近30 a中国叶面积指数变化趋势的不确定性评估
1.
2.
Uncertainty Assessment of the Trend of China's Leaf Area Index in the Past 30 Years
1.
2.
通讯作者:
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: |
|
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:
关键词:
Keywords:
本文引用格式
桑宇星, 刘刚, 江聪, 任舒艳, 朱再春.
Sang Yuxing, Liu Gang, Jiang Cong, Ren Shuyan, Zhu Zaichun.
1 引 言
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。
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
数据集 | 版本 | 驱动数据 | 空间分辨率 | 时间分辨率 | 覆盖时间 |
---|---|---|---|---|---|
MODIS | MOD15A2(C5) | MODIS地表反射率(C5) | 1 km | 8天 | 2000~2013 |
MCD15A3H(C6) | MODIS地表反射率(C6) | 500 m | 4天 | 2003~2018 | |
GLOBMAP | V1 | GIMMS NDVI&MODIS地表反射率(C5) | 1/12°&0.05° | 半月&8天 | 1982~2011 |
V3 | GIMMS NDVI&MODIS地表反射率(C6) | 1/12°&0.05° | 半月&8天 | 1982~2016 | |
GLASS | V3 | LTDR地表反射率&MODIS地表反射率(C5) | 0.05° | 8天 | 1982~2011 |
V4 | LTDR地表反射率&MODIS地表反射率(C5) | 0.05° | 8天 | 1982~2015 | |
GIMMS3g | V2 | GIMMS NDVI | 1/12° | 8天 | 1982~2015 |
V4 | GIMMS NDVI | 1/12° | 8天 | 1982~2015 |
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
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
表2 中国生长季LAI趋势及波动对比 (趋势:(10-3m2/m2·a))
Table2
年份 | MODIS | GLOBMAP | GLASS | GIMMS | LAI均值 | |
---|---|---|---|---|---|---|
1982~2000 | LAIFVa趋势 | - | 1.9±0.6* | 10.5±2.6* | 6.5±2.6 | 6.5±1.4* |
LAILV趋势 | - | 1.8±1.3 | 7.8±2.9* | 5.6±1.4* | 5.2±1.5* | |
年际波动R2 | - | 0.7 | 0.8 | 0.9 | 0.9 | |
2000~2011/2000~2015b | LAIFV趋势 | 3.0±3.2 | 2.9±2.9 | 6.3±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R2 | 0.79a | 0.4 | 0.9 | 0.8 | 0.8 | |
1982~2011/1982~2015 | LAIFV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 | - | 0.3 | 0.9 | 0.9 | 0.9 |
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
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[10,20],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[22,26]。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[8,28-30],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
Research and Application Advances in Leaf area Index(LAI)
[J]. ,
叶面积指数的研究和应用进展
[J]. ,
Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat1
[J]. ,
Current Status and Perspectives of Leaf Area Index Retrieval from Optical Remote Sensing Data
[J]. ,
叶面积指数遥感反演研究进展与展望
[J]. ,
Uncertainty of Remote Sensing Data in Monitoring Vegetation Phenology: A Comparison of MODIS C5 and C6 Vegetation Index Products on the Tibetan Plateau
[J]. ,
Algorithm for Global Leaf Area Index Retrieval Using Satellite Imagery
[J]. ,
Synergistic Algorithm for Estimating Vegetation Canopy Leaf Area Index and Fraction of Absorbed Photosynthetically Active Radiation from MODIS and MISR Data
[J]. .
Retrospective Retrieval of Long-term Consistent Global Leaf Area Index (1981-2011) from Combined AVHRR and MODIS Data
[J]. ,
Evaluation of Four Long Time-series Global Leaf Area Index Products
[J]. ,
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]. ,
Long-Time-Series Global Land Surface Satellite Leaf Area Index Product Derived from MODIS and AVHRR Surface Reflectance
[J]. ,
Variation of Leaf Area Index in China from 1982 to 1999 and Its Relationship with Climate Change
[J]. ,
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]. ,
Global Response Patterns of Plant Photosynthesis to Nitrogen Addition: A Meta‐analysis
[J]. ,
Assessing the Relationship between Vegetation Greenness and Surface Temperature Through Granger Causality and Impulse-Response Coefficients: A Case Study in Mexico
[J]. ,
Greening of the Earth and Its Drivers
[J]. ,
Increased Atmospheric Vapor Pressure Deficit Reduces Global Vegetation Growth
[J]. ,
Reanalysis of Global Terrestrial Vegetation Trends from MODIS Products: Browning or Greening
[J]. ,
Scientific Impact of MODIS C5 Calibration Degradation and C6 + Improvements
[J]. ,
Impact of Sensor Degradation on the MODIS NDVI Time Series
[J]. ,
Evaluation of Terrestrial Carbon Cycle Models for Their Response to Climate Variability and to CO2 Trends
[J]. ,
Use of General Regression Neural Networks for Generating the GLASS Leaf Area Index Product from Time-series MODIS Surface Reflectance
[J]. ,
China and India Lead in Greening of the World Through Land-use Management
[J]. ,
Characteristics, Drivers and Feedbacks of Global Greening
[J]. ,
Afforestation Promotes the Enhancement of Forest LAI and NPP in China
[J]. ,
GNSS-R Delay Mapping Processing Method based on Block Averaging Pre-processin
[J]. ,
基于块平均预处理的GNSS-R延迟映射处理方法
[J]. ,
Gis-based Analysis of Temperature Change Trend and Abrupt Change in China in the Past 60 Years
[J].刘飞
, ,基于GIS的全国近60年来气温变化趋势及突变分析
[J]. ,
Multisensor Synergistic Quantitative Leaf Area Index Product of China
[J]. ,
中国区域MuSyQ叶面积指数产品验证与分析
[J]. ,
Forecasting of Regional Maize Maturity Using Accumulated Temperature-Solar Radiation Model and Leaf Area Index Integral Area Model
[J]. ,
基于积温—辐射与LAI积分面积模型的玉米成熟期预测
[J]. ,
Discrepancies of Satellite-derived Leaf Area Index Products in Zhejiang Province
[J]. ,
不同叶面积指数遥感产品在浙江省的差异比较研究
[J].,
Changes in the Amazon Rainforest from 1982 to 2012 Using GLASS LAI Data
[J]. ,
利用GLASS LAI数据分析1982—2012年亚马逊热带雨林变化
[J]. ,
/
〈 | 〉 |