植被物候是指植被在生长过程中受气候和其他驱动因素影响而发生的发芽、展叶、开花、落叶等周期性现象^［1］，能够体现植被物候参数在非生物环境之间相互作用的规律^［2-3］。通过控制植被的季节性变化和光合作用等生理功能，植被物候会影响生态系统的结构和功能^［4-5］，从而影响气候变化。所以，监测植被物候变化至关重要。中国东北植被丰富多样，对气候变化敏感。因此，对该地区植被物候进行研究，对于了解物候对气候变化的响应具有重要意义。

卫星遥感数据能够在多种尺度上提供植被物候的有效信息，已经成为监测地表植被物候的有效手段。然而传统植被指数^［6-7］，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强型植被指数（Enhanced Vegetation Index，EVI）和叶面积指数（Leaf Area Index，LAI）等由于受到积雪、裸岩的影响，导致难以准确对植被冠层绿度进行捕捉，不能追踪实际的光合作用变化。作为植被指数的补充，日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）在空间上为监测植被功能提供了新的可能性。SIF数据是指植被在光照条件下，通过光合作用发射出波长为650~800 nm的光谱信号，在红光波段（690 nm左右）和近红外波段（740 nm左右）有两个波峰，该数据对大气和云散射均不敏感，可以直接反映出植被进行光合作用的动态变化^［8］，因此SIF与传统植被指数相比具有更强的生理基础。随着GOSAT、GOME-2和OCO-2等观测卫星的不断发展，使得在全球范围内进行SIF数据反演及监测植被物候研究成为了可能。然而目前基于SIF数据的研究主要集中在SIF与GPP之间的一致性分析和生长季SIF与其他指标的比较^［9-10］，而不是用SIF数据计算植被物候值。此外，以往的研究^［11］主要在全球范围内和较大的研究区域进行的，随着空间分辨率的变化，SIF与植被指数之间的关系也相应发生变化。

随着全球气温的升高，北半球高纬度地区的植被物候呈现出返青期提前、枯黄期推迟的趋势，且由于非生物因素（气温、降水、相对湿度等）的胁迫，导致植被物候变化呈现出复杂的时空格局。中国东北位于中高纬度地区，植被覆盖度高，对气候变化高度敏感，是研究植被生长和物候变化的理想区域。因此，本文以东北地区为研究对象，利用SIF数据估算东北地区2001~2020年植被物候期，重点探讨以下问题：①在气候变化背景下植被物候期的时空格局分布规律；②不同植被类型物候期的变化规律；③植被物候期变化的主要驱动力。本文通过SIF数据在监测植被进行光合作用物候的潜力、探索植被物候的环境影响机制具有积极意义。

中国东北地区位于115°05'~135°02' E、38°40'~53°34' N之间，地形地貌复杂，行政区划包括黑、吉、辽三省以及内蒙古中东部地区。研究区属于温带大陆性季风气候，夏季温热多雨，冬季寒冷干燥。植被类型丰富多样，根据地形和水热条件的空间差异，将该区域植被类型主要分为以下7种^［12］：栽培植被（中部平原和东部三江平原）、灌丛、草丛（零星分布在西南部）、草原（呼伦贝尔草原和大兴安岭南部）、草甸（中东部）、针叶林（大兴安岭北部）、阔叶林（小兴安岭和长白山）以及针阔叶混交林（零星分布在小兴安岭和长白山）。

本研究以2001~2020年长时间序列数据集^［13］Global“OCO-2”SIF（GOSIF）（http：//globalecology.unh.edu）为主要数据源，空间分辨率为0.05°，时间分辨率为8 d。太阳诱导的叶绿素荧光主要是通过离散的OCO-2 SIF数据，MODIS表面反射数据和气象再分析数据的数据驱动模型计算获取^{［14， 15］}。该产品在表征地表植被动态变化上优于传统植被指数。

采用2001~2020年气候数据分析气候因子对东北地区植被物候的影响，包括气温（Temperature，Temp）、降水（Precipitation，Prcp）和空气相对湿度（Relative Humidity，RH）。其中气温和降水数据来源于国家青藏高原科学数据中心^［16-19］（http：∥data.tpdc.ac.cn/zh-hans/）所提供的逐月降水数据集^［20］和平均气温数据集^［21］。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。并且使用496个独立气象观测点数据进行验证，验证结果可信。空气相对湿度数据来源于国家科技基础条件平台-国家地球系统科学数据中心（http：∥www.geodata.cn/）提供的1 km逐月平均相对湿度数据集。

对SIF时间序列去除噪声和异常值可以使用来反演植被物候的SIF数据集精度更高，结果更加可靠。本文基于TIMESAT3.3中S-G滤波、A-G函数拟合和D-L拟合3种滤波方法分别对东北地区2001~2020年SIF时间序列曲线进行拟合，发现D-L拟合效果与原始曲线最为贴近，且对植被生长峰值的重建效果最好。因此实验选用D-L拟合法重建SIF时间序列。

结合曲线拟合特征，本文将植被返青期设置在曲线左侧的10%处^［22］，枯黄期设置在曲线右侧的50%处^［23］，并基于TIMESAT3.3利用动态阈值法对东北地区植被进行物候提取，主要选择植被返青期、枯黄期、生长季长度及生长峰值作为研究区物候提取的判别参数，由此得到东北地区2001~2020年植被物候参数。

采用一元线性回归来分析东北地区植被物候参数的时序变化趋势，计算公式如下：

其中：i表示年份，n表示样本数（n=20），yi表示第i年的植被物候参数值。若Slope<0，则物候呈提前（缩短）趋势；若Slope>0，则物候呈延迟（增加）趋势。

变量之间的相关程度通常用相关系数R来表示。本文采用Spearman相关系数研究像元尺度上植被物候参数与气象因素（平均温度、降水和土壤湿度）之间的相关性，计算公式如下：

其中：n表示年份（n=20）；xi和yi表示进行相关分析的变量，x¯和y¯表示变量的平均值。

R的取值范围为［-1，1］。若R>0，则说明变量之间呈正相关关系，即一个变量会随着另一个变量的增大而增大。若R<0，说明二者呈负相关。

变异系数（Coefficient of Variation， CV）是衡量植被物候参数稳定性指标，能够在空间尺度上描述数据的相对波动。本文基于像元尺度分析研究区2001~2020年研究区物候参数的波动情况，计算公式如下：

其中：δ是研究区2001~2020年植被物候参数的标准方差；x¯是2001~2020年植被物候参数的平均值。

为定量分析东北地区2001~2020年植被物候参数的波动情况，本文将CV划分为5个等级来表示植被物候参数的稳定情况：低波动（CV<0.05），相对低波动（0.05≤CV<0.10），中等波动（0.10≤CV<0.15），相对高波动（0.15≤CV<0.20），高波动（CV≥0.20）。

Hurst指数H是定量描述长程依赖性的主要方法之一，在水文、气候、地震和地质等方面应用广泛。本研究采用R/S分析法逐像元计算东北地区植被物候的变化趋势，反映其变化趋势的持续性。

H值的取值范围介于［0， 1］之间，根据H数值的大小可以判断植被物候持续性的强弱。H的取值一般分为以下3种形式：

（1）当0.5<H<1时，表明东北地区植被物候时间序列呈现出正向持续性的时间序列集；

（2）当H=0.5时，表明东北地区植被物候时间序列为随机序列；

（3）当0<H<0.5时，表明东北地区植被物候时间序列呈现出反向持续性的时间序列。

在此基础上，本文将东北地区植被物候时间序列的H值划分为4种类型：强反向持续性（0.15≤H<0.35）；弱反向持续性（0.35≤H<0.5）；弱正向持续性（0.5<H<0.65）和强正向持续性（H≥0.65）。

研究对东北地区2001~2020年植被物候参数多年均值及变化趋势的空间特征进行分析（图3、图4）。结果表明：植被返青期主要集中在第113~177 d，其中在中部松嫩平原、辽河平原和东部三江平原地区的SOS要晚于其他地区，长白山植被SOS发生时间最早。整体上研究区植被SOS呈现出提前的趋势，仅有三江平原、呼伦贝尔草原和中部少数地区植被的发展趋势是推迟的。

植被枯黄期主要集中在第239~270 d，随着纬度升高，植被EOS发生时间逐渐提前。从变化趋势来看，除大兴安岭北部表现为提前趋势外，其余地区均表现为延迟的发展趋势。

植被生长季长度主要集中在第75~155 d之间，其中中部平原地区植被LOS较短，东部及南部的植被的LOS较长。整体上研究区除大兴安岭北部表现为减少趋势外，其他地区植被的LOS均呈现出增加的趋势。

植被生长峰值主要集中在第189~230 d，其中中部平原地区、西部呼伦贝草原和东部三江平原植被峰值时间较晚。且除呼伦贝尔草原峰值时间推迟以外，其余地区植被的峰值时间均表现为提前趋势。

将2001~2020年东北地区不同植被类型物候期的长时序变化进行分析，得到20 a物候期变化趋势（图5）及拟合值（表1）。结果表明，2001~2020年东北地区所有植被类型的返青期均呈提前趋势，但趋势不一。其中草丛返青期的提前趋势最为显著，提前速率为0.603 d/a，草甸和针阔叶混交林呈微弱的提前趋势，提前速率分别为0.153、0.151 d/a。整体上栽培植被和草甸的返青期较晚。

栽培植被、灌丛、草丛和草原的枯黄期呈推迟趋势，其中草丛推迟趋势最为明显，延迟速率为0.592 d/a；草甸、针叶林、阔叶林枯黄期呈微弱的提前趋势，针叶林提前趋势较为显著，提前速率为0.265 d/a，20年来共提前了5.3 d。

除针叶林外，所有的植被类型的生长季长度均表现为延长趋势，主要由于植被返青期提前、枯黄期推迟导致生长季长度增加。针叶林生长季长度呈微弱的缩短趋势，变化速率仅为0.097 d/a。

草丛和草原的生长峰值时间呈延迟趋势，且草原的推迟趋势略微显著，变化速率分别为0.181、0.016 5 d/a；其余植被的生长峰值时间均呈提前趋势，其中针叶林、阔叶林和针阔叶混交林提前趋势最为显著，提前速率分别为0.321、0.188、0.134 d/a。

研究利用变异系数（CV）分析研究区2001~2020年植被物候参数的波动情况（图6）。研究区植被SOS平均变异系数为0.054，由西向东呈现出逐渐趋稳的态势。其中低波动占整体的63.1%，分布广泛，中等波动主要分布在呼伦贝尔草原与大兴安岭交界处及研究区西南部；而高波动和相对高波动集中分布在呼伦贝尔草原，零星分布在辽河平原。

植被EOS与POP主要表现为低波动，像元占比分别为97.6%和93.3%，平均变异系数为0.021和0.026，说明植被EOS和POP近20年变化非常稳定。

植被LOS平均变异系数为0.084，其中低波动占29.9%，相对低波动占45.9%，整体变化相对稳定。低波动和相对低波动主要分布在大兴安岭北部、小兴安岭、三江平原和长白山，中等波动主要分布在中部平原地区，相对高波动和高波动主要分布在呼伦贝尔草原，少数分布在中部平原。

为分析东北地区植被物候的未来变化趋势，本文采用R/S分析法，基于像元尺度计算2001~2020年植被物候参数的Hurst指数（图7）。植被返青期、枯黄期、生长季长度和生长峰值的H值主要介于0.35~0.5之间，像元占比分别为60.8%、58.8%、61.3%和59.3%，几乎遍布整个东北地区，进一步说明研究区大面积植被SOS、EOS、LOS和POP的变化趋势与过去相反，将呈现微弱延迟、提前、缩短和延长的趋势。

植被物候参数H值介于0.5~0.65的像元占比分别为27.5%、26.8%、26.4%和22%，其中植被SOS主要分布在研究区中东部且较为分散，植被EOS主要分布在大兴安岭北部和小兴安岭，LOS零星分布在大小兴安岭、中部平原，POP则集中分布在小兴安岭、中部平原以及三江平原和长白山的交界处。这表明这些区域未来植被物候参数变化趋势分别延续过去的变化状态，分别呈提前、推迟、增加和提前的趋势。

基于Slope值和Hurst指数对东北地区2001~2020年植被物候变化趋势的持续性进行分析（图8、图9）。可以看出，植被SOS呈提前—弱反向持续性（AT-SAS）的区域最大，面积占比为52.6%，均匀分布在整个东北地区；其次是提前—弱正向持续性（AT-SS），面积占比为20.4%，主要分布在小兴安岭和长白山。

植被EOS呈延迟—弱反向持续性（DT-SAS）的区域最大，面积占比为35.8%，主要分布在呼伦贝尔草原、研究区中部和南部；呈提前—弱反向持续性（AT-SAS）面积占比为21.8%，主要分布在大兴安岭北部、三江平原和长白山。

植被LOS以延长—弱反向持续性（DT-SAS）变化为主，面积占比为42.8%，分布在整个东北地区（大兴安岭北部除外）；呈提前—弱反向持续性（AT-SAS）的面积占比为18.6%，主要分布在研究区中部和北部。

植被POP以提前—弱反向持续性（AT-SAS）为主，面积占比为43.3%，分布在整个东北地区（呼伦贝尔草原除外）；呈提前—弱正向持续性（AT-SS）变化的区域面积占比为15.7%，主要分布在呼伦贝尔草原、辽河平原和大兴安岭的交界处以及长白山地区。

研究对东北地区气候因素（气温、降水和相对湿度）多年空间变化进行分析。可以看出，2001~2020年东北地区年均气温在-5.90~12.22 ℃之间，整体呈现出随纬度升高、气温降低的地理分布格局；年均降水量为140.48~872.75 mm，自西向东呈现出依次增加的空间格局；年均相对湿度为34.91%~80.42%，随海拔升高，相对湿度呈逐渐升高的空间分布格局。

利用Spearman相关分析法对东北地区植被SOS与气温、降水和相对湿度进行逐像元分析，得到其相关系数空间分布图（图11）。与气温的相关分析显示，2001~2020年植被SOS与气温的平均相关系数为-0.13，以负相关为主，即SOS随着气温的升高而提前。其中，呈正相关的像元占比为31.7%，主要分布在呼伦贝尔草原、大兴安岭北部部分地区和中部平原，该区域植被SOS随气温的升高呈延迟趋势；负相关像元占比为68.3%，其中长白山南部植被SOS与气温呈显著负相关，该区域SOS随气温的升高呈提前趋势。

与降水的相关分析显示，植被SOS与降水的平均相关系数为0.05，整体上呈微弱正相关；其中正相关像元占比为57.5%，负相关像元占比为42.5%，在空间上二者分布比较均匀。正相关区域主要分布在呼伦贝尔草原西部、中部平原和长白山南部，即降水增加导致SOS延迟，其中SOS与气温在长白山南部正相关关系较为显著；负相关区域主要分布在大兴安岭北部、研究区中东部和长白山北部，即降水增加会促使该区域植被SOS呈提前趋势。

与相对湿度的相关分析显示，植被SOS与相对湿度的平均相关系数为-0.04，整体上呈微弱负相关，其中正相关像元占比为43.5%，分布区域相对分散；负相关像元占比为56.5%，以微弱负相关为主。

可以看出，植被SOS对气温整体上表现为负相关关系，与降水和相对湿度整体上表现出微弱的正相关性和负相关性，即气温升高，降水减少和相对湿度上升会使研究区植被SOS整体呈提前趋势，其中在长白山南部植被SOS与气温表现为显著的负相关，与降水表现为显著正相关。

利用Spearman相关分析法对东北地区植被EOS与气温、降水和相对湿度进行逐像元分析，得到其相关系数空间分布图（图12）。与气温的相关分析显示，植被EOS与气温的平均相关系数为0.12，整体上以正相关性为主，像元占比为62%，主要分布在呼伦贝尔草原、大兴安岭南部、中部平原和三江平原，即气温升高会导致植被EOS呈延迟趋势。

与降水的相关分析显示，植被EOS与降水正负相关性较为均衡，其中正相关像元占比48.7%，负相关像元占比51.3%。正相关区域主要集中在大兴安岭南部、辽河平原、松嫩平原北部以及长白山和三江平原的交界处，说明降水增加促使植被EOS延迟；负相关区域主要集中在大兴安岭北部、松嫩平原南部、小兴安岭和长白山东部，表明降水增加使该区域EOS提前，其中在大兴安岭北部植被EOS与降水呈显著负相关。

与相对湿度的相关分析显示，植被EOS与相对湿度的平均相关系数为-0.1，整体上以负相关为主，像元占比为62.7%，表明相对湿度升高，植被EOS提前。

可以看出，气温对植被EOS影响机制与降水和相对湿度相反，即气温升高导致植被EOS提前（延迟），降水和相对湿度增加会导致EOS延迟（提前）。

利用Spearman相关分析法对东北地区植被LOS与气温、降水和相对湿度进行逐像元分析，得到其相关系数空间分布图（图13）。与气温的相关分析显示，植被LOS与气温的平均相关系数为0.16，整体以正相关关系为主，像元占比73.2%，表明大部分地区植被生长季会随着气温的升高而延长。

与降水的相关分析显示，植被LOS与降水的正负相关性较为均衡，其中正相关像元占比46.2%，负相关像元占比53.8%。正相关区域主要分布在大兴安岭南部、辽河平原、松嫩平原与长白山的交界处，即降水增加，LOS延长；大兴安岭北部和长白山南部负相关性最为显著。

与相对湿度的分析显示，植被LOS与相对湿度的正负相关性相差较小，像元占比分别为47.2%、52.8%。研究区由内向外逐渐形成正相关性到负相关性的变化。

可以看出，大部分区域植被LOS与气温呈正相关关系，LOS与降水和相对湿度正负相关性整体较为均衡，在长白山南部与降水呈显著负相关。

利用Spearman相关分析法对东北地区植被POP与气温、降水和相对湿度进行逐像元分析，得到其相关系数空间分布图（图14）。与气温的相关分析显示，植被POP与气温正负相关性空间分布相对均衡，其中正相关性像元占比47%，负相关像元占比53%。正相关区域主要集中在呼伦贝尔草原、大兴安岭和中部平原，气温升高促使POP提前，其他地区基本上表现为负相关性。

与降水的相关分析显示，植被POP与降水的正负相关性在空间分布上较为均匀，像元占比分别为52.4%、47.6%。正相关区域集中分布在呼伦贝尔草原、大兴安岭南部、辽河平原、松嫩平原和小兴安岭交界处及长白山，其他地区则表现为负相关性。

与相对湿度的相关分析显示，植被POP与相对湿度以负相关为主，像元占比为83.2%，表明相对湿度增加使峰值日期提前。负相关区域几乎遍布整个东北地区，其中在大兴安岭和小兴安岭的交界处的植被负相关关系最为显著。

可以看出，与气温和降水相比，植被POP与相对湿度的负相关性更加显著，POP与气温和降水的相关性较为均衡。

研究使用的GOSIF数据集是通过机器学习方法模拟的SIF产品，SIF可以直接反映出植被进行光合作用的进程，与根据植被绿度来反映植被生长特征的植被指数相比，SIF能更好地反映出植被真实的生长状态。

为探究利用GOSIF数据集分析东北地区植被物候变化结果是否可靠，本研究选取2001~2015年GIMMS NDVI3g和MODIS时间序列数据，拟合其生长曲线，与SIF的结果进行对比验证（图14）。可以看出，GOSIF与植被指数的曲线形态差别较大，SIF生长曲线大约在5月初进入植被返青期，9月末结束生长进入枯黄期，植被生长开始时间明显晚于GIMMS和MODIS数据，且较早结束，从而导致LOS_SIF要短于LOS_GIMMS和LOS_NDVI。对青藏高原物候研究^［24］表明SIF生长峰值大约出现在6月初，GIMMS峰值大约出现在7~9月。实验中SIF峰值大约出现在7月初，GIMMS峰值大约出现在8月初，与青藏高原物候的研究存在一定的相似性，即SIF要早于GIMMS达到植被生长峰值水平。同时有研究^［25］在北美中高纬度地区利用MODIS数据与SIF反演的物候进行对比，研究结果与本文具有高度一致性，即SIF在4月中旬迅速增长，6月末达到峰值，7月中旬植被生长开始缓慢下降，进入枯黄期并逐渐快速衰老。

SIF数据的EOS要早于传统植被指数，反映出植被绿度变化指数的共有问题，原因在于植被进入枯黄期后，植被进行光合作用的能力大幅减弱，但是植被叶片绿度不会发生迅速下降，而是一个逐渐变化的过程，且卫星信号通常会受到叶片衰老但未凋落的影响，所以，相对于SIF数据，传统植被指数反演的枯黄期具有一定的滞后性。因此，利用SIF数据分析东北地区植被物候变化具有一定的可靠性。

气温是植被生长的基本需求，在植被生长发育过程中扮演着重要作用。但是植被大部分能源是通过太阳光进行光合作用获得的^［26］，以往的研究也表明太阳辐射对物候的重要性，即光周期较长可以通过延长秋季物候和增加生长时间，进而延长了植被的生长季长度^［27］。植被需要足够的冷却积累才可以进入冬季休眠阶段，需要足够的太阳辐射来启动植被生长，然而冬季变暖会导致植被需要更长的时间进行冷却积累，从而延迟物候事件^［28-30］。因此，在研究植被物候对气候变化的响应机制时，应考虑太阳辐射对物候的影响。

本文通过SIF产品来追踪东北地区植被物候，主要存在空间分辨率方面的不确定性，本文采用的GOSIF数据空间分辨率较粗（0.05°×0.05°），在追踪物候方面存在一定的限制。但是已经有研究表明，与传统植被指数相比，GOSIF数据集可以更精确地评估植被的生长周期，在监测植被物候方面具有巨大的潜力^［31］。

实验以东北地区为研究对象，基于日光诱导叶绿素荧光数据利用动态阈值法提取研究区植被物候参数（返青期、枯黄期、生长季长度和生长峰值），对植被物候的时空变化特征及对气候因子的响应机制进行分析，得出以下结论：

（1）从整体上看，植被SOS集中在第113~177天，表现为提前趋势，年际波动较大；植被EOS主要集中在第239~270 d，主要呈延迟趋势；植被LOS集中在第77~155 d，植被POP集中在第189~230 d，分别呈延长和提前趋势。

（2）各植被类型中，栽培植被和草甸的SOS最晚，草丛SOS（EOS）的提前（延迟）趋势最为显著，变化速率为0.603、0.592 d/a；针叶林EOS的提前趋势最为显著，20 a中提前了5.3 d。除针叶林外，所有植被类型LOS均表现为延长趋势；草丛和草原POP呈延迟趋势，且前者的延迟趋势大于后者；针叶林、阔叶林和针阔叶混交林POP提前趋势最为显著。

（3）东北地区植被SOS平均变异系数为0.06，整体相对稳定，位于西部的呼伦贝尔草原稳定性较差；LOS平均变异系数为0.084，除呼伦贝尔草原和部分中部平原地区呈高波动外，其余地区LOS变化较为稳定；EOS和POP变异系数均小于0.05，近20年变化极其稳定。

（4）植被SOS、EOS、LOS和POP的H值主要介于0.35~0.5之间，整体变化趋势与过去相反，将会呈现出呈现微弱延迟、提前、缩短和延长的趋势。中东部植被SOS、大兴安岭北部和小兴安岭植被EOS、零星分布在大小兴安岭和中部平原的植被LOS以及东部和南部部分区域植被POP的H值介于0.5~0.65之间，这些区域未来植被物候参数变化趋势分别延续过去的变化状态，分别呈提前、推迟、增加和提前的趋势。

（5）东北地区气温、降水和相对湿度对植被物候有一定的影响，整体上植被SOS对气温主要呈现出负相关性，对降水和相对湿度分别表现为微弱的正相关性和负相关性，其中在长白山南部植被SOS与气温表现为显著负相关，与降水表现为显著正相关。气温对植被EOS的影响机制与降水和相对湿度相反，即气温升高导致植被EOS提前（延迟），降水和相对湿度增加会导致EOS延迟（提前）。植被LOS与气温呈正相关关系，LOS与降水和相对湿度正负相关性整体较为均衡，在长白山南部与降水呈显著负相关。植被POP与气温和相对湿度整体上均呈负相关关系，且相对湿度与其的负相关性更加显著，POP与降水的相关性较为均衡。