陆地生态系统在全球碳循环中扮演着极为重要的角色，准确地评估陆地生态系统碳源/汇时空变化和相关地表过程对全球气候变化的响应是有效预测气候变化的重要基础，也是目前全球气候变化研究中较为重要的前沿科学领域之一。生态系统碳循环根据排放和吸收之间的关系可以分为碳源和碳汇，其中碳源表示生态系统的排放量大于吸收量，而碳汇则表示生态系统的吸收量大于排放量。 根据最新的生态系统碳汇的定义："生态系统碳汇是指不同生态系统相关关联共同对于全球生态系统碳平衡的作用，不仅包括传统的植树造林、增加绿化面积等措施对于碳吸收的贡献，也包括草原、湿地、海洋等生态系统吸收大气中二氧化碳的过程，同时也涵盖土壤、永久性冻土固定的碳储量"。

[1]刘坤,张慧,孔令辉,等.陆地生态系统碳汇评估方法研究进展[J].生态学报,2023,43(10):4294-4307.

[2]朴世龙,何悦,王旭辉,等.中国陆地生态系统碳汇估算:方法、进展、展望[J].中国科学:地球科学,2022,52(06):1010-1020.

[3]洪长桥,金晓斌,陈昌春,等.集成遥感数据的陆地净初级生产力估算模型研究综述[J].地理科学进展,2017,36(08):924-939.

[4]方精云,柯金虎,唐志尧,等.生物生产力的"4P"概念、估算及其相互关系[J].植物生态学报,2001,(04):414-419.

⛄前言

自工业革命以来，人类对化石燃料的消耗，导致\(CO_2\)等温室气体被大量释放，大气中的\(CO_2\)浓度从1750年约278\(\mu mol/mol\)增加到2021年11月的415.01\(\mu mol/mol\)，从2006年开始中国取代美国成为世界上最大的\(CO_2\)排放国，2020年的碳排放量约为10.7\(P g\)（\(1 Pg=10^{15}g=10\)亿t）\(CO_2\)当量，占同年全球排放量的31%，未来中国实现碳中和所需的碳减排压力远超过世界上其他任何一个发达国家。为此，2020年我国提出："二氧化碳排放力争在2030年达到峰值，2060年实现碳中和目标"，这不仅是实现我国自身可持续发展的需求，也是展现我国作为负责任大国的作为和担当。 减少\(CO_2\)排放和增加碳汇是最主要的两种实现"碳中和"目标的手段，而碳汇增加的重点在于提高生态系统的质量和稳定性，巩固提升生态系统的碳汇能力。中国陆地生态系统占全球陆地面积的6.4%，其净\(CO_2\)的吸收量占全球吸收量的10％-30％，是全球和区域碳循环及其模式研究的重点地区。根据预测，在2060年中国陆地生态系统碳汇潜力将达到0.36\(Pg C/a\)，抵消的同期化石燃料燃烧和工业活动导致的碳排放的比例将达到43％。因此，在中国开展陆地生态系统碳汇研究不仅是改进生态系统管理、保障生态安全的急迫需求，同时也为实现"碳中和"目标路线图和时间表提供科学基础。随着科技水平的进步，适用于不同时空尺度的碳汇水平观测技术和碳汇强度评估方法不断地得到发展和完善。在全球尺度和中国尺度的陆地生态系统碳汇评估研究中，根据数据的来源及模型方法的原理可以将陆地生态系统碳汇方法分为"自下而上"和"自上而下"两类。

"自下而上"方法利用地面调查数据、气象观测数据，使用模型方法模拟区域或全球陆地生态系统碳汇，主要包括地表植被生物量和土壤碳的地面调查与清查方法、涡度相关法、生态过程模型等方法。常用的模型包括通过温度、降水等气候因子，海拔、坡度、坡向、经纬度等地理因子与植被生物量、蓄积量之间的关系来估算陆地生态系统生产力的经验模型；通过考虑植被生长与光能利用效率(光合有效辐射)以及植被内部生理生态过程(光合作用、呼吸作用等)来估算陆地生态系统尺度生产力的生态过程模型。

"自上而下"方法主要利用碳同化反演技术，基于不同平台的(地基平台、航空遥感平台、卫星遥感)大气温室气体浓度观测，结合气象场数据和大气辐射传输模型计算陆地生态系统碳汇强度，常用的方法有基于大气\(CO_2\)浓度的碳同化方法以及卫星遥感数据反演方法。

⛄基本概念

  • 生物量(Biomass)：是研宄森林第一性生产力的基础，也是评价森林生态系统结构与功能的重要指标。它是泛指单位面积所有生物生产的有机物质的总量，其包括林木的生物量(干、枝、叶、皮、花果、根、种子和凋落物的总重量)和林下植被层的生物量。
  • 总初级生产力(Gross Primary Productivity，GPP)：是指单位时间内绿色植物通过光合作用途径把无机物质合成为有机物质的总量或固定的总能量，即植被冠层通过光合作用固定大气\(CO_2\)的通量。GPP决定了进入生态系统的初始物质和能量，是生态系统碳循环的基础。

当今全球陆地生态系统GPP约为120-130\(Pg C yr^{-1}\)，约为全球化石燃料和土地利用变化导致的总排放通量的12-15倍。

  • 净初级生产力(Net Primary Productivity，NPP)：是绿色植物在单位面积、单位时间内所固定的有机物质总量，是由光合作用所产生的有机物质总量(GPP)中扣除自养呼吸(Autotrophic Respiration，Ra)后的剩余部分。通常，林分NPP为单位时间内植物的生长量、植物凋落物及枯落物量和被动物吃掉的损失量三者之和。NPP是重要的生态指标(可表征产量和承载力等)。

  • 自养呼吸(Autotrophic Respiration，Ra)：植被自身呼吸释放的碳通量，包括维持呼吸(Maintenance respiration, Rm)和生长呼吸(Growth respiration, Rg)两个分量。Rg可以假设为GPP的25%；Rm与植被类型、生物量和温度有关，随生物量和温度上升。

\[ NPP=GPP-Ra=GPP-(Rm+Rg) \]

  • 碳利用效率=NPP/GPP，一般为0.45左右，有较大的时空变化。

  • 净生态系统生产力(Net Ecosystem Productivity，NEP)：又称净生态系统交换量(Net Ecosystem Exchange，NEE)，是森林NPP与异养呼吸(Heterotrophic respiration，Rh)的差值。它是在没有扰动条件下，如林火、虫害及收获等情况下，森林植被和土壤储存碳库的净变化量，数量等于森林生态系统与大气间的净碳交换量。当NEP>0时，森林生态系统为碳汇，反之则为碳源。

  • 异养呼吸(Heterotrophic respiration，Rh)：微生物活动、分解凋落物和土壤有机碳过程中向大气排放\(CO_2\)的通量。Rh受多个因子影响，包括：植被凋落物和土壤有机碳量、土壤温度、土壤湿度、土壤质地、凋落物的木质素(Lignin)含量等。

\[ NEP=NPP-Rh=GPP-(Ra+Rh)=GPP-Re \]

Re：生态系统呼吸。相对于GPP、Ra、NPP和Rh，NEP是一个非常小的量。

  • 净生态群落生产力(Net Biome Productivity，NBP)：是NEP减去各类自然和人为千扰(如火灾、病虫害、森林间伐及收获)等非生物呼吸消耗所剩下的部分。NBP是应用于区域或更大尺度的生物生产力的概念，其数据变化于正负值之间。实际上，NBP在数值上就是全球变化研究中所使用的陆地碳收支的概念，其大小可直接反映人类活动的影响程度。对于碳收支研究来说，将NBP从NEP中分离出来是很难的，因为各种自然和人为干扰具有很强的不确定性，减少其不确定性是全球碳循环研宄中的一个重要课题。因此，在大尺度的研究上，人们往往用NEP的数值来代替NBP，从而估算碳储量。

\[ NBP=NEP-De \]

De: 扰动(火、病虫害和砍伐等)导致的碳排放。

碳汇量与碳储量都可以用来描述碳汇的性质，但表达的意义不同，碳储量是存量，碳汇量是流量。以森林碳汇为例：森林有5大碳储库，分别是地上和地下生物量、凋落物和枯死木等死有机质、土壤有机碳库；而森林碳汇是指森林通过植物光合作用吸收大气中的二氧化碳，并将其固定在生物体和土壤中的活动、过程或机制。森林碳储量是指某个时间点森林生态系统各碳库中碳元素的储备量(或质量)，是森林生态系统多年累积的结果；而森林碳汇量可以用一定时间内森林碳储量的变化量之和来表示。

⛄碳汇估算方法

区域陆地生态系统碳收支估算方法大体可分为"自下而上(Bottom-up)"和"自上而下(Top-down)"两种不同类型。"自下而上"的估算方法是指将样点或网格尺度的地面观测、模拟结果推广至区域尺度，常用的"自下而上"方法包括清查法、涡度相关法和生态系统过程模型模拟法等。"自上而下"的估算方法主要指基于大气\(CO_2\)浓度反演陆地生态系统碳汇，即大气反演法。可以理解的是，不同估算方法的优缺点和不确定性来源均不尽相同。

👀"自下而上"碳汇方法

（1）样地清查法

样地清查法主要基于不同时期资源清查资料的比较来估算陆地生态系统(主要是植被和土壤)碳储量变化，即陆地生态系统碳汇强度。例如: 基于连续的森林资源清查数据，计算木材蓄积量变化，再通过生物量转换方程推导出森林生物量碳储量变化。对于缺乏连续清查数据的生态系统类型，如灌木、草地等，则可建立植被碳储量观测值和遥感植被指数之间的统计关系，结合遥感植被指数变化，估算植被碳储量变化。此外，利用不同时期的土壤普查数据与野外实测资料，同样可以估算不同时期土壤碳储量的变化。汇总植被与土壤碳储量的变化，即可以得到整个区域的生态系统碳汇。

基于样地清查法的陆地生态系统碳汇评估方法明确、技术简单，可以直接获得最为准确和可靠的数据，能够直接测算样点尺度植被和土壤的碳储量。其局限性主要包括：

  • 清查周期长。

  • 清查数据侧重森林和草地等分布广泛的生态系统，而在灌丛、湿地等面积占比低的生态系统，长期观测的清查数据稀缺，导致区域尺度汇总结果存在一定的偏差。

  • 鉴于陆地生态系统空间异质性强，在从样点到区域尺度碳储量的转换过程也存在较大不确定性。

  • 清查数据不包含生态系统碳横向转移，如木材产品中的碳以及随土壤侵蚀而转移的有机碳等。一般而言，资源清查数据的样点覆盖密度是制约基于清查法的碳汇估算准确度的核心因素。

（2）涡度相关法

涡度相关法是基于微气象理论的目前唯一能直接测量大气与植被冠层及土壤间物质循环和能量交换的观测技术，实现了生态系统尺度的温室气体交换、能量平衡和生产力等功能与过程涉及的生态现象观察、生态要素观测、生态系统功能变化观测的融合。涡度相关法直接测定固定覆盖范围(footprint，通常数平方米到数平方千米)内陆地生态系统与大气间的净\(CO_2\)交换量，据此通过尺度上演估算区域尺度净生态系统生产力(NEP)。目前全球通量观测网络联盟(FLUXNET)建立起900多个观测样点，形成全球性和区域性的覆盖不同气候带和植被区系的通量观测网络，包括美国通量网、欧洲通量网、亚洲通量网、中国通量网等共42个国家、23个区域性通量研究网络。中国陆地生态系统通量观测研究网络(ChinaFLUX)于2002年建成，截止目前拥有80多个台站，包括森林、草地、农田、湿地、荒漠、水域生态系统，通过应用微气象法进行生态系统\(CO_2\)和水热通量长期定位观测的关键技术，为全球碳平衡与全球变化研究提供中国典型陆地生态系统碳、水汽、氮通量的长期观测数据。通过构建区域、国家及全球尺度的通量观测网络，可以研究不同时间尺度和空间尺度的陆地生态系统碳汇强度。

基于涡度相关方法的陆地生态系统碳汇研究，可以实施监测生态系统尺度上的陆地与大气碳交换，减少样地清查法中的数据误差，长期的点位观测可以规避生态环境数据的短期波动带来的不确定性，有利于探讨生态系统碳循环过程对气候变化的相应机制。涡度相关法主要优点在于可实现精细时间尺度(例如每半小时)上碳通量的长期连续定位观测，从而能反映气候波动对NEP的影响。涡度相关法的局限性主要包括：

  • 涡度相关法是基于微气象学原理，不可避免会受到观测数据缺失、下垫面地形和气象条件复杂、能量收支闭合度、周围建筑物高度要求、观测仪器系统误差等因素影响，从而给碳通量估算带来一定的观测误差和代表性误差。

  • 通量塔数量偏少、设置不合理、覆盖范围小不能完全反映测量生态系统的景观异质性。

  • 因涡度测量仪器和工作原理的缺陷，观测数据存在缺失，不能记录到光合作用的碳吸收和呼吸作用的碳排放数据，对于空缺碳通量数据的填补不同方法误差较大。

  • 涡度测量仪器还不能准确区分记录的异常数据是生态系统碳循环的真实扰动数据还是无效记录数据；由于夜间的湍流被抑制会导致测量系统响应不足，测量数据值偏低，测量数据存在偏移现象(植被在休眠期和非光合作用时期记录到\(CO_2\)吸收现象)。

  • 森林生态系统通量观测站点常设置在人为影响较小的区域，难以兼顾林龄差异和生态系统异质性，导致区域尺度碳汇推演结果存在偏差。

  • 农田生态系统涡度相关通量观测无法区分土壤碳收支部分与作物收获和秸秆，因而难以准确估算农业生态系统碳收支。

  • 涡度观测法测定的碳通量通常不包含采伐、火灾等干扰因素的影响，因此可能高估了区域尺度上生态系统碳汇。

总之，由于区域尺度上人为影响普遍存在且对碳汇有明显影响，涡度相关法通常很少用于直接估算区域尺度上碳汇大小，更多用于理解生态系统尺度上碳循环对气候变化的响应过程。

（3）模型模拟法

模型模拟法是应用数学方法定量描述陆地生态系统碳汇与生态环境因子观测值之间的关系，对当前碳汇状况进行评估，和对未来碳汇情景进行预测。根据模型在结构、参数及算法上的不同，可以分成经验模型和生态过程模型。

样地清查法中应用的异速生长模型、蓄积量—生物量转换模型、全碳库模型等都属于经验模型，经验模型不考虑环境因素的影响，模型参数没有特定的生态学含义，不能从机理上对碳汇过程进行解释。

随着对陆地生态系统碳循环过程中涉及的生物物理化学过程认识的逐步深入，越来越多的研究者通过分析太阳辐射传输、光合作用和呼吸作用、养分和水分循环等过程，将与过程相关的植被冠层结构(叶面积指数、覆盖度、植被高度、生物量)、辐射吸收(PAR、反照率、净辐射、地表温度、冠层温度、土壤温度)、生化(叶绿素、胡萝卜素、含氮量、叶片含水量)、功能(叶绿素荧光)参数；空气动力学温度、水汽压差、辐射、水热参数等物理参数作为驱动因子，构建基于生态系统碳循环过程的机理模型。根据驱动因子模型进一步可以分为静态模型和动态模型，静态模型主要包括CENTURY、InTEC和Biome-BGC等，在模拟期间，驱动因子(气候、植被)维持基线情景；动态模型种的植被物种分布会随着气候和土壤条件的变化发生改变，常用的模型有IBIS、CEVSA、BIOME3、LPJ-DGVM等。

利用生态过程模型模拟陆地生态系统碳汇，可以阐明生态系统组分与环境因子之间的交互作用，通过对因子进行归 因分析，评价不同因子对模型的贡献，同时也可以对未来陆地生态系统碳汇大小进行预测。模型模拟法的优势在于可定量区分不同因子对陆地碳汇变化的贡献，并可预测陆地碳汇的未来变化，其局限性主要包括：

  • 不同类型的模型在原理、结构和参数上存在差别，导致在陆地生态系统碳汇评估中存在很大的不确定性。
  • 模型输入参数的固有误差和测量误差、模型参数相关作用产生的误差在应用过程中产生的误差传递最终都会误差累计到碳汇计算中。
  • 传统经验模型缺少对估算结果机理性解释，物理模型(辐射传输、光能利用率模型)较为抽象，难以理解且缺少对于土壤呼吸的模拟。
  • 过程模型将碳汇复杂的生物、物理、化学过程简化为几个主要的驱动因子，关键参数依赖经验设置，降低了碳汇估算的准确性。
  • 模型方法很少会将生态系统人工管理措施考虑在内。

👀"自上而下"碳汇方法

陆地生态系统类型多样，分布范围广、异质性强，仅依靠地面观测数据难以满足大尺度陆地生态系统碳汇估算的需求。 因此，从数据获取角度出发，需要将地表点状观测拓展为空间上的面上监测，将定点定时的静态观测数据拓展为随时随地的动态观测，将局部的离散观测拓展为全局的连续观测。从20世纪70年代开始多光谱卫星、高光谱卫星、热红外传感器、激光雷达传感器、碳卫星陆续的发射并应用于陆地生态系统碳汇研究。 目前，应用遥感数据估算碳汇的发展趋势主要表现在4个方面：

  • 通过分析遥感数据植被指数、叶面积指数与地表植被的生产力的相关关系，构建统计模型估算生态系统生产力。

  • 根据遥感数据构建光能利用率模型估算陆地生态系统的碳汇，常见的模型包括CASA模型、BEPS模型、基于MODIS卫星数据的MODIS-GPP模型、与涡度相关法相结合的EC-LUE模型。

  • 基于卫星遥感数据中的日光诱导叶绿素荧光(SIF)与地表植被生产力之间的关系计算陆地生态系统碳汇。

  • 利用大气\(CO_2\)柱浓度观测数据，基于碳同化的方法反演生态系统碳通量，这是"自上而下"碳汇估算方法的基本原理。

"自上而下"方法也是应用于陆地生态系统碳汇驱动因子分析的主要方法。陆地生态系统碳汇受多种因素影响，不仅包括土地利用/覆盖变化(森林砍伐、植树造林)等人类活动的直接影响，也包括\(CO_2\)浓度增加、氮沉降、气溶胶等环境变化的影响，及温度、降水和光照等气候因素的影响。

👀碳汇方法对比总结

通过对近年来中国陆地生态系统碳汇研究的文献进行梳理，总结相关的研究方法和结果，通过"自下而上"和"自上而下"两种方法估算的中国陆地生态系统碳汇大小为(0.07-1.91)\(Pg C/a\)，其中：

  • 基于样地清查法估算的碳汇介于(0.13-0.31)\(Pg C/a\)

  • 基于涡度相关法估算的中国区域碳汇介于(0.18-1.91)\(Pg C/a\)

  • 基于模型法模拟的碳汇为(0.07-0.29)\(Pg C/a\)

  • "自上而下"方法反演得到的陆地生态系统碳汇为(0.28-1.11)\(Pg C/a\)

通过比较两类碳汇估算方法可以看出，基于不同方法的我国陆地生态系统碳汇水平存在着明显的差异，"自上而下"方法计算的碳汇要普遍高于"自下而上"方法，这主要是因为"自上而下"方法假设化石燃料和非生物质燃料燃烧完全释放为\(CO_2\)，未考虑其他的污染气体和非气态碳化合物，从而高估了大气中\(CO_2\)的排放量，而基于"自下而上"的方法对于森林产品收获、水体沉积等从陆地生态系统碳库中转移部分缺乏考虑；此外，对于陆地生态系统的主体森林生态系统碳汇计算也存在很大的不确定性：对于森林定义的不同，统计的森林面积也有区别，森林碳汇往往只针对连片的森林乔木，对经济林、灌木林和其他类型林木较少纳入计算，这造成了森林生态系统碳汇水平的低估。

⛄集成遥感数据的碳汇估算模型

21世纪初，伴随着对地物信息敏感的遥感观测数据的不断丰富与遥感处理技术的快速发展，时空异质性反映优势明显的集成遥感数据的陆地NPP估算模型逐渐兴起。尤其是近期多尺度、多分辨率遥感数据的出现，为模型参数时空特征的量化创造了有利的条件。同时结合遥感数据对植物生长机理与影响因素深入探讨，以及引入同化方法与耦合原理等新方法、新理论，为模型参数与结构的优化提供了新的思路。其中，遥感数据介入模型时主要采用两种方式：①同化方式，即结合遥感数据获取原非遥感参数；②驱动方式，即采用遥感数据构建模型参数。

👀统计模型

植被指数(VI)、叶面积指数(LAI)等能反映植被长势状况；气候条件能影响植物生长发育过程。通过探讨VI、LAI、气象因子等与地面样点实测NPP之间的经验统计关系，构建统计模型，进而用于区域NPP估算。遥感数据大多用于反演VI、LAI，以驱动方式介入统计模型。依据考虑的因子个数，将目前应用较多的遥感数据驱动的统计模型划分为两类：

  • 第一类是基于VI或LAI等单个因子的线性或非线性关系模型，如简单线性回归、指数函数模型、幂函数模型、对数函数模型、移动平均回归及二次多项式函数模型等；

  • 第二类是采用统计分析方法，考虑VI或LAI及气候条件等多类因子的综合模型。

第一类统计模型发展过程中，利用以NDVI为代表的VI构建区域NPP估算模型最为常见。考虑到NDVI的地物表征适宜性及植被生长特征，NDVI不同使用方式为众多学者尝试，包括年内累积NDVI、生长季累积NDVI、每周NDVI、10天NDVI、年内平均NDVI、年内最大NDVI及某时间断面NDVI等。尽管NDVI与NPP相关性较好，但这种关系的强度受土地覆盖类型、土壤背景及土壤湿度等因素的影响。通过考虑这些因素，可构建精度较好的区域NPP估算模型。而从考虑土地覆盖类型角度来看，可通过以下三种方式提高区域NPP估算精度：①在植被(如草本、木本)混合生长区提取各自所占比例，进而基于NDVI等进行回归建模；②寻找不同土地覆盖类型区的基于NDVI等的最优关系模型；③选取多种植被指数(如RVI、NDVI、EVI、MSAVI及WDVI等)，获取不同土地覆盖类型最优关系，进而构建整合模型。由于植物生长过程受气候条件的影响，而第一类统计模型显然对于气候因素考虑欠缺，使得模型应用能力受到较大限制。通过相关性分析，结合VI或LAI及水分、温度、辐射等因子构建的综合模型，则是近期发展的第二类统计模型。

研究表明，日光诱导叶绿素荧光SIF与GPP在全球尺度上存在线性回归关系。在日光诱导荧光遥感方面的进一步探索，将为NPP估算提供新的思路。统计模型通过探讨VI、LAI及气候因子与NPP的经验统计关系，能在一定程度上估算区域NPP。但该方法尚存在以下 一些不足：

  • 对陆地生态系统过程与功能考虑不足，在植物物理和生理等机理解释方面存在一定局限。

  • 在应用能力方面存在不足。目前主要关注自然植被类型(尤其是草地)，对于受人为影响较大的耕地、园地等土地覆盖类型变化较大的农用地研究不足；对于各土地覆盖类型在不同时期采用的VI类型等缺乏系统分析；现有统计模型一般建立在一定的时空尺度上，具有时空依赖性；统计模型是基于地面观测数据和遥感数据而建立，无法应用于预测研究。

  • 模型构建存在不确定性。样地代表性及其观测的方法、遥感数据的质量及其对象适宜性等均可对研究结果产生较大影响。

👀光能利用率模型

植被吸收的太阳辐射(APAR)与其生产力呈强相关，光能利用率(\(\varepsilon ^*\))可表示为同化过程中存储的化学能与吸收的太阳辐射的比值，二者的乘积可用来表征植被生产力；但二者受温度、水分、大气\(CO_2\)浓度等外部条件限制。这一资源平衡原理，为光能利用率模型构建的理论基础。利用光能利用率模型估算NPP时有两种方式：

  • 一是以NPP为直接因变量；

  • 二是以GPP为直接因变量，考虑自养呼吸或碳利用效率，间接估算NPP。

常见的光能利用率模型：CASA模型、TEC模型、VPM模型、EC-LUE模型、3PG模型、AgI-LUE模型、C-Fix模型、TL-LUE模型、TL-LUEn模型、Modis-derived NPP模型、Beams模型、PEM模型、TURC模型、SEBAL模型、GEO-LUE模型、GLO-PEM模型、C-FLUX模型、\(N_{NPP}\)模型。

由于参数简单易得、具有一定机理性及遥感介入优势明显等原因，这类模型成为学者们研究区域NPP遥感估算的重点。不同光能利用率模型由于对土地覆盖类型、植被吸收光合有效辐射比(FPAR)、环境限制因子、光合有效辐射(PAR)及最大光能利用率(\(\varepsilon ^*\))等参数的考虑不同而存在差异。遥感数据介入光能利用率模型时，在土地覆盖类型和FPAR等方面，主要表现为驱动方式；在环境限制因子、PAR和\(\varepsilon ^*\)方面，则主要表现为同化方式。通过对目前应用较多的集成遥感数据的光能利用率模型进行分析，从以下几方面论述模型特点及其发展过程：

  • 土地覆盖类型可从研究对象角度影响模型构建与应用，以不同土地覆盖类型为研究对象而建立的相应模型，其应用对象适宜性存在差异。
  • \(\varepsilon ^*\)影响模型估算的NPP结果，在各模型中由于取值方式、研究对象、时空尺度等原因而存在取值差异。\(\varepsilon ^*\)取值时，则主要通过涡度通量观测、统计数据反演、样点实测反演及文献结果提取等方式获取对象(考虑时间、空间或土地覆盖类型等)适宜值。在土地覆盖类型混合区，可通过对区内各土地覆盖类型的\(\varepsilon ^*\)进行加权平均，进而获取区内植被\(\varepsilon ^*\)；而考虑到阴叶、阳叶光合作用差异，可将植被\(\varepsilon ^*\)分为阴叶、阳叶；由于不同时空尺度下\(\varepsilon ^*\)存在差异，还应详细考虑\(\varepsilon ^*\)在区域NPP估算中的应用。学界对于\(\varepsilon ^*\)的取值存在争议，因此这方面仍有待进一步研究。
  • 光能利用率模型最初多利用辐射站点的太阳辐射数据获取PAR，但由于辐射站点较少，在中小尺度区域的应用受到限制。因此，采用气象站点数据与辐射站点数据的回归关系获取气象站点下的PAR，在某种程度上可以实现对辐射站点数据的加密。而从点到面的区域PAR估算则经历了由格网插值(尤其是克里金插值)到ANUSPLIN样条插值，由未考虑地形到考虑地形的过程。随着这些估算方式的改进，模型参数估算精度得到了提高，模型应用能力也相应得到了提高。从点数据推测面数据在一定程度上能获取区域PAR，但面数据的直接获取可能将进一步提高模型的估算精度。因此，近期基于遥感数据的区域PAR估算方法被逐步引入光能利用率模型。特别地，鉴于云层状况对光合作用的影响，对太阳辐射中的直接辐射和散射辐射分别加以考虑，将显著提高模型在有云条件下的模拟精度。
  • 在一定尺度下，由FPAR产生的模型模拟不确定性可能大于气象数据。目前，在光能利用率模型中FPAR主要依据基于遥感数据获取的指标与其经验关系得到，相关指标主要有EVI、SR、NDVI、植被覆盖度FVC、植物覆盖比及叶面积指数LAI等。特别地，在CASA模型中，由于采用SR模拟时偏高，而采用NDVI模拟时偏低，因此一般常取由SR和NDVI模拟的FPAR的平均值；另外一部分模型，如VPM模型等，将FPAR分为光合部分和非光合部分，模拟植被生产力时多考虑光合作用部分的FPAR。
  • 环境限制因子主要通过影响实际光能利用率(\(\varepsilon\))进而影响光合作用结果，不同模型对于这些环境限制因子的考虑不尽相同，原理或算法存在差异。温度(主要包括空气温度、土壤温度和植物生长温度等)和水分(包括土壤水分和水汽压差等)是光能利用率模型中的普遍限制因子。温度限制因子体现在高温、低温时植物内在生化作用对光合作用的限制，环境温度从最适温度向低温、高温变化时植物的光能转化率呈逐渐变小的趋势，还反映在对植物物候的影响等。水分限制因子主要反映植物所能利用的有效水分条件对光能利用率的影响，因此大部分模型考虑了土壤水分的影响；而水汽压差可通过影响气孔的开关状态进而影响光合作用、呼吸作用、蒸腾作用等，因而考虑水汽压差的模型也相对较多。除温度、水分之外，有些模型还考虑了其他因素：CO2施肥效应(C-Fix模型)、物候期(VPM模型)、林龄(CFLUX模型)及每月低于2℃的天数所占比例、冠层气孔导度及营养(3PG模型)等。多数模型采用最小值法或乘积法来表征对整体环境的限制。有研究表明，最小值法比乘积法更能整合多个环境限制因子对\(\varepsilon\)的影响。
  • 特别地，利用基于遥感数据的光化学指数PRI估算\(\varepsilon\)，可能有助于提高光能利用率模型估算植被生产力的精度，可拓展光能利用率模型估算NPP的思路。

光能利用率模型建立时采用不同的方式(体现在建模时针对不同土地覆盖类型、时空要求等而采用的参数计算过程存在差异)，导致模型的适用性特点不尽相同。从土地覆盖类型来看，TURC模型属于未考虑植被类型的通用性模型，因而对于不同地类的有效针对性存在不足；有些模型是针对具体地类而建立，模型适用性存在差别，例如 \(N_{NPP}\)模型适用于草地、SEBAL模型适用于耕地等。从时间尺度来看，C-FIX、MODIS-derived NPP、SEBAL及C-FLUX等模型大多可用于计算日尺度NPP，这与模型中考虑的植被对环境因子的响应有关；而VPM、CASA等模型可基于遥感数据特点或研究对象，计算8天、10天、16天及月尺度NPP，时间拓展能力相对较强。从空间尺度来看，受气象数据与遥感数据的时空分辨率及不同区域植被功能型差异限制等，目前大多数模型为针对县以上区域进行NPP估算，基于镇域、小矿区、土地整治区等特定的大范围小尺度区域研究相对较少。

集成遥感数据的光能利用率模型机理性较好(相对于统计模型而言)、参数较少、时空拓展性较好，在区域尺度应用较普遍。但多数模型的主要参数一般基于经验关系得到，使其面临诸多不确定性。除太阳总辐射与PAR的关系、植被非光合作用部分对PAR的影响、PAR与APAR的关系、不同状态(包括类型、生长阶段及外部环境条件等)下的植物呼吸消耗、地下部分NPP等测算存在不确定性之外，多数模型对于时空尺度(例如随时间尺度的增大，TL-LUE模型、TL-LUEn模型与MOD17模型差异逐渐减少)、土地覆盖变化(例如同一块耕地，玉米、大豆隔年耕种，会导致其\(\varepsilon\)模拟相对困难)以及影响\(\varepsilon\)的冠层结构、氮的分布等也考虑不足。

👀过程模型

通过对植物光合作用、蒸腾蒸发、呼吸作用、土壤湿度变化、有机物分解以及碳、氮、营养物质的动态过程等进行模拟，结合土壤、气象及植物生理学参数等，建立植被生产力估算模型，称为过程模型。模拟碳循环的过程模型数量众多，但多以气象、土壤等数据为驱动。现有集成遥感数据的过程模型多由遥感数据以同化方式介入生成，且数量较少。相关过程模型主要有TEM模型、BEPS模型、Biome-BGC模型、InTEC模型、EPPML模型、SiB2模型及MOD-Sim-CYCLE模型等。上述模型在发展早期，主要利用基于遥感数据获取的VI、LAI、FPAR、冠层绿度比及物候等作为模型光合作用部分的基础参数。相较于仅采用气象、土壤数据的过程模型，遥感数据的引入使相关模型应用能力得到了较大提升。

近年来，为提高集成遥感数据的过程模型适用性，众多学者相继开展探索，重点为模型结构优化和参数优化两方面。就模型结构优化而言，主要包括引入新的参数以及调整原有算法结构。就参数优化而言，主要包括利用同化数据如模型模拟数据(MODIS GPP、BEPS模拟结果等)或通量观测数据等，基于迭代优化等方法对关键参数进行优化，以及改进参数数据输入等。特别地，利用基于遥感数据获取的叶绿素含量指代最大羧化速率\(V_{cmax}\)估算植被生产力，为集成遥感数据的过程模型发展提供了新的思路。相比于其他类模型，集成遥感数据的过程模型以植被-土壤-大气连续体为研究对象，机理性较强；但同时参数较多且复杂，导致其应用相对较少。当前，集成遥感数据的过程模型构建与发展存在以下问题：

  • 模型构建问题。植物的生理生态过程复杂，至今认识仍有限，致使模型构建仍存在诸多经验过程，无法清晰地解释植物在不同生长阶段、不同环境条件下的生物地球化学过程、生物地理过程与生物物理过程(例如同一植被在不同生长阶段的结构状态、在不同区域或不同干扰下的适应特征等)。
  • 模型应用问题。当前过程模型中对于植被分类精度以及所讨论的植被类型相对有限，许多类型植被的相关研究不足；模型本地化过程中由于缺乏相应参数或验证数据(如通量观测或其他实测数据)而存在参数优化困难等问题；由于模型构建时，将时空信息反映较差的气象、土壤及水文等传统观测数据整合到植物光合作用过程，导致模型时间、空间扩展能力相对较差(目前多数模型以日时间尺度、中大区域以上空间尺度为主)，限制模型在其他时空尺度的应用。
  • 模型数据问题。模型高精度模拟的特点对参数要求较高，而当前基础数据相对缺乏，所需初始数据和驱动数据的更新缓慢、精度有限；目前以同化方式介入为主的遥感数据的参与，尽管在一定程度上能提高过程模型应用能力，但作用相对有限(多用于光合作用过程模拟)，即遥感数据介入过程模型的能力有待提高。

👀耦合模型

统计模型是基于经验统计关系建立的模型，尽管其空间异质性反映较好，但在植物物理和生理等机理解释方面存在明显局限。过程模型是基于叶片、冠层尺度的生理生态学分析而建立的"自下而上"模型，这类模型在利用试验点模拟外推至区域尺度时存在较大的不确定性，且难以充分反映景观的异质性。光能利用率模型是基于资源平衡理论而建立的"自上而下"模型，能较好地反映景观异质性，但缺乏充分解释物理现象的生理生态学机理。

为实现NPP的跨尺度高精度模拟，有学者对二者进行耦合，GLOPEM-CEVSA模型便是典型的基于光能利用率模型与过程模型的耦合模型，并在站点尺度得到了验证。GLOPEM-CEVSA模型在总初级生产力估算部分采用GLOPEM模型的算法，并在自养呼吸部分考虑了植物生理生态学过程机理，而非简单经验关系。初始化过程中需迭代运行至生态系统(植被和土壤碳库)平衡状态。它综合了过程模型与光能利用率模型的优点，较好地融合了气象数据、土壤数据及遥感数据(以驱动方式介入模型为主)等多源数据，一方面增加了模型机理性，另一方面增强了空间异质性反映。

然而，耦合模型由于复杂性程度仍高于光能利用率模型，参数、算法要求较高，并且与过程模型的整合也存在一定的困难，因此，耦合模型在当前应用与发展上存在理论与技术瓶颈。

👀碳同化反演模型

基于\(CO_2\)浓度观测数据的大气反演模型是近年来发展的陆地生态系统碳汇计算的新技术。它可以获取地面及高空的大区域的\(CO_2\)三维空间数据，远距离实现对\(CO_2\)气体的实时监测，不仅可以获取化石燃料燃烧排放的\(CO_2\)信息，也可以监测生态系统中地—气\(CO_2\)浓度变化。在2019年新修订的IPCC国家温室气体清单指南中，明确增加了基于\(CO_2\)浓度观测的自上而下碳同化反演估算温室气体源⁃汇状况的方法，并可以作为独立数据验证排放因子法和过程模型法等自下而上的碳源汇估算模型。为了弥补地面\(CO_2\)观测站点数量少的不足，多个国家先后发射了碳卫星应用于监测空间\(CO_2\)浓度变化。联合卫星遥感数据和地面大气\(CO_2\)浓度、站点通量数据和遥感地表参数等数据是全球碳同化系统的发展趋势。

大气反演法是基于大气传输模型和大气\(CO_2\)浓度观测数据，并结合人为源\(CO_2\)排放清单，估算陆地碳汇。大气反演法的优点在于其可实时评估全球尺度的陆地碳汇功能及其对气候变化的响应。大气反演法的局限性主要包括：

  • 遥感数据的时空分辨率较低、模型理论研究支撑不足，不能准确区分不同类型生态系统碳汇。
  • 受传感器特性、大气辐射偏差、星下点角度等因素的影响，遥感数据出现的偏差。
  • 大气\(CO_2\)观测点的数量与分布格局(观测站主要分布在北美和欧洲，发展中国家地区观测站分布非常有限)、大气传输模型和同化方法的差异及不确定性、\(CO_2\)排放清单(如化石燃料燃烧碳排放)的不确定性都会影响陆地生态系统碳汇的准确性。
  • 大气反演法普遍未考虑非\(CO_2\)形式的陆地与大气之间的碳交换，以及国际贸易导致的碳排放转移。

总的来说，随着目标区域变小，大气反演结果的不确定性逐渐增大；就国家尺度而言，即使是具有较多的大气\(CO_2\)观测站点的欧美国家，大气反演结果的不确定性也不可忽视。

⛄面临的挑战与展望

👀面临的挑战

基于遥感数据估算NPP的模型研究成果丰硕，学术界通过对估算模型不断地改进、完善，大大提高了模型的应用能力。但目前集成遥感数据的NPP估算模型发展仍面临诸多挑战：

  • 模型验证相对困难。当前主要采用通量观测、统计数据、其他模型结果、实地采样等数据来验证模型模拟结果，但这些数据使用时均存在局限性。①通量观测被认为是目前四种方法中较为精确的手段，能连续实时地观测碳等通量，但通量观测站仪器较为昂贵、站点数量少、站点所在土地覆盖类型相对有限；②统计数据一般为县域以上尺度数据，空间性反映不足，且受主观因素影响，数据不确定性较大；③不同模型结果由于模型模拟时所采用的步长、空间分辨率、使用的数据源等的差异而造成可比性较差；④实地采样则表现为数据获取困难，样点的代表性、适宜性及取样过程等均存在不确定性，且向区域及以上尺度推广困难。
  • 模型的生理生态机理尚未明晰。例如，不同植被对区域环境变化存在一定的自适应过程，即植被对环境响应存在差异，直接导致植被气候响应过程量化困难，而相应问题在现有模型中较少得到体现。另外，现有模型大多对生理生态过程进行了不同程度的简化，例如部分参数是通过经验关系获取，部分参数因为野外实验较为困难而采用常数值，均导致实际值与模拟结果存在一定的偏差等。
  • 模型应用存在诸多问题。①模型在矿区、土地整治区、土壤污染修复区以及城郊区等受人为干扰以及气象灾害、极端事件(林火、虫害)等自然干扰较强区域的研究与应用相对缺乏；②模型应用时所需遥感反演参数，已有产品精度有限(主要是由于卫星遥感传感器的时空分辨率局限等原因导致目前绝大部分产品的空间分辨率≤1km)；③参数厘定时对土地覆盖变化(如耕地作物种植的年内或年际变化等)考虑较少，涉及具体种类时通常按所属土地覆盖大类或相近类型进行处理；④在区域尺度应用时，模型本地化困难，例如光能利用率模型中最大光能利用率的取值问题，统计模型需重新构建经验关系问题，过程模型需进行相应参数优化(如BEPS模型中的最大羧化速率等)问题等；⑤数据处理技术存在不足，例如在数据融合技术(多源数据的融合需求)、数据计算能力(随着相应数据时空精度要求的提高，其数据量增量巨大)方面亟待加强。

👀展望

遥感手段的大尺度、动态实时观测等自身特点决定了其将具有很好的发展前景，在GPP/NPP/NEP估算模型中参数的量化及时空动态的表征能力等方面，具有传统统计观测手段所无法比拟的优势。当前，遥感数据的快速增加，众多遥感数据的免费提供，遥感观测形式的多样化，以及遥感处理技术水平的不断提高等，必将大大促进GPP/NPP/NEP估算模型的发展。

  • 融合多学科视野，深入研究GPP/NPP/NEP的形成机理与影响因素。GPP/NPP/NEP形成过程复杂，涉及众多学科，这些学科的发展将促进GPP/NPP/NEP估算模型的发展。在理论上，借助于植物学、生态学、水文学、气象学、土壤学、物理学及灾害学等学科，可进一步认识GPP/NPP/NEP形成过程与影响因素，如土壤因素(有机质、营养及重金属含量等土壤性状)、气候因素(受雾霾、地形、云层及地物等影响的太阳辐射、温度及降水等)、水分因素(水分转移过程、水质条件等)、空气因素(\(CO_2\)浓度与含氮量等)、植物因素(植物的结构、生长过程特点、光合作用、呼吸作用、蒸腾作用及环境自适应能力等)及外界干扰因素(虫害等自然灾害、人为干扰等)等。
  • 加快发展空天地一体化观测体系，为GPP/NPP/NEP估算模型提供大范围、长时间、高精度的遥感、地面观测及验证数据。强化由侧重单一源遥感(常规多光谱遥感)向完善多源遥感(荧光遥感、激光雷达、合成孔径雷达等)、由卫星遥感向融合航空(无人机遥感等)和地面遥感、由多光谱遥感向高光谱遥感、由低时空分辨率遥感向高时空分辨率遥感等方向发展。完善通量观测、实验站点、气象站点、辐射站点及常规统计等地面观测网络。
  • 提高遥感处理技术与地物信息识别能力，挖掘模型参数遥感化潜力，提高遥感产品适用性。①发展融合技术、同化算法，充分利用多源数据优势挖掘地物信息；②提高遥感数据处理技术，充分拓展荧光遥感、微波遥感等的应用能力；③加快探索新的遥感化参数，如基于遥感数据获取的日光诱导叶绿素荧光SIF、光化学指数PRI、叶绿素含量Chll等在GPP/NPP/NEP估算中的应用潜力；④充分整合现有遥感产品，如30m全球土地覆盖、GLASS地表参数等产品，并针对当前遥感产品空间分辨率大多不高于1km、时间分辨率相对较低(如土地覆盖产品更新缓慢)的缺陷，加快发展遥感手段和利用遥感观测数据生产高精度产品，例如加快开发基于高分四号、风云三号、资源三号等卫星的地表参数产品等，以此推进GPP/NPP/NEP估算模型的发展与应用。
  • 拓展GPP/NPP/NEP估算模型的时空尺度。由于地学现象的普遍复杂性，尺度转换是GPP/NPP/NEP估算建模过程中的重要科学问题。在一定空间分辨率的遥感数据下，空间尺度的差异往往导致像元的异质性，进而影响GPP/NPP/NEP估算的精度及模型的适用性，这一问题在时间尺度也同样存在。目前，学者已尝试建立不同时空尺度的GPP/NPP/NEP遥感估算模型，通过站点尺度的验证，在区域等较大尺度上取得了积极的研究进展。然而大多数研究仍局限于特定时空尺度，仍有必要充分考虑区域适宜性、地类适宜性及植被适宜性，加强GPP/NPP/NEP估算模型的综合集成，进一步完善相应的时空尺度转换技术。
  • 加快构建数据共享网络，增强模型估算GPP/NPP/NEP的软硬件支撑。模型复杂性是相对的，与数据来源、处理能力等存在关联。要借助发展日趋成熟的互联网构建共享网络，提高已有数据使用效率，进而促进GPP/NPP/NEP估算模型的发展。另外，鉴于数据的大量产生(例如高精度的数据必然带来数据量级倍增、多源数据的发展使数据源分析复杂化等)，必须开发或引入相应的数据处理方法、软件与存储设备等，以提高大数据处理能力，进而为大区域高精度GPP/NPP/NEP估算服务。