the former version)和LV(the last version); b 由于数据集时间覆盖范围不同,MODIS LAI 两个时间段为2003~2013,2003~2018,GIMMS LAI时间段为2000~2015。* Mann-Kendall趋势检测通过显著性检验(p<0.05)

新窗口打开| 下载CSV


其中,GLOBMAPFV和GLOBMAPLV之间差异最为明显,在2000~2011年间从旧版本的增长停滞(2.9±2.9×10-3m2/(m2·year), p>0.05)转为新版本的显著增长(18.6±1.7×10-3m2/(m2·year, p<0.05),并且在GLOBMAPLV 2000~2015年间仍然呈现持续的显著增幅(21.5±1.5×10 -3m2/(m2·year1), p<0.05)。同样,程度较弱的增幅变大发生在2000-2011年GLASS LAI(6.3±2.7×10-3m2/(m2·year),p<0.05; 8.5±3.0×10-3m2/(m2·year), p<0.05)和2003~2013年的MODIS LAI(3.0±3.2×10-3m2/(m2·year),p>0.05; 14.8±1.9×10-3m2/(m2·year),p<0.05)上。但是GIMMS LAI新旧版本在2000~2015年保持较为一致显著增幅。

3.2 LAI生长季趋势的空间格局

除了中国LAI均值的趋势差异,新旧版本的更替对于2000年之后中国LAI趋势的空间分布也会产生很大的影响。本文对LAI数据集在近30 a和近10 a的生长季趋势(图2(a)、(e)、(i)、(m)、(c)、(k)、(g))以及版本间的趋势差异(图2(b)、(f)、(j)、(n)、(d)、(h)、(l)、(p)、(r))的空间格局进行了绘制。图中的黑点代表该格点趋势通过显著性检验,左下角的柱状图代表不同趋势的格点面积占比(%),每个柱状中颜色加深的部分代表对应格点中的趋势通过显著性检验的格点面积占比(%)。

图2

图2   近30 a中国生长季LAI趋势空间格局及版本差异

Fig.2   Spatial pattern of trends in growing season LAI and its differences between versions during the 30 years in China


近30 a中国大部分地区(90%)都呈现增长的生长季LAI趋势(图2(m)),格点趋势范围在 -0.005~0.03 m2/(m2·year)(1%~99%)。其中有约80%面积的地区的增长信号通过显著性检验,胡焕庸线以南大部分地区都发生了明显的“绿化”现象。有10%呈LAI下降的区域,其中仅有内蒙古草原的东北部极小区域存在显著降低的现象(5%)。

通过每个数据集新版本和旧版本的差值,反映出版本间的不确定度主要集中在2000年之后。不难看出,GLOBMAP、GLASS LAI和MODIS LAI在近10 a间(图2(d)、(h)和(r)),LAILV的正趋势覆盖面积和程度都大于LAIFV。其中,GLOBMAPLV 和MODISC6 约80%的地区新版本的增幅都高于旧版本,差异范围为-0.01~0.07 m2/(m2·year)(1~99%)。旧版本主要体现东南沿海、东北、云贵高原和黄土高原地区LAI正趋势的低估上。而GIMMSFV, GIMMSLV趋势差异存在空间异质性,正负相互抵消所以在全国尺度上差异并不明显,其中长白山脉、黄土高原中部和云贵高原的东北是GIMMS版本差异的热点区域。

3.3 不同植被类型LAI净增长及趋势

通过植被类型数据集,计算了9种典型植被近30 a和近10 a生长季LAI净增长面积(图3)和增速(图4)。图3结果表明,近30 a中国叶面积净增长在1~2.7×107 km2之间,GLASS LAI高于其他数据集,净增加的主要贡献者为农田、灌木、常绿针叶林和草地。而2000年之后,长时间序列LAI数据集版本更新导致的净增长估算差异约为0.5×107 km2,其中版本之间的不确定性甚至大于数据集之间的不确定性。LAIFV平均净增加为0.6×107 km2,LAILV为0.9×107 km2,约为LAIFV的1.5倍。GLOBMAP和GLASS LAI两个版本之间存在明显的差异,GIMMS LAI差异不明显。其中,GLOBMAPFV和GLOBMAPLV差异贡献的来源主要为农田(30%)、草地(20%)、灌木(16%)和常绿针叶林(11%);GLASS差异贡献的来源为农田(39%)、灌木(19%)和常绿针叶林(17%);GIMMSLV的农田和草地增量略低于GIMMSFV,而常绿针叶林和灌木增量略高于GIMMSFV

图3

图3   近30 a不同植被类型生长季LAI净增长面积(106 km2

Fig.3   Net change in growing season leaf area in different vegetation types during the 30 years (10-1 million km2)


图4

图4   近30 a不同植被类型生长季LAI趋势(10-3m2/(m2·year))

Fig.4   Trends in growing season LAI in different vegetation types during the 30 years (10-3m2/(m2·year))


图4中每个子图的x轴代表每种植被类型在旧版本中的趋势,y轴代表每种植被类型在新版本中的趋势,虚线为1:1比值线,虚线左上方代表新版本的趋势大于旧版本,则右下方代表新版本的趋势小于旧版本。结果表明:(1)所有植被类型在近30 a、近10 a都有正增速(图4(d)),其中近10 a来成为增速最快的植被类型从常绿针叶林转为农田(15±3×10-3m2/m2·a(取LAIFV和LAILV的均值)),其他植被类型的增速约为3×10-3m2/m2·a到13×10-3m2/m2·a之间;(2)近10 a LAILV正趋势大于LAIFV正趋势的现象在不同数据集中普遍存在,近30 a LAI版本差异不显著。GLOBMAP LAI大多数植被类型2000~2011年的趋势从停滞乃至降低转变为11~30×10-3m2/m2·a的显著正趋势,MODIS LAI、GLASS LAI均有一定程度的增幅,GIMMS LAI不同植被类型新旧版本趋势差异主要分布在1∶1比值线的两侧。

4 讨 论

本研究对比分析了4套LAI产品不同版本导致的中国地区植被LAI变化趋势的差异,结果表明:

(1)中国LAI变化趋势在各新旧版本LAI数据集之间的差异主要发生在2000年之后。由新旧版本导致的差异在GLOBMAP LAI与MODIS LAI两套数据中表现最为明显,由旧版本的增长停滞转为新版本的显著增长。GLASS LAI也在新旧版本之间表现出类似的差异,但差值相对较小。GIMMS LAI在新旧版本之间的差异不明显。

(2)新旧版本导致的中国LAI变化趋势在空间格局上的差异同样集中在2000年之后。新版本的MODIS,GLOBMAP和GLASS LAI所反映的正趋势的范围和数值都大于旧版本LAI,差异主要集中在东南沿海、东北、云贵高原以及黄土高原等地区。GIMMS LAI的新旧版本趋势差异存在一定的空间异质性。

(3)新旧版本LAI数据在不同植被类型有着不同的LAI的净增长和趋势,且版本间的差异主要体现在2000年后。在2000年后,农田、草地、灌木和常绿针叶林的增幅和增速较大,也对净增长面积和趋势新旧版本之间的差异的贡献较大。GLOBMAP LAI所有植被类型从停滞乃至降低转变为11~30×10-3m2/m2·a的显著正趋势,MODIS LAI、GLASS LAI也有一定程度的增幅,新旧版本GIMMS LAI不同植被类型的趋势基本分布在1∶1比值线的两侧,不存在显著差异。

在2015年前,NASA发布了多个版本的MODIS产品,以改善数据质量,但是过去几年中,在多种MODIS C5产品中Terra卫星与Aqua卫星出现了结果不一致的情形,许多研究指出这是由于Terra卫星传感器退化导致的17-18。相比于Aqua卫星,Terra卫星传感器退化较快主要是两个可能的原因,一是Terra卫星发射前测试时蒸发掉了一部分门漆而产生的潜在光学污染;二是在发射后初期的太阳能扩散门操作异常16-17。而Terra-C5也因为传感器退化导致了下游的叶面积产品中全球植被大面积的褐化现象,与C5相比, MODIS C6通过矫正算法,使得植被产品在Terra和Aqua之间显示出较为一致的波动与趋势,与传感器退化相关的潜在下降趋势基本得到消除19

考虑到旧版GIMMS, GLOBMAP和GLASS的旧版本LAI都通过使用机器学习算法,将MODIS C5的产品作为训练数据1020,并且是2000年后的GLOBMAP和GLASS是直接基于MODIS反射率产品生成的,研究结果中,这两个数据集新旧版本趋势和净增长的差异甚至高于不同数据集算法本身带来的差异,而旧版本由传感器退化导致的无法量化的褐化趋势无疑会增加使用LAI产品时的不确定性21,甚至可能得出相反的结果。大部分研究都表明在过去的40 a内,全球有着持续的变绿的趋势2226。但是也有研究基于旧版本的GLOBMAP LAI产品,结果表明1982~2011年间GLOBMAP的LAI产品在落叶阔叶林,落叶针叶林,常绿阔叶林和常绿针叶林都表现出下降的趋势8。近年来很多学者开始使用基于新版本的LAI产品26-27,但是也有研究中采用了旧版本的LAI产品828-30,使用数据集版本的不统一同样会增加研究结果的不确定性。本文研究结果显示,在中国近10 a来新版本的LAI的增速和增幅都相当程度的高于旧版本LAI。

本研究通过对比分析4套常用LAI产品在中国地区的变化趋势,关注不同数据版本所带来不确定性问题,为学者在今后的研究中选择合适的数据提供了一定的参考。本研究建议在后续研究中尽可能使用新版本的遥感LAI时间序列产品,可能将有助于更好地挖掘植被生长的时空变化特征及其驱动机制。

参考文献

Wang XiqunMa LuyiJia Zhongkuiet al.

Research and Application Advances in Leaf area Index(LAI)

[J]. Chinese Journal of Ecology, 2005245): 537-541.

[本文引用: 1]

王希群马履一贾忠奎.

叶面积指数的研究和应用进展

[J]. 生态学杂志,2005245): 537-541.

[本文引用: 1]

Asrar GFuchs MKanemasu E Tet al.

Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat1

[J]. Agronomy Journal, 1984762): 300-306.

[本文引用: 1]

Liu YangLiu RonggaoChen Jingminget al.

Current Status and Perspectives of Leaf Area Index Retrieval from Optical Remote Sensing Data

[J]. Journal of Geo-information Science, 2013155): 734-743.

[本文引用: 1]

刘洋刘荣高陈镜明.

叶面积指数遥感反演研究进展与展望

[J]. 地球信息科学学报, 2013155): 734-743.

[本文引用: 1]

Zheng Z TZhu W Q.

Uncertainty of Remote Sensing Data in Monitoring Vegetation Phenology: A Comparison of MODIS C5 and C6 Vegetation Index Products on the Tibetan Plateau

[J]. Remote Sensing, 201791288. doi:org/10.3390/rs 9121288.

[本文引用: 1]

Deng FChen J MPlummer Set al.

Algorithm for Global Leaf Area Index Retrieval Using Satellite Imagery

[J]. Geoscience and Remote Sensing, 2006448): 2219-2229.

[本文引用: 1]

KnyazikhinYMartonchik J VMyneni R Bet al.

Synergistic Algorithm for Estimating Vegetation Canopy Leaf Area Index and Fraction of Absorbed Photosynthetically Active Radiation from MODIS and MISR Data

[J]. Journal of Geophy-sical Research-Atmospheres. 1998103D24): 32257-32275.

[本文引用: 1]

Liu YLiu R GChen J M.

Retrospective Retrieval of Long-term Consistent Global Leaf Area Index (1981-2011) from Combined AVHRR and MODIS Data

[J]. Journal of Geophysical Research (Biogeosciences), 20121174003. doi:org/ 10.1029/202JG002094.

[本文引用: 2]

Xiao Z QLiang S LJiang B.

Evaluation of Four Long Time-series Global Leaf Area Index Products

[J]. Agricultural and Forest Meteorology, 2017246218-230.

[本文引用: 3]

Zhu Z CBi JPan Y Zet al.

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

[J]. Remote Sensing, 20135927-948.

[本文引用: 1]

Xiao Z QLiang S LWang J Det al.

Long-Time-Series Global Land Surface Satellite Leaf Area Index Product Derived from MODIS and AVHRR Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016549): 5301-5318.

[本文引用: 2]

Peng FeiSun Guodong.

Variation of Leaf Area Index in China from 1982 to 1999 and Its Relationship with Climate Change

[J]. Climatic and Enviromental Research, 2017222): 162-176.

[本文引用: 1]

彭飞孙国栋.

1982~1999年中国地区叶面积指数变化及其与气候变化的关系

[J]. 气候与环境研究, 2017222): 162-176.

[本文引用: 1]

Liang X YZhang TLu X Ket al.

Global Response Patterns of Plant Photosynthesis to Nitrogen Addition: A Meta‐analysis

[J]. Global Change Biology, 2020266): 3585-3600.

[本文引用: 1]

Reygadas YJensen J L RMoisen G Get al.

Assessing the Relationship between Vegetation Greenness and Surface Temperature Through Granger Causality and Impulse-Response Coefficients: A Case Study in Mexico

[J]. International Journal of Remote Sensing, 20204110): 3761-3783.

[本文引用: 1]

Zhu Z CPiao S LMyneni Ret al.

Greening of the Earth and Its Drivers

[J]. Nature Climate Change, 201668): 791-795.

[本文引用: 1]

Yuan W PZhen YPiao S Let al.

Increased Atmospheric Vapor Pressure Deficit Reduces Global Vegetation Growth

[J]. Science Advances, 201958): 1396. doi:org/10.1126/ siadv.aax1396.

[本文引用: 1]

Zhang Y LSong C HBand Let al.

Reanalysis of Global Terrestrial Vegetation Trends from MODIS Products: Browning or Greening

[J]. Remote Sensing of Environment, 2017191145-155.

[本文引用: 2]

Lyapustin AWang YXiong Xet al.

Scientific Impact of MODIS C5 Calibration Degradation and C6 + Improvements

[J]. Atmospheric Measurement Techniques, 2014712):4353-4365.

[本文引用: 2]

Wang DMorton DMasek Jet al.

Impact of Sensor Degradation on the MODIS NDVI Time Series

[J]. Remote Sensing of Environment, 201211955-61.

[本文引用: 2]

Piao S LSitch SCiais Pet al.

Evaluation of Terrestrial Carbon Cycle Models for Their Response to Climate Variability and to CO2 Trends

[J]. Global change biology, 2013197): 2117-2132.

[本文引用: 2]

Xiao ZLiang SWang Jet al.

Use of General Regression Neural Networks for Generating the GLASS Leaf Area Index Product from Time-series MODIS Surface Reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 201452209-223.

[本文引用: 2]

Chen CPark TWang X Het al.

China and India Lead in Greening of the World Through Land-use Management

[J]. Nature Sustainability, 201922): 122-129.

[本文引用: 2]

Piao S LWang X HPark Tet al.

Characteristics, Drivers and Feedbacks of Global Greening

[J]. Nature Reviews Earth & Environment, 2020114-27.

[本文引用: 2]

Chen Y Z Chen L YCheng Yet al.

Afforestation Promotes the Enhancement of Forest LAI and NPP in China

[J]. Forest Ecology and Management, 2020462117990.

[本文引用: 1]

Wang FengYang DongkaiLi Weiqianget al.

GNSS-R Delay Mapping Processing Method based on Block Averaging Pre-processin

[J]. Journal of Beijing University of Aeronautics and Astronautics, 20154110): 1943-1949.

[本文引用: 1]

王峰杨东凯李伟强.

基于块平均预处理的GNSS-R延迟映射处理方法

[J]. 北京航空航天大学学报, 20154110):1943-1949.

[本文引用: 1]

Liu FeiWu LimeiChen Lichunet al.

Gis-based Analysis of Temperature Change Trend and Abrupt Change in China in the Past 60 Years

[J]. 20156): 74-78.

刘飞

武丽梅, 陈礼春, .

基于GIS的全国近60年来气温变化趋势及突变分析

[J]. 农业科技与信息, 20156): 74-78.

[本文引用: 1]

Ma PeipeiLi JingLiu Qinhuoet al.

Multisensor Synergistic Quantitative Leaf Area Index Product of China

[J]. Journal of Remote Sensing, 2019236): 12321252.

[本文引用: 2]

马培培李静柳钦火.

中国区域MuSyQ叶面积指数产品验证与分析

[J]. 遥感学报, 2019236): 1232-1252.

[本文引用: 2]

Huang JianxiWang JialiHuang Ranet al.

Forecasting of Regional Maize Maturity Using Accumulated Temperature-Solar Radiation Model and Leaf Area Index Integral Area Model

[J]. Journal of Agricultural Machinery, 20195012): 133-143.

[本文引用: 1]

黄健熙王佳丽黄然.

基于积温—辐射与LAI积分面积模型的玉米成熟期预测

[J]. 农业机械学报, 20195012): 133-143.

[本文引用: 1]

Luo YuezhengPan YayingZhou Yu.

Discrepancies of Satellite-derived Leaf Area Index Products in Zhejiang Province

[J]. Research of Agricultural Modernization, 2019405): 851-861.

[本文引用: 1]

骆月珍潘娅英周玉.

不同叶面积指数遥感产品在浙江省的差异比较研究

[J].农业现代化研究, 2019405): 851-861.

[本文引用: 1]

Liang BoyiLiu SuhongQu Yinget al.

Changes in the Amazon Rainforest from 1982 to 2012 Using GLASS LAI Data

[J]. Journal of Remote Sensing, 2016201): 149-156.

梁博毅刘素红瞿瑛.

利用GLASS LAI数据分析1982—2012年亚马逊热带雨林变化

[J]. 遥感学报,2016201): 149-156.

Li ZhengBo YanchenHe Yaqianet al.

Comparison of Natural Vegetation Phenology Metrics from Remote Sensing LAI Products

[J]. Remote Sensing Technology and Application, 2015306): 1103-1112.

[本文引用: 1]

李铮柏延臣何亚倩.

遥感叶面积指数产品提取自然植被物候期对比

[J]. 遥感技术与应用,2015306): 1103-1112.

[本文引用: 1]

/