集成光化学反射指数与叶绿素荧光的光能利用率模型构建

Gross primary production (GPP) from photosynthesis by terrestrial vegetation is the single largest sink of atmospheric CO2. It dominates inter-annual net biome productivity and contributes most to uncertainties in current global vegetation models and thus carbon cycle projections. Light use efficiency (LUE) models have been widely used for estimation of GPP at the regional or global scale. However, the estimations of the two key input parameters of LUE model, i.e. LUE and absorbed photosynthetically active radiation (APAR), remain large uncertainties. Previous studies indicate that the photochemical reflectance index (PRI) can be used to estimate LUE and sun-induced fluorescence is a promising way to estimate APAR. However, there are many non-physiological factors, especially the instinct distinction between sunlit and shaded leaves, which impact the relationships between PRI/SIF and LUE/APAR. This study focuses on the observations of both carbon flux and canopy spectra at a coniferous forest site. The state-of-the-art LiDAR technology is used to determine the sunlit and shaded parts of the canopy, and then develop new algorithms for accurately estimating LUE and APAR with PRI and SIF, respectively. A new LUE model totally driven by remote sensing data will be developed. The outcomes of this study will be of scientific significance and practical values for improving the accuracy of input parameters of LUE model and reduce the uncertainty of GPP estimation.

陆地生态系统的总初级生产力（GPP）是全球陆地碳通量最大的组成部分，具有明显时空变化。光能利用率（LUE）模型已被广泛用于区域或全球尺度GPP的估算，但模型输入参数光能利用率(LUE)和植被吸收的光合有效辐射（APAR）的估算存在较大不确定性。研究表明，光化学反射指数(PRI)与LUE有较好关系，而日光诱导叶绿素荧光（SIF）与APAR关系密切；但PRI-LUE和SIF-APAR之间的关系随生态类型和环境因素差异明显，特别是冠层内部阳叶和阴叶的固有差别。本研究以江西千烟洲森林生态系统为研究对象，进行多角度高光谱和通量协同观测，以激光雷达技术（LiDAR）为手段，区分冠层阴叶和阳叶，构建区分阴阳叶后的冠层两叶PRI和SIF分别估算LUE和APAR的算法，进而构建完全由遥感数据驱动的LUE模型。成果对于提高LUE模型输入参数的精度、减小生态系统碳通量计算结果的不确定性具有重要意义和应用价值。

光能利用率（LUE）模型是利用遥感信息估算陆地生态系统的总初级生产力（GPP）的有效技术手段，但模型输入参数LUE和植被吸收的光合有效辐射（APAR）的设定存在较大的不确定性。光化学反射指数(PRI)与LUE关系紧密，而日光诱导叶绿素荧光（SIF）与APAR及光合作用过程密切相关，为利用遥感信号驱动LUE模型提供了基础。但也发现PRI-LUE和SIF-APAR之间的关系受到很多非生理因素的影响。本研究主要研究内容是利用多角度PRI和SIF观测，消除非生理因素对其的影响，构建PRI和SIF遥感驱动的LUE 模型。开发了可同步获取SIF和PRI的多角度光谱观测系统Multi-Fluo，利用可水平垂直旋转的云台，获得不同观测角度的冠层光谱。选取冠层高度较低的玉米-小麦轮作的农田为研究对象，进行多角度高光谱和通量协同观测，反演得到多角度PRI和SIF及通量数据集。利用几何光学模型理论，根据不同波段辐射传输特征的差异，对PRI和SIF分别构建了不同的区分阴阳叶的算法。对于PRI，以红光冠层反射率除以叶片反射率代表阳叶比例，继而估算两叶冠层PRI。对于SIF，首先估算不同观测角度阴叶和阳叶叶面积指数，并分别订正角度对红光荧光和远红光荧光的影响。以玉米为例，发现长时间尺度PRI与LUE相关性更高，而区分阴阳叶估算两叶PRI有利于提高二者相关性，可利用季节尺度观测的数据构建LUE估算模型。明晰了玉米的近红外SIF描述植被GPP和APAR的日变化和季节变化的能力，而SIF量子效率与LUE的关系在不同生长阶段存在较大差异，表明二者关系主要受结构因素的影响，进一步证明SIF应用时需要考虑结构的影响。分析订正后冠层阳叶SIF和冠层总SIF与生态系统初级生产力关系的变化，证明了角度订正对提升SIF估算生产力精度的有效性。对比多角度观测的小麦和天顶观测的山毛榉两种植被SIF和PRI组合驱动LUE模型模拟GPP精度发现，结构和生理的差异对遥感信号模拟不同生态系统GPP影响较大。获取更长时间序列和更多生态系统的观测数据进行分析，可为更好的拓展利用全遥感数据驱动LUE模型模拟GPP的研究提供更坚实的依据。