2017, Vol. 37文章信息
- 梁守真, 隋学艳, 侯学会, 王猛, 姚慧敏, 马万栋
- LIANG Shouzhen, SUI Xueyan, HOU Xuehui, WANG Meng, YAO Huimin, MA Wandong.
- 落叶阔叶林冠层光合有效辐射分量的遥感模拟与分析
- Simulation and analysis on green fraction of absorbed photosynthetically active radiation of deciduous broadleaved forests canopy through remote sensing model
- 生态学报. 2017, 37(10): 3415-3424
- Acta Ecologica Sinica. 2017, 37(10): 3415-3424
- http://dx.doi.org/10.5846/stxb201603080405
-
文章历史
- 收稿日期: 2016-03-08
- 网络出版日期: 2017-02-17
2. 中国科学院深圳先进技术研究院, 深圳 518055;
3. 环境保护部卫星环境应用中心, 北京 100094
2. Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China;
3. Satellite Environment Center, Ministry of Environmental Protection, Beijing 100094, China
光合有效辐射吸收分量FPAR (Fraction of Absorbed Photosynthetically Active Radiation) 是指植被吸收的光合有效辐射PAR (Photosynthetically Active Radiation) 在入射PAR中所占的比例。它表征了植被冠层对太阳光能的截获、吸收能力, 是陆地碳循环研究中的一个重要参数[1-2]。植被冠层FPAR主要通过两种途径获取：地面定位观测和基于遥感数据的反演[3]。相对于地面定位观测, 遥感可同步获取不同位置的FPAR, 时空性好, 是当前获取区域、全球尺度FPAR的唯一可行手段。目前FPAR遥感反演研究的重点在于如何提高反演精度, 使其能真正反映植被吸收太阳辐射、进行光合作用的能力[4]。
植被冠层由叶片和木本组织组成, 按照能否进行光合作用, 可分为光合组分PAV (Photosynthetically Active Vegetation, 绿色叶片) 和非光合组分NPV (Non-Photosynthetically Active Vegetation, 如树枝等木本部分)[5-7]。NPV与PAV无论是组织结构还是辐射特性, 都显著不同[8]。光合组分吸收PAR进行光合作用, 对生物量的累积起着关键作用；非光合组分也吸收PAR, 但它并不进行光合作用, 或者即使能进行光合作用也只是对其呼吸释放碳的再固定, 其光合作用并不增加生态系统的总初级生产力GPP[9-12]。森林冠层中正确估算冠层有效的PAR, 需要区分来自不同组分的PAR, 提取冠层PAV的FPAR (FPARPAV), 即绿色FPAR。在早期的研究中, 草地绿色FPAR被描述为绿色生物量占总生物量的比例与冠层总FPAR的乘积, 通过计算绿色生物量的比率计算绿色FPAR[13]。但是森林冠层比草地复杂, 冠层NPV和PAV分离困难, 因此, 其绿色FPAR的研究多采用辐射传输模型模拟和实验室测量的方法[7-8, 14]。Xiao等将森林冠层绿色FPAR描述为增强型植被指数EVI (Enhanced Vegetation Index) 的线性函数, 但是并未从机理上给出两者之间的定量关系, 因此Xiao等认为需要进一步研究绿色FPAR的光谱探测机理, 以更好地定量描述植被指数与绿色FPAR之间的关系[15]。
辐射传输模型可模拟太阳光子在植被内部的传输过程与作用机制, 它的出现和发展为冠层的分离提供了可能。本研究以北方落叶阔叶林为研究对象, 从辐射传输模型SAIL (Scattering by Arbitrary Inclined Leaves) 出发, 建立冠层光谱和FPAR模拟数据集, 分析冠层绿色FPAR (FPARPAV) 的特征及其与冠层光谱之间的相关关系。主要目标包含两个方面, 一是确定森林冠层绿色FPAR随冠层结构的变化特征；二是分析绿色FPAR与冠层光谱以及植被指数的关系, 探讨绿色FPAR (FPARPAV) 的机理和可能的估算方法。
1 方法 1.1 模型辐射传输模型是目前相对成熟的基于物理光学基础的模型, 它可比较系统、完整地描述植被冠层与入射辐射之间相互作用过程和特征, 被广泛应用于遥感FPAR的理论和反演研究[16-17]。SAIL模型是辐射传输模型的典型代表, 是Verhoef在对Suits模型进行改进的基础上提出的四流辐射传输模型[18]。该模型将植被冠层假定为方位随机分布、水平均匀无限扩展的混浊介质, 只在垂直方向上有限变化。冠层可分为一层或多层, 每层中的植被光学特性参数和结构特性参数为常数, 并且每层的植被元素视作吸收和散射微粒, 考虑了多次散射的作用。该模型可以完美地描述连续植被冠层的光学特性, 被遥感学术界广泛应用[19]。但由于SAIL模型将冠层假设为混沌介质, 没有考虑离散冠层的集聚效应以及冠层之间的遮蔽效应[20], 被认为在模拟离散的森林冠层时存在一定的局限。离散森林的冠层表现为不同形状的非均质结构, 具有强烈的三维效应, 需要借助三维模型才能描述复杂冠层的辐射机制, 但依据当前的条件, 建立完善的描述陆地生态系统结构的三维模型仍不太现实, 且三维模型计算更加复杂, 运算耗时长[19]。Gobron在模拟时发现三维效应引起的扰动相当稳定, 并且Widlowski的研究也发现一维模型几乎可模拟三维模型生成的反射率[21-22]。因此, 复杂冠层水平一致性的简化假设并不会导致一维SAIL模型失效[19]。此外, 对于常用的遥感影像, 如Landsat/TM、MODIS、MERIS、SPOT/VEGETATION数据, 其空间分辨率通常较低, 并无法分辨出单个冠层, 在这一分辨率下, 将像元看作水平均一的介质可能会获得更好的效果[23-25]。SAIL模型的分层假设, 使其可以计算每个层吸收的PAR[20]。但目前在大多数研究在应用SAIL模型时, 整个冠层被视为一个层, 组分在层内随机分布。如果将冠层中的每个组分分离到单独的层中, 分别计算, 而不是将其混合为单个层, 则可确定每个组分吸收的PAR, 从而计算出每个组分的FPAR。
在本研究中, 针叶林冠层被分解为两层, 第一层为PAV (叶片) 层, 第二层为NPV (树枝) 层。SAIL模型程序将顶层的下行入射通量 (即太阳辐射通量) 设为1.0, 冠层的绿色FPAR (FPARPAV) 可通过叶片层内通量的输入与输出平衡来计算：
|
(1) |
式中, FLUX1为上行散射通量, FLUX2为下行散射通量, FLUX3为下行直射通量 (1.0)；“()”中数字表示层号, 1为顶层。
SAIL模型的输入参数包括冠层组分光谱 (反射率和透射率)、冠层结构 (组分倾角分布、组分面积指数)、土壤反射率、太阳天顶角、观测几何参数 (观测天顶角和相对方位角) 以及入射辐射漫辐射比, 其输出包括冠层反射率和每个层的输入输出通量。植被面积指数PAI (Plant Area Index) 包括树枝和叶片面积指数, 对于非光合组分, 其面积指数占冠层PAI的比例在0.02—0.5之间变化 (冬季除外)[20, 26-27], 本研究设置了7种不同的场景, 叶片层面积指数占冠层PAI的比例分别为0.5, 0.6, 0.7, 0.8, 0.9, 0.95, 0.98。各参数值如表 1和图 1所示。
|
| 图 1 SAIL模型采用的冠层组分和土壤光谱 Fig. 1 The spectrum of canopy components and soil used in SAIL model |
| 参数Parameter | 设定值Value |
| 冠层结构参数Canopy structure parameters | |
| PAV角分布PAV angle distribution | 球面型 |
| NPV角分布NPV angle distribution | 平板型 |
| 植被面积指数Plant area index | 0.1, 0.5, 1, 2, 3, 4, 5, 6, 7 |
| 光照和观测参数Illumination and viewing parameters | |
| 太阳天顶角Solar zenith angle/(°) | 30 |
| 太阳散射光比例Fraction diffuse radiation/% | 0 |
| 观测天顶角View zenith angle/(°) | 0 |
| 相对方位角Relative azimuth/(°) | 0 |
| PAV: Photosynthetically active vegetation; NPV: Non-photosynthetic vegetation | |
研究所采用的落叶阔叶林 (白橡、白杨和红桤) 冠层组分树枝和叶片光谱来自NASA ORNL DAAC。其中白杨冠层组分样本采自于明尼苏达超级国家森林公园SNF (Superior National Forest in Minnesota), 白橡和红桤冠层组分来自俄勒冈森林样带OTTER (Oregon Transect Ecosystem Research)。研究人员分别在1984年和1990年夏季 (生长旺盛期) 对森林冠层组分样本采样, 并在实验室内利用LiCor积分球和Cary-14光谱仪测量其反射率和透射率[28-29]。本研究对收集的3种阔叶林的高光谱光谱进行平均, 并以平均的方法计算3个宽波段蓝波段 (459—479nm)、红波段 (620—670nm)、近红外波段 (841—876nm) 以及PAR波段 (400—700nm) 的反射率和透射率。土壤光谱数据取自约翰·霍普金斯大学 (Johns Hopkins University) 采集的浅灰色粉砂壤光谱, 其数据处理方法与冠层组分光谱相同。
1.2 植被指数基于植被指数反演冠层FPAR是遥感领域常用的一种方式, 也有研究人员采用实地测量的LAI构建反演模型[30-32]。由于大部分仪器测量并不能区分叶片和木本组织, 测量值多为反映植被冠层总FPAR的量, 导致当前的大多数模型是建立在冠层总FPAR和波谱植被指数之间。在当前的植被冠层FPAR遥感研究中, 以红波段、近红波段等为主构建的植被指数被广泛应用, 包括NDVI[33-35]、EVI[10, 36-38]、DVI[39]等, 其中使用最多的是NDVI。在本研究中, NDVI和EVI两种植被指数被选用。NDVI和EVI是MODIS植被指数产品中的两个指数, NDVI对叶绿素敏感, 而EVI对植被冠层结构更加敏感, 两者互为补充[40-41]。其公式分别如下：
|
(2) |
|
(3) |
式中, RNIR, RRed, RBlue分别对应MODIS传感器的近红外波段 (841—876nm)、红波段 (620—670nm) 和蓝波段 (459—479nm) 的反射率。
2 结果 2.1 冠层总FPAR与绿色FPAR总FPAR反映了植被冠层吸收的太阳PAR的比例。模拟显示, 冠层总FPAR在分层模拟和与单层模拟结果一致, FPARPAV和FPARNPV(绿色FPAR) 之和与单层的冠层FPAR相等。落叶阔叶林冠层总FPAR随PAI、PAV的面积比 (PAV面积占冠层PAI的比例) 的变化而变化 (图 2)。在同一PAV面积比条件下, PAI的增加会提高落叶阔叶林冠层的总FPAR。在设定情景下, 冠层总FPAR的最大值为0.958(PAI=7, PAV面积比为0.98)。总FPAR的增加速率随着PAI的增加而逐渐减小, 即在低PAI情况下, 冠层总FPAR随PAI增加迅速, 而在高PAI情况下, 冠层总FPAR增加缓慢。例如当PAI从0.5增加到1时, 总FPAR增加值超过0.20；而PAI从6增加到7, 冠层总FPAR最大增加量仅为0.012(PAV面积比为0.98时)。当PAI < 7时, 在相同的PAI条件下, PAV面积所占比重越高, 冠层总FPAR值越小, 而在PAI为7时, 冠层总FPAR在PAV为0.98时最大。
|
| 图 2 阔叶林冠层总FPAR和绿色FPAR Fig. 2 The change of total FPAR and FPARPAV of canopy |
对于光合组分的FPAR, 其变化特征与冠层总FPAR存在一定差异。在同一PAI下, PAV比重越大, FPARPAV越大。FPARPAV随PAV的变化幅度与PAI有关。在PAI为2时, 增幅最为明显, 表现为PAV面积比每增加0.1, FPARPAV增加超过0.03；而PAI为0.1时, PAV面积比增加相同的量, FPARPAV仅增加0.006。在同一PAV面积比下, FPARPAV随PAI的增加而增加, 在PAI为7时, FPARPAV达到最大值。
在设定情景下, FPARPAV占总FPAR的比例在43.07%—99.74%之间波动 (图 3)。PAI和PAV面积比的增加都可提高FPARPAV在冠层总FPAR的比重。但PAI的变化会影响FPARPAV比率的变动幅度。在低PAI (0—1) 情况下, FPARPAV占总FPAR的比重随着PAV面积比的增加迅速增加, 从45.86%增加到97.56%；而在高PAI (5—7) 情况下, 当PAV面积比从0.5增加到0.98时, FPARPAV的比重仅增加了16.8%, 其增幅低于低PAI时增加量。并且在高覆盖度情况下, FPARPAV占总FPAR的比重超过80%, 当冠层PAV面积比为0.98时, FPARPAV占总FPAR的99.60%, 两者非常接近。但是在低植被覆盖度情况下, FPARPAV占总FPAR的比重明显低于总FPAR, 尤其是当PAI面积比为0.5时, 仅占总FPAR的45.86%。
|
| 图 3 冠层FPARPAV比率与植被面积指数, PAV面积比的关系 Fig. 3 The relationship between percent FPARPAV and Plant area index, percent PAV area |
根据图 4, 在蓝波段、红波段和近红外波段, 随着波长的增加, 落叶阔叶林冠层的反射率逐渐升高。冠层在蓝波段有较低的反射率, 最高仅为0.074(PAI =0.1, PAV面积比为0.98)；而在近红外波段有高的反射率, 超过0.36。在不同的波段冠层反射率对PAI和组分比例的响应存在一定的差异。在蓝、红波段, 冠层反射率主要受PAI的影响, 组分比例的变动对冠层反射率的影响甚微。随着PAI的增加, 冠层在两个波段的反射率值逐渐降低, 尤其是红波段反射率下降明显, 从25.04%降低到2.33%。在近红外波段, 冠层反射率对NPV面积比和PAI都非常敏感。在冠层PAI恒定时, 随着PAV比例的升高, 冠层反射率升高, 这种现象在中等覆盖度时最为显著。如PAI=3时, 随这PAV比例从0.5增加到0.98, 冠层在近红外的反射率分别为0.3256、0.3375、0.3495、0.3618、0.3746、0.3814、0.3856。在同一PAV面积比情况下, 在PAI为2时最低, PAI为7时最高 (0.41)。蓝波段和红波段与近红外波段反射率之间的差异随着PAI的增加逐渐加大, 这种变化特征独立于与冠层组分比例。
|
| 图 4 冠层结构对冠层反射率的影响 Fig. 4 The influence of canopy structure on canopy reflectance |
根据图 5, 相同条件下, NDVI总是大于EVI, 冠层NDVI和EVI都随着PAI的增加而升高。当PAI较低和较高时, NDVI对PAV的变化不敏感, 但在中等覆盖度条件下 (3 < PAI < 5), NPV的波动可从NDVI值得到反映。例如PAI为3时, 随着非光合组分的从0.02增加到0.5, NDVI从0.841降低0.805, 而PAI为0.1和7时, NDVI仅仅降低0.0014, 0.0013。相比于NDVI, EVI对非光合组分的变动更加敏感, 但与NDVI较为相似的是在低PAI和高PAI情况下, EVI对非光合组分敏感度不如中等PAI条件下那么显著。
|
| 图 5 植被指数与冠层结构的关系 Fig. 5 The relationship between vegetation indices and canopy architecture |
无论NDVI还是EVI, 它们与冠层总FPAR都有非常显著的相关关系 (R2>0.9)(图 6), 但NDVI与总FPAR之间关系对PAV面积比的变化并不敏感, 意味着冠层PAV面积比的波动不会影响NDVI与冠层FPAR的关系；但在中高覆盖度条件下, 冠层PAV面积比的变动会对EVI与冠层总FPAR的关系产生影响。在PAV面积比为0.5时, EVI与冠层总FPAR之间线性方程的R2为0.9978, 而在PAV面积比为0.98时, R2为0.9982。总体上表现为PAV比例越高, R2越大, EVI与冠层总FPAR的关系越紧密。NDVI、EVI与FPARPAV也表现出了显著的线性关系 (图 7), 但相比于NDVI, EVI与FPARPAV有更高的相关系数, 并且即使在高覆盖度情况下, 线性关系仍旧显著, 而在此情况下, NDVI与FPARPAV开始表现为非线性关系。
|
| 图 6 冠层总FPAR与植被指数的关系 Fig. 6 The relationship between total FPAR and vegetation indices |
|
| 图 7 冠层FPARPAV与植被指数的关系 Fig. 7 The relationship between FPARPAV and vegetation indices |
森林冠层由光合组分PAV和非光合组分NPV组成, 冠层总FPAR包含了冠层PAV和NPV的贡献。PAV吸收的PAV决定了植被冠层可进行光合作用的能量, 冠层PAV对冠层总FPAR的贡献与冠层结构有关。落叶阔叶林冠层有显著的季节变化, 冠层PAI和组分比例年内波动明显。在春季, 叶片初长, 其数量和叶片面积都较小, 此时PAI以及PAV占PAI的比重都较低；夏季是阔叶林的生长旺盛期, 冠层PAI和PAV面积高且稳定, 通常PAI保持在4以上；在秋季, 随着生长季逐渐结束, 落叶阔叶林叶片开始枯落, PAI和PAV逐渐降低[42-43]。冠层结构的这种季节变动极大地影响了FPARPAV占冠层总FPAR的比例。基于模拟结果发现, 在低PAI (0—1) 和低PAV面积比 (0.5) 时, FPARPAV甚至不及冠层总FPAR的一半。因此, 在初春和秋末冬初, 由于较低的叶面积指数 (落叶林通常在冬季处于休眠状态, 光合作用可忽略) 和PAV面积比, 冠层吸收的FPAR有很大一部分来自NPV, 能有效用于光合作用的能量比重较低。而在阔叶林生长旺盛的夏季, PAI和PAV面积通常很高[19], 此时, FPARPAV占冠层总FPAR的比重不低于1%, NPV对冠层FPAR的贡献低。所以, 在春初和秋末冬初, FPARPAV与总FPAR差距较大, 以冠层总FPAR估算GPP必将产生较大误差, 导致GPP被高估；但在夏季森林植被茂密的情况下, NPV对冠层吸收的PAR贡献低, FPARPAV接近总FPAR, 以总FPAR代替有效FPAR估算GPP, 尽管也会导致结果偏高但偏差较小。
3.2 绿色FPAR (FPARPAV) 与植被指数关系冠层结构的变化会对冠层光谱产生影响, 进而影响到NDVI和EVI。两种植被指数都随着PAI的增加而增加, 但NPV的增加会导致植被指数值降低。根据光谱模拟结果可知, 随着PAI的增加, 冠层近红外波段反射率增加而红波段和蓝波段反射率降低, 而两种植被指数主要由近红外波段与两个可见光波段的差值来决定, 因此, 它们必然会与PAI有正相关关系。NPV和PAV比例的变动对近红外波段反射率影响明显, 表现为PAV面积比的增加提高近红外反射率, 而红波段和蓝波段反射率对PAV比例的变化不敏感。植被冠层的这种波谱特征可从冠层组分与光的相互作用来解释。在可见光的蓝、红波段, 健康植被组分, 无论是PAV还是NPV, 主要表现为吸收, 反射和透射都比较低, 导致冠层可见光部分的反射能力受组分比例的影响小。而在近红外波段, 冠层叶片透射性强, 光子可最大程度上与NPV相互作用, NPV并不产生透射[44-45], 这使得近红外反射率的幅度降低。
用植被指数反演冠层FPAR是当前FPAR研究的一个重要方法, 但是反演值多为冠层总FPAR。基于设定情景下的模拟数据发现, 无论是冠层总FPAR还是FPARPAV, 它们与NDVI、EVI之间都存在显著的线性相关关系, 似乎基于NDVI和EVI可实现FPARPAV的估算。但是应该注意的是, 这种关系是建立在假定NPV面积比例保持恒定不变的基础上, 其可靠性和稳定性需要更多的数据来证明。现实中, 落叶阔叶林PAV占PAI的比重有明显的季节性, 在春季, 它随着叶片的生长和增加逐渐增加, 夏季达到最低值, 秋季由于叶片的逐渐枯落, PAV面积比又开始逐渐降低。对于成熟的落叶阔叶林来说, 从春季到夏季, 其PAI的增加和降低主要来自叶片的生长, 而从夏季到秋季, 冠层PAI的降低同样主要由叶片的枯落造成[46]。尽管NPV部分也将随着叶片的生长也会扩展, 但其生长的速度和增加量难以和叶片相比, 因此, 将落叶阔叶林的NPV的面积指数视为定值是合理的。以固定的NPV面积指数值模拟冠层波谱和FPAR, 建立模拟数据集。在冬季, 落叶阔叶林冠层叶片已经枯落, 仅有NPV部分, 可用该阶段的PAI代表冠层NPV面积指数。根据黄玫和季劲钧的研究, 落叶阔叶林冬季植被面积指数大约在0.5[42], 基于此我们对数据重新模拟, 冠层PAI被设定为1到7变化, 其他参数保持不变。
结果如图 8所示, 无论是NDVI还是EVI, 它们与FPARPAV都存在显著相关关系, 但EVI与FPARPAV有更高的相关系数 (R2=0.99), 并且在高植被覆盖情况下, NDVI与FPARPAV的散点图呈现非线性关系。因此, 相比于NDVI, EVI能更好描述冠层FPARPAV, 更适于估算冠层FPARPAV, 这种结果从理论上支持了Xiao的假设[5]。
|
| 图 8 落叶阔叶林冠层植被指数与绿色FPAR的关系 Fig. 8 The relationship between vegetation indices and canopy FPARPAV |
本研究通过设置不同情景, 应用物理模型SAIL模型, 采用分层的方法开展冠层FPAR模拟, 包括冠层总FPAR、光合组分FPAR以及非光合组分FAPR, 并分析它们与NDVI、EVI的相关关系。得到以下结论：
(1) 落叶阔叶林冠层FPAR受冠层结构影响显著, 冠层绿色FPAR随PAI和PAV面积比的增加而增加。在低植被覆盖区, 冠层绿色FPAR所占比重低, 非光合组分的存在对冠层FPAR的影响大于高植被覆盖区。
(2) 落叶阔叶林冠层FPAR与植被指数之间存在显著的相关关系, 相比于NDVI, EVI能更好描述冠层绿色FPAR。
在模拟时, 对冠层做了一定的假设, 且没有考虑背景变化的影响。在高覆盖度地区, 光子穿透冠层到达地面的数量较少, 背景的变化对冠层FPAR和反射光谱影响比较小, 但是对于低覆盖区, 太阳光经过冠层到达地面的比例会较高, 地面反射率的高低会影响再次进入冠层的光子量, 因此背景的差异会引起冠层FPAR和光谱的变动。
致谢: 感谢ORNL DAAC提供冠层相关数据。| [1] | Cramer W, Kicklighter D W, Bondeau A, Iii B M, Churkina G, Nemry B, Ruimy A, Schloss A. Comparing global models of terrestrial net primary productivity (NPP): Overview and key results. Global Change Biology, 1999, 5(S1): 1–15. DOI:10.1046/j.1365-2486.1999.00009.x |
| [2] | Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment, 2004, 91(3/4): 490–507. |
| [3] | 董泰锋, 蒙继华, 吴炳方. 基于遥感的光合有效辐射吸收比率 (FPAR) 估算方法综述. 生态学报, 2012, 32(22): 7190–7201. |
| [4] | 侯湖平. 基于遥感的煤矿区植被净初级生产力变化的监测与评价. 徐州: 中国矿业大学, 2010: 59 |
| [5] | Xiao X M, Hollinger D, Aber J, Goltz M, Davidson E A, Zhang Q Y, Moore III. Satellite-based modeling of gross primary production in an evergreen needleleaf forest. Remote Sensing of Environment, 2004, 89(4): 519–534. DOI:10.1016/j.rse.2003.11.008 |
| [6] | Schoettker B, Phinn S, Schmidt M. How does the global Moderate Resolution Imaging Spectroradiometer (MODIS) fraction of photosynthetically active radiation (FPAR) product relate to regionally developed land cover and vegetation products in a semi-arid Australian savanna?. Journal of Applied Remote Sensing, 2010, 4(1): 043538. DOI:10.1117/1.3463721 |
| [7] | Zhang Q Y, Xiao X M, Braswell B, Linder E, Baret F, Moore III B. Estimating light absorption by chlorophyll, leaf and canopy in a deciduous broadleaf forest using MODIS data and a radiative transfer model. Remote Sensing of Environment, 2005, 99(3): 357–371. DOI:10.1016/j.rse.2005.09.009 |
| [8] | Serrano L, Gamon J A, Peñuelas J. Estimation of canopy photosynthetic and nonphotosynthetic components from spectral transmittance. Ecology, 2000, 81(11): 3149–3162. DOI:10.1890/0012-9658(2000)081[3149:EOCPAN]2.0.CO;2 |
| [9] | Goward S N, Huemmrich K F. Vegetation canopy PAR absorptance and the normalized difference vegetation index: an assessment using the SAIL model. Remote Sensing of Environment, 1992, 39(2): 119–140. DOI:10.1016/0034-4257(92)90131-3 |
| [10] | Xiao X M. Light Absorption by leaf chlorophyll and maximum light use efficiency. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1933–1935. DOI:10.1109/TGRS.2006.874796 |
| [11] | 王文杰, 祖元刚, 王慧梅. 林木非同化器官树枝 (干) 光合功能研究进展. 生态学报, 2007, 27(4): 1583–1595. |
| [12] | 许慧男. 树枝与叶片绿色组织C4酶相关光合特性差异. 哈尔滨: 东北林业大学, 2010: 1 |
| [13] | Hall F G, Huemmrich K F, Goetz S J, Sellers P J, Nickeson J E. Satellite remote sensing of surface energy balance: Success, failures, and unresolved issues in FIFE. Journal of Geophysical Research: Atmospheres, 1992, 97(D17): 19061–19089. DOI:10.1029/92JD02189 |
| [14] | 高彦华, 陈良富, 柳钦火, 顾行发, 田国良. 叶绿素吸收的光合有效辐射比率的遥感估算模型研究. 遥感学报, 2006, 10(5): 798–803. |
| [15] | Xiao X M, Zhang Q Y, Hollinger D, Aber J, Moore B. Modeling gross primary production of an evergreen needleleaf forest using MODIS and climate data. Ecological Applications, 2005, 15(3): 954–969. DOI:10.1890/04-0470 |
| [16] | 李刚. 呼伦贝尔温带草地FPAR/LAI遥感估算方法研究. 北京: 中国农业科学院, 2009: 7. |
| [17] | 赵英时. 遥感应用分析原理与方法. 北京: 科学出版社, 2003: 317 |
| [18] | Verhoef W. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model. Remote Sensing of Environment, 1984, 16(2): 125–141. DOI:10.1016/0034-4257(84)90057-9 |
| [19] | Jacquemoud S, Verhoef W, Baret F, Bacour C, Zarco-Tejada P J, Asner G P, François C, Ustin S L. PROSPECT + SAIL models: A review of use for vegetation characterization. Remote Sensing of Environment, 2009, 113(S1): S56–S66. |
| [20] | Huemmrich K F, Goward S N. Vegetation canopy PAR absorptance and NDVI: An assessment for ten tree species with the SAIL model. Remote Sensing of Environment, 1997, 61(2): 254–269. DOI:10.1016/S0034-4257(97)00042-4 |
| [21] | Gobron N, Pinty B, Aussedat O, Chen J M, Cohen W B, Fensholt R, Gond V, Huemmrich K F, Lavergne T, Mélin F, Privette J L, Sandholt I, Taberner M, Turner D P, Verstraete M M, Widlowski J L. Evaluation of fraction of absorbed photosynthetically active radiation products for different canopy radiation transfer regimes: Methodology and results using Joint Research Center products derived from SeaWiFS against ground-based estimations. Journal of Geophysical Research: Atmospheres, 2006, 111(D13): D13110. DOI:10.1029/2005JD006511 |
| [22] | Widlowski J L, Pinty B, Lavergne T, Verstraete M M, Gobron N. Using 1-D models to interpret the reflectance anisotropy of 3-D canopy targets: Issues and caveats. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(9): 2008–2017. DOI:10.1109/TGRS.2005.853718 |
| [23] | Bacour C, Baret F, Béal, D, Weiss M, Pavageau K. Neural network estimation of LAI, fAPAR, fCover and LAI × Cab, from top of canopy MERIS reflectance data: Principles and validation. Remote Sensing of Environment, 2006, 105(4): 313–325. DOI:10.1016/j.rse.2006.07.014 |
| [24] | Weiss M, Baret F, Garrigues S, Lacaze R. LAI and fAPAR CYCLOPES global products derived from VEGETATION. part 2: Validation and comparison with MODIS Collection 4 products. Remote Sensing of Environment, 2007, 110(3): 317–331. DOI:10.1016/j.rse.2007.03.001 |
| [25] | 肖艳芳, 周德民, 赵文吉. 辐射传输模型多尺度反演植被理化参数研究进展. 生态学报, 2013, 33(11): 3291–3297. |
| [26] | Laurent V C E, Verhoef W, Clevers J G P W, Schaepman M E. Inversion of a coupled canopy-atmosphere model using multiangular top-of-atmosphere radiance data: A forest case study. Remote Sensing of Environment, 2011, 115(10): 2603–2612. DOI:10.1016/j.rse.2011.05.016 |
| [27] | Li W, Fang H L. Estimation of direct, diffuse, and total FPARs from Landsat surface reflectance data and ground-based estimates over six FLUXNET sites. Journal of Geophysical Research: Biogeosciences, 2015, 120(1): 2014JG002754. |
| [28] | Hall F G., Huemmrich K F, Strebel D E, Goetz S J, Nickeson J E, Woods K D. Biophysical, morphological, canopy optical property, and productivity data from the Superior National Forest. NASA, Technical Memorandum TM-104568. (1992) |
| [29] | Dungan J. Field Spectroradiometer Calibration Progress Report, Interoffice Memorandum, NASA/Ames Research Center, 5 January 1991 |
| [30] | Ruimy A, Saugier B, Dedieu G. Methodology for the estimation of terrestrial net primary production from remotely sensed data. Journal of Geophysical Research, 1994, 99(D3): 5263–5283. DOI:10.1029/93JD03221 |
| [31] | Wiegand C T, Maas S J, Aase J K, Hatfield J L, Pinter Jr P J, Jackson R D, Kanemasu E T, Lapitan R L. Multisite analyses of spectral-biophysical data for wheat. Remote Sensing of Environment, 1992, 42(1): 1–21. DOI:10.1016/0034-4257(92)90064-Q |
| [32] | Running S W, Nemani R R, Heinsch F A, Zhao M S, Reeves M, Hashimoto H. A continental zatellite-derived measure of global terrestrial primary production. Bioscicnce, 2004, 54(6): 547–560. DOI:10.1641/0006-3568(2004)054[0547:ACSMOG]2.0.CO;2 |
| [33] | Steinberg Daniel C, Goetz Steinberg S J G, Hyer E J. Validation of MODIS F/sub PAR/products in Boreal forests of Alaska. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1818–1828. DOI:10.1109/TGRS.2005.862266 |
| [34] | Friedl M A, Davis F W, Michaelsen J, Moritz M A. Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables: an analysis using a scene simulation model and data from FIFE. Remote Sensing of Environment, 1995, 54(3): 233–246. DOI:10.1016/0034-4257(95)00156-5 |
| [35] | Myneni R B, Williams D L. On the relationship between FAPAR and NDVI. Remote Sensing of Environment, 1994, 49(3): 200–211. DOI:10.1016/0034-4257(94)90016-7 |
| [36] | 陈雪洋, 蒙继华, 吴炳方, 朱建军, 杜鑫, 张飞飞, 纽立明. 基于HJ-1CCD的夏玉米FPAR遥感监测模型. 农业工程学报, 2010, 26(S1): 241–245. |
| [37] | King D A, Turner D P, Ritts W D. Parameterization of a diagnostic carbon cycle model for continental scale application. Remote Sensing of Environment, 2011, 115(7): 1653–1664. DOI:10.1016/j.rse.2011.02.024 |
| [38] | Nakaji T, Ide R, Oguma H, Saigusa N, Fujinuma Y. Utility of spectral vegetation index for estimation of gross CO2 flux under varied sky conditions. Remote Sensing of Environment, 2007, 109(3): 274–284. DOI:10.1016/j.rse.2007.01.006 |
| [39] | Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 1995, 51(3): 375–384. DOI:10.1016/0034-4257(94)00114-3 |
| [40] | Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289–298. DOI:10.1016/S0034-4257(96)00072-7 |
| [41] | Huete A R, Liu H Q, Batchily K, van Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 1997, 59(3): 440–451. DOI:10.1016/S0034-4257(96)00112-5 |
| [42] | 黄玫, 季劲钧. 中国区域植被叶面积指数时空分布-机理模型模拟与遥感反演比较. 生态学报, 2010, 30(11): 3057–3064. |
| [43] | 柳艺博, 居为民, 陈镜明, 朱高龙, 邢白灵, 朱敬芳, 何明珠. 2000-2010年中国森林叶面积指数时空变化特征. 科学通报, 2012, 57(16): 1435–1445. |
| [44] | van Leeuwen W J D, Huete A R. Effects of standing litter on the biophysical interpretation of plant canopies with spectral indices. Remote Sensing of Environment, 1996, 55(2): 123–138. DOI:10.1016/0034-4257(95)00198-0 |
| [45] | Asner G P, Wessman C A and Archer S. Scale dependence of absorption of photosynthetically active radiation in terrestrial ecosystems. Ecological Applications, 1998, 8(4): 1003–1021. DOI:10.1890/1051-0761(1998)008[1003:SDOAOP]2.0.CO;2 |
| [46] | Running S W, Thornton P E, Nemani R, Glassy J M. Global terrestrial gross and net primary productivity from the earth observing system. New York: Springer-Verlag, 2000, 44-57. |