全 文 ：基于通量和光谱观测的中亚热带人工针叶林
光能利用效率的反演∗
陈蝶聪１，２　 王绍强１∗∗　 黄　 昆１，２　 周　 蕾１　 于泉洲１，２　 王辉民１，３　 孙雷刚４
（ １中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室， 北京 １００１０１； ２中国科学院大学， 北京 １０００４９；
３中国科学院千烟洲红壤丘陵综合开发试验站， 江西泰和 ３４３７００； ４河北省科学院地理科学研究所， 石家庄 ０５００００）
摘　 要　 利用光谱反射率测量的光化学植被指数（ＰＲＩ）估算植被光合作用的光能利用效率
（ＬＵＥ），能够更好地为生态系统总初级生产力的估算及尺度扩展提供重要的技术支撑．本研
究以中国通量网（ＣｈｉｎａＦＬＵＸ）千烟洲通量观测站为研究区域，２０１３ 年 ９ 月和 １２ 月在通量塔
上测量了中亚热带人工针叶林的植被反射光谱，并获取了通量塔上同步观测的气象数据和涡
度相关通量数据，对两者进行回归分析．结果表明： ＰＲＩ⁃ＬＵＥ相关关系（Ｒ２ ＝ ０．２０，Ｐ＜０．００１）优
于 ＮＤＶＩ⁃ＬＵＥ．在整个观测期内，土壤水分含量（ＳＷＣ）与 ＰＲＩ 组合的二元回归模型能够提高
ＬＵＥ的估算精度（日间观测 Ｒ２ ＝ ０．２９，Ｐ＜０．００１；正午观测 Ｒ２ ＝ ０．３０，Ｐ＜０．０１），而在秋季，饱和
水汽压差（ＶＰＤ）与 ＰＲＩ组合的二元回归模型能较好地估算正午 ＬＵＥ（Ｒ２ ＝ ０．４４８， Ｐ＜０．００１），
表明环境因子 ＳＷＣ和 ＶＰＤ是影响 ＰＲＩ⁃ＬＵＥ关系的重要因素，不同季节的二元回归模型所选
择的最佳环境变量有所不同．
关键词　 中亚热带人工林； 光能利用效率； 光化学植被指数； 环境因子； 水分状况
∗中国科学院战略性先导科技专项（ＸＤＡ０５０５０６０２）、国家科技支撑计划项目（２０１３ＢＡＣ０３Ｂ０３）、河北省科技计划项目（１４２９３７０３Ｄ）和遥感科学
国家重点实验室开放基金项目（ＯＦＳＬＲＳＳ２０１４０５）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｓｑｗａｎｇ＠ ｉｇｓｎｒｒ．ａｃ．ｃｎ
２０１５⁃０１⁃１５收稿，２０１５⁃０６⁃２５接受．
文章编号　 １００１－９３３２（２０１５）１１－３４２１－１２　 中图分类号　 Ｑ９４５　 文献标识码　 Ａ
Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ Ｃｈｉｎａ’ｓ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｐｌａｎｔｅｄ ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔ ｂａｓｅｄ
ｏｎ ｆｌｕｘ ｍｅａｓｕｒｅｍｅｎｔｓ ａｎｄ ｓｐｅｃｔｒａｌ ｏｂｓｅｒｖａｔｉｏｎｓ． ＣＨＥＮ Ｄｉｅ⁃ｃｏｎｇ１，２， ＷＡＮＧ Ｓｈａｏ⁃ｑｉａｎｇ１，
ＨＵＡＮＧ Ｋｕｎ１，２， ＺＨＯＵ Ｌｅｉ１， ＹＵ Ｑｕａｎ⁃ｚｈｏｕ１，２， ＷＡＮＧ Ｈｕｉ⁃ｍｉｎ１，３， ＳＵＮ Ｌｅｉ⁃ｇａｎｇ４ （ １Ｋｅｙ Ｌａｂｏ⁃
ｒａｔｏｒｙ ｏｆ Ｅｃｏｓｙｓｔｅｍ Ｎｅｔｗｏｒｋ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｍｏｄｅｌｉｎｇ， Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｇｅｏｇｒａｐｈｉｃ Ｓｃｉｅｎｃｅｓ ａｎｄ Ｎａｔｕｒａｌ
Ｒｅｓｏｕｒｃｅｓ Ｒｅｓｅａｒｃｈ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １００１０１， Ｃｈｉｎａ； ２Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ
Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００４９， Ｃｈｉｎａ； ３Ｑｉａｎｙａｎｚｈｏｕ Ｉｎｔｅｇｒａｔｅｄ Ｅｃｏｌｏｇｉｃａｌ Ｓｔａｔｉｏｎ ｏｆ Ｒｅｄ
Ｓｏｉｌ Ｈｉｌｌｙ Ｌａｎｄ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｔａｉｈｅ ３４３７００， Ｊｉａｎｇｘｉ， Ｃｈｉｎａ； ４Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｇｅｏ⁃
ｇｒａｐｈｉｃａｌ Ｓｃｉｅｎｃｅｓ， Ｈｅｂｅｉ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｓｈｉｊｉａｚｈｕａｎｇ ０５００００， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ．
Ｅｃｏｌ．， ２０１５， ２６（１１）： ３４２１－３４３２．
Ａｂｓｔｒａｃｔ： Ｔｈｅ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ （ＰＲＩ） ｃａｌｃｕｌａｔｅｄ ｆｒｏｍ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｈａｓ ｕｎｉ⁃
ｖｅｒｓａｌｌｙ ｂｅｃｏｍｅ ａ ｐｒｏｘｙ ｆｏｒ ｔｈｅ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ （ＬＵＥ）， ｗｈｉｃｈ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｓ ｔｈｅ ＬＵＥ⁃
ｂａｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｅｃｏｓｙｓｔｅｍ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｏｎ ａ ｌａｒｇｅ ｓｃａｌｅ ｔｈｒｏｕｇｈ ｕｐｓｃａｌｉｎｇ． Ｉｎ ｔｈｉｓ
ｓｔｕｄｙ， ｗｅ ｏｂｓｅｒｖｅｄ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｏｆ ａ ｐｌａｎｔｅｄ ｓｕｂｔｒｏｐｉｃａｌ ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔ ｆｒｏｍ
ｔｈｅ ｔｏｐ ｏｆ ａ ｆｌｕｘ ｔｏｗｅｒ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ， ｏｎｅ ｏｆ ｔｈｅ ＣｈｉｎａＦＬＵＸ ｓｉｔｅｓ， ｉｎ Ｓｅｐｔｅｍｂｅｒ ａｎｄ Ｄｅ⁃
ｃｅｍｂｅｒ ２０１３， ａｎｄ ｓｉｍｕｌｔａｎｅｏｕｓｌｙ ｍｅａｓｕｒｅｄ ＣＯ２ ｆｌｕｘ ａｎｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｖａｒｉａｂｌｅｓ ｆｏｒ ｃｏｒｒｅｌａｔｉｏｎ
ａｎｄ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ． Ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ＰＲＩ ｈａｄ ａ ｂｅｔｔｅｒ ｃｏｒｒｅｌａｔｉｏｎ ｗｉｔｈ ＬＵＥ （Ｒ２ ＝ ０．２０， Ｐ＜
０．００１） ｔｈａｎ ｔｈａｔ ｏｆ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ （ＮＤＶＩ）， ｉ． ｅ．， ＰＲＩ ｗａｓ ｐｒｅｆｅｒｒｅｄ ｉｎ
ＬＵＥ ｒｅｔｒｉｅｖａｌ． Ｄｕｒｉｎｇ ｔｈｅ ｗｈｏｌｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ， ＰＲＩ ａｎｄ ｓｏｉｌ ｗａｔｅｒ ｃｏｎｔｅｎｔ （ＳＷＣ）⁃ｂａｓｅｄ ｂｉｖａ⁃
ｒｉａｔｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｃｏｒｒｅｌａｔｅｄ ｗｅｌｌ ｗｉｔｈ ＬＵＥ （Ｒ２ ＝ ０．２９， Ｐ＜０．００１ ａｎｄ Ｒ２ ＝ ０．３０， Ｐ＜０．０１ ｆｏｒ
ｄａｙｔｉｍｅ ａｎｄ ｍｉｄｄａｙ ｏｂｓｅｒｖａｔｉｏｎ， ｒｅｓｐｅｃｔｉｖｅｌｙ）， ｂｕｔ ｉｎ ａｕｔｕｍｎ ｔｈｅ ｂｉｖａｒｉａｔｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｏｆ
ＰＲＩ ａｎｄ ｖａｐｏｒ ｐｒｅｓｓｕｒｅ ｄｅｆｉｃｉｔ （ＶＰＤ） ｈａｄ ａ ｈｉｇｈｅｒ ｃｏｒｒｅｌａｔｉｏｎ ｗｉｔｈ ＬＵＥ （Ｒ２ ＝ ０．４４８， Ｐ＜０．００１）
ｆｏｒ ｍｉｄｄａｙ ｏｂｓｅｒｖａｔｉｏｎ， ｗｈｉｃｈ ｓｈｏｗｅｄ ｔｈａｔ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ， ｉ．ｅ．， ＳＷＣ ａｎｄ ＶＰＤ， ｈａｄ ａ ｐｏ⁃
应 用 生 态 学 报　 ２０１５年 １１月　 第 ２６卷　 第 １１期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｎｏｖ． ２０１５， ２６（１１）： ３４２１－３４３２
ｔｅｎｔｉａｌ ｉｎ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ＬＵＥ ｒｅｔｒｉｅｖａｌ ｆｒｏｍ ＰＲＩ， ｂｕｔ ｔｈｅ ｃｈｏｉｃｅ ｏｆ ａｐｐｒｏｐｒｉａｔｅ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ
ｄｅｐｅｎｄｅｄ ｏｎ ｓｅａｓｏｎ．
Ｋｅｙ ｗｏｒｄｓ： ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｐｌａｎｔｅｄ ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔ； ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ； ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ ｉｎｄｅｘ； ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ； ｗａｔｅｒ ｃｏｎｄｉｔｉｏｎｓ．
　 　 光能利用效率（ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ，ＬＵＥ）指冠层
截取的每摩尔光合有效辐射中碳的固定量［１］，是陆
地生态系统生产力遥感模型估算的重要参数，准确、
快速地估算 ＬＵＥ 是准确估算陆地生态系统生产力
的基础．许多光能利用率模型如 ＧＬＯ⁃ＰＥＭ 模型、
ＣＡＳＡ模型和 ＭＯＤＩＳ 产品 ＭＯＤ１７［２］通过环境胁迫
因子（如温度、水分和氮素）对最大 ＬＵＥ的胁迫来估
算实际 ＬＵＥ［３］，例如利用查找表法得到某一物种的
最大光能利用效率（ＬＵＥｍａｘ）、日最低温度（Ｔｍｉｎ）和
大气饱和水汽压差（ ｖａｐｏｒ ｐｒｅｓｓｕｒｅ ｄｅｆｉｃｉｔ，ＶＰＤ）的
乘积进行估算．然而这种估算方法将每一物种或每
一植被类型的 ＬＵＥｍａｘ当作固定值，难以真正刻画
ＬＵＥ的空间异质性．同时，这种算法并没有包含相关
的植被参数，无法精确地反映植被光合作用对不同
环境条件变化的响应［４］ ．因此，发展新手段、新方法
来获得能够响应环境条件的实际 ＬＵＥ，对提高不同
生态系统类型 ＬＵＥ 的估算精度以及区域尺度生态
系统生产力的模拟精度都具有重要意义．
地面观测存在较大的局限性，难以获取区域尺
度的实际光能利用效率，遥感观测技术的发展则为
ＬＵＥ的反演提供了新手段．光能利用效率的测定方
法主要包括利用叶片光合作用仪观测、涡度相关通
量观测和遥感观测技术方法［３］ ．然而从站点到区域
的 ＬＵＥ 尺度扩展，则需要借助遥感技术手段，例如
通过测量冠层光谱反射率计算植被光谱指数进而得
到 ＬＵＥ［５－８］ ．尽管有研究利用归一化植被指数（ｎｏｒ⁃
ｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＮＤＶＩ）估算 ＬＵＥ，
但是 ＮＤＶＩ表征的是植被冠层组成结构，与植物光
合作用效率没有直接联系［９－１０］ ．Ｇａｍｏｎ 等［９］提出了
估算 ＬＵＥ最有潜力的植被指数是光化学植被指数
（ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ， ＰＲＩ），由 ５３１ 和
５７０ ｎｍ波段反射率组合而成．由于这两个波段位置
的反射率受到叶黄素循环的影响，并与叶片 ＬＵＥ 紧
密相连［１１］，因而从生理机制角度考虑，ＰＲＩ 比 ＮＤＶＩ
更能体现植被光合特性，利用 ＰＲＩ 表征植被光能利
用效率更加具有生态学意义．此外，以往的 ＬＵＥ 遥
感模型通常建立在日尺度、８ ｄ 尺度上，借助 ＰＲＩ 的
优势可以实现小时尺度 ＬＵＥ的模拟，从而得到 ＬＵＥ
的日变化状况．因此，无论在叶片水平或是冠层尺
度，ＰＲＩ 成为了 ＬＵＥ 反演研究中使用最广泛的光谱
指数．
光化学植被指数对 ＬＵＥ 变化的响应关键在于
植物的生理调节过程，ＰＲＩ 的变化与植物光合作用
及其光能利用效率的变化密切相关．利用 ＰＲＩ 估算
ＬＵＥ的生理机制与光保护作用中 ５３１ ｎｍ 处叶片反
射率变化紧密联系［９］ ．当光能过饱和时，有效光合辐
射无法被叶片吸收，此时，植物的生物学机制会下调
（ｄｏｗｎ⁃ｒｅｇｕｌａｔｅ）光合作用，通过散失热量以保护植
物内部水分，防止光合结构受损害［１２］ ．光合作用的
下调会引起叶黄素循环中的色素转化，即叶黄素脱
环氧化为中间产物环氧玉米黄素，再脱环氧化为玉
米黄素，结果导致 ５３１ ｎｍ 处叶片反射率明显下降．
因此，植物 ＬＵＥ越高，热耗散越少，５３１ ｎｍ处反射率
下降程度较低，ＰＲＩ 相应较高，即 ＰＲＩ 与 ＬＵＥ 呈正
相关关系［１３］ ．另外，吴朝阳等［１４］指出，建立 ＰＲＩ 与
ＬＵＥ的关系可以无接触地测定植物的光合作用，评
估植物的生长状态．由此得出，基于生理学意义，ＰＲＩ
在 ＬＵＥ遥感反演方面具有极大潜力，建立站点尺度
的 ＰＲＩ⁃ＬＵＥ关系是 ＬＵＥ尺度扩展的基础．
尽管 ＰＲＩ能够表征植物 ＬＵＥ的动态变化，但是
环境因子如空气温度 （ Ｔａ ）、大气饱和水汽压差
（ＶＰＤ）和土壤水分含量（ｓｏｉｌ ｗａｔｅｒ ｃｏｎｔｅｎｔ，ＳＷＣ）对
ＰＲＩ⁃ＬＵＥ关系也有着不同的影响，并且在不同的时
间尺度下，起主导作用的环境因子有所不同．在植物
水分变化不大的情况下，光合作用速率和光合作用
活性（如 ＬＵＥ）受大气水分状况（如 ＶＰＤ）和土壤水
分状况影响［４］ ．干旱的出现导致 ＶＰＤ 增大，诱导气
孔关闭避免水分胁迫，进而降低光合作用速率［１５］ ．
例如在亚马逊过渡性的热带森林，旱季和雨季气温
并没有明显差异，但是在干旱季节 ＶＰＤ 超过 ８ ｈＰａ
时，净初级生产力（ｎｅｔ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ，ＮＰＰ）大
幅减小［１６］ ．同样有研究表明，在热带常绿林一年当
中 ＶＰＤ达到峰值的同时伴随着 ＬＵＥ 和 ＰＲＩ 的减
小［４］ ．此外，已有研究利用 ＰＲＩ成功探测地中海灌木
和针叶林 ＬＵＥ 对季节性干旱胁迫的响应［１７－１８］，同
时证明了 ＰＲＩ不仅考虑植被胁迫的综合影响，同时
还包括环境胁迫对光合作用限制的程度［３］ ．另外，热
带雨林的土壤水分含量 （ ＳＷＣ）与总初级生产力
２２４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
（ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ，ＧＰＰ）在年变化上有着较
好的正相关关系［１９］ ．由此看来，不同时间尺度的
ＬＵＥ受到不同环境要素的影响，大气和土壤水分的
实际状况使得 ＰＲＩ 对于 ＬＵＥ 的估算存在一定的不
确定性．
尽管 ＬＵＥ的遥感估算已在许多研究中得到验
证，但是这些成功利用 ＰＲＩ模拟 ＬＵＥ的研究集中于
北方森林［２０－２２］、地中海森林［１７－１８， ２３］ 以及热带森
林［４］，而对中亚热带人工林的研究仍存在空白．我国
南方林区以人工林为主，其面积和蓄积量都占全国
人工林的 ５０％以上［２４］ ．中亚热带人工针叶林 ＰＲＩ⁃
ＬＵＥ关系的验证，对于全国甚至全球 ＧＰＰ 的准确估
算具有非常重要的作用．
本文以中国科学院千烟洲生态试验站中亚热带
人工针叶林为研究对象，于 ２０１３年生长季和非生长
季期间利用手持式光谱仪在通量塔上开展观测研
究，建立实测的 ＰＲＩ 与涡度相关通量观测推导的
ＬＵＥ之间的相关关系，探讨利用 ＰＲＩ 估算中亚热带
人工针叶林光能利用效率是否比用 ＮＤＶＩ 效果更
优，同时，分析了 ＬＵＥ 与环境变量（Ｔａ、ＶＰＤ、ＳＷＣ）
和实际观测植被指数（ＰＲＩ、ＮＤＶＩ）间的相关关系，
以进一步分析植被指数与环境变量的组合能否提高
ＬＵＥ的估算精度．
１　 研究地区与研究方法
１􀆰 １　 研究站点概况
中国科学院千烟洲红壤丘陵农业综合开发试验
站地处江西省泰和县，属典型的亚热带季风气候，站
区年平均气温 １７．９ ℃，平均年降水量 １５４２．４ ｍｍ．千
烟洲通量观测站 （ ２６． ７４° Ｎ， １１５． ０５° Ｅ， 海拔
１１０．８ ｍ）位于试验站西南部，是中国陆地生态系统
通量观测研究网络（ＣｈｉｎａＦＬＵＸ）站点之一，微气象
观测塔建立于 ２００２年 ８月，塔四周的森林覆盖率达
９０％以上．试验站现有林分大多为 １９８５ 年前后营造
的人工针叶林，主要树种有马尾松（Ｐｉｎｕｓ ｍａｓｓｏｎｉ⁃
ａｎａ）、湿地松 （Ｐｉｎｕｓ ｅｌｌｉｏｔｔｉｉ）、杉木 （Ｃｕｎｎｉｎｇｈａｍｉａ
ｌａｎｃｅｏｌａｔａ）以及木荷（Ｓｃｈｉｍａ ｓｕｐｅｒｂａ）、柑橘（Ｃｉｔｒｕｓ）
等，常绿植被覆盖面积占土地总面积的 ７６％，土壤
类型为红壤［２５］ ．
千烟洲通量观测站涡度相关仪器的主要观测高
度为 １．５倍于冠层高度的 ２３ ｍ 处，次要高度为 ３ 倍
于冠层高度的 ３９ ｍ位置，分别安装有三维超声风速
仪（ＣＳＡＴ３，Ｃａｍｐｂｅｌｌ Ｓｃｉｅｎｔｉｆｉｃ Ｌｔｄ．，ＵＳＡ）、快速响应
红外 ＣＯ２ ／ Ｈ２Ｏ 分析仪（Ｌｉ⁃７５００，Ｌｉ⁃Ｃｏｒ Ｉｎｃ．，ＵＳＡ）．
ＣＯ２、 Ｈ２Ｏ 湍 流 通 量 数 据 采 集 器 （ ＣＲ１０ＸＴＤ、
ＣＲ２３ＸＴＤ、ＣＲ５０００）以 １０ Ｈｚ频率采集观测数据，在
采集实时数据的同时在线计算 ３０ ｍｉｎ 的平均通量
数据．本研究所用的 ３０ ｍｉｎ 平均 ＧＰＰ 数据为 ２３ ｍ
处涡度相关通量数据计算得到；３０ ｍｉｎ平均 ＰＡＲ数
据由冠层上方 ４６．１ ｍ处光合有效辐射（ＬＩ１９０ＳＢ，Ｌｉ⁃
Ｃｏｒ Ｉｎｃ．，ＵＳＡ）传感器和冠层下方 ２ ｍ 处光合有效
辐射（ ＬＱＳ７０⁃１０，Ａｐｏｇｅｅ Ｉｎｃ．，ＵＳＡ）传感器观测得
到，其中因冠层下方传感器数据质量缘故，冠层下方
ＰＡＲ取其中两个探头的平均值．此外，气温（Ｔａ）、相
对湿度（ＲＨ）、水汽压（ ｅ）数据为 ２３ ｍ 处常规气象
要素观测的 ３０ ｍｉｎ平均气象数据；土壤湿度（ＳＷＣ）
为 ０～２０ ｃｍ 深度的 ３０ ｍｉｎ 平均数据，由 ＴＤＲ 传感
器（ｍｏｄｅｌ ＣＳ６１５⁃Ｌ，Ｃａｍｐｂｅｌｌ Ｓｃｉｅｎｔｉｆｉｃ Ｌｔｄ．，ＵＳＡ）测
定得到；饱和水汽压差（ＶＰＤ）根据相对湿度、水汽
压计算求得．所有环境变量数据只选择与光谱观测
相对应的观测数据进行分析．
１􀆰 ２　 冠层光谱反射率与植被指数
使用 ８通道手持式地表植被光谱仪（ＳＫＬ⁃９０８，
ＳｐｅｃｔｒｏＳｅｎｓｅ２，ＳＫＹＥ Ｉｎｓｔｒｕｍｅｎｔｓ，ＵＫ）测量植被冠层
光谱反射率．其中，测量下行辐射的传感器带有可拆
装式余弦接收器，以测量上半球所有方向的太阳入
射辐射，测量上行植被反射辐射的传感器固定视场
角为 ２５°，因而能同时测量中心波长为 ５３１、５７０、
６６０、７３１ ｎｍ ４ 个波段的入射辐射与冠层反射辐射
值，进而计算各波段反射率值．
考虑到千烟洲试验区雨季基本与生长季同期，
年降雨量集中在 ４—８月，而植被冠层光谱反射率的
测量需要在晴空条件下进行，因此选择 ２０１３ 年 ９ 月
采样作为生长季内非生长旺盛时期观测，２０１３ 年 １２
月采样作为非生长季观测．根据昼长变化并遵循晴
空条件，９ 月观测时间为 ９ 月 ２１、２２、２４ 日 ７：００—
１８：００（其中 ２１日 １８：００，２２日 １７：００、１８：００ 因下雨
缺测）， １２ 月观测时间为 １２ 月 ２—４ 日 ８： ００—
１７：００．由于条件和仪器限制，在通量观测塔 ２３ ｍ 平
台处对正南方向每个整点重复观测 ８次，取平均值．
利用以上得到的波长为 λ（ｎｍ）的冠层反射率
ρλ，可以计算植被指数 ＮＤＶＩ与 ＰＲＩ：
ＮＤＶＩ＝
ρ７３１－ρ６６０
ρ７３１＋ρ６６０
（１）
ＰＲＩ＝
ρ５３１－ρ５７０
ρ５３１＋ρ５７０
（２）
１􀆰 ３　 涡度相关通量观测与光能利用效率
光能利用效率的测定可以采用微气象涡度相关
３２４３１１期　 　 　 　 　 　 　 　 陈蝶聪等： 基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演　 　 　 　
观测方法，通过快速测定空气中 ＣＯ２和水汽浓度的
脉动值，即瞬时浓度与 ３０ ｍｉｎ 平均浓度的差异，得
到冠层上方连续 ３０ ｍｉｎ的 ＣＯ２和水汽通量，从而计
算植被与大气间碳、水通量的交换特征［２６］ ．涡度相
关技术为研究生态系统水平植被光合生产过程的特
征参数提供了重要途径，使得人们有条件研究冠层
水平不同时间尺度下 ＬＵＥ的变异特征［２７］ ．
利用通量观测获得的 ＣＯ２湍流通量和 ＣＯ２储存
通量可计算净生态系统 ＣＯ２交换量（ ｎｅｔ ｅｃｏｓｙｓｔｅｍ
ｅｘｃｈａｎｇｅ，ＮＥＥ），计算公式为通量观测网络（ＦＬＵＸ⁃
ＮＥＴ）估算 ＮＥＥ的基本方程［２５，２８］ ．将所得的 ＮＥＥ 拆
分为总初级生产力和生态系统总呼吸 （ ｅｃｏｓｙｓｔｅｍ
ｒｅｓｐｉｒａｔｉｏｎ，Ｒｅ） ［２９］，由此得到 ３０ ｍｉｎ步长的 ＧＰＰ：
ＧＰＰ＝ＮＥＰ＋Ｒｅ （３）
式中：ＮＥＰ 为白天的净生态系统生产力（ｎｅｔ ｅｃｏｓｙｓ⁃
ｔｅｍ ｐｒｏｄｕｃｔｉｏｎ，ＮＥＰ ＝ －ＮＥＥ），白天的生态系统呼吸
是通过夜间 ＮＥＥ和 ５ ｃｍ处土壤温度之间的指数关
系反推求得．
现有的 ＧＰＰ 诊断模型通常采用基于光能利用
效率的方法估算 ＧＰＰ ［３０－３１］：
ＧＰＰ＝ＡＰＡＲ×ＬＵＥ （４）
ＡＰＡＲ＝ＰＡＲ×ｆＰＡＲ （５）
ｆＰＡＲ ＝ １－
ＰＡＲｂ
ＰＡＲ
（６）
式中：ＡＰＡＲ为植物吸收的 ４００～７００ ｎｍ光合有效辐
射（μｍｏｌ·ｍ－２·ｓ－１）；ＰＡＲ 为冠层上方入射的光合
有效辐射（μｍｏｌ·ｍ－２·ｓ－１）；ｆＰＡＲ为植物吸收光合有
效辐射的比例，同时观测冠层上方 ＰＡＲ和冠层下方
ＰＡＲｂ，通过式（６）计算求得；ＬＵＥ（ｇ Ｃ·ＭＪ
－１）表示
植物进行光合作用将吸收的辐射能量转化为生物量
的实际效率．因此，３０ ｍｉｎ平均的光能利用效率 ＬＵＥ
可由式（７）计算得出．同样，所有通量数据只选择与
光谱观测相对应的观测数据进行分析．
ＬＵＥ＝ ＧＰＰ
ＰＡＲ×ｆＰＡＲ
（７）
１􀆰 ４　 数据处理
本研究中所有的相关性分析与回归分析，均选
取 １０：００—１４：００时段内的“正午观测”数据与所观
测的全部“日间观测”数据作比较．ＬＵＥ 与环境变量
（Ｔａ、ＶＰＤ、ＳＷＣ）、植被指数（ＮＤＶＩ、ＰＲＩ）之间的相
关性通过 Ｐｅａｒｓｏｎ 相关分析检验．用于估算 ＬＵＥ 的
回归模型分为一元回归模型和二元回归模型，一元
回归模型包括 ＬＵＥ 与环境变量、ＬＵＥ 与植被指数、
ＬＵＥ与环境变量和植被指数的乘积组合的简单线
性回归，二元回归模型则是 ＬＵＥ 与环境变量和植被
指数的二元回归．
２　 结果与分析
２􀆰 １　 环境变量与生产力的时间变化
２０１３年 ９月，观测期内日间平均气温 ２８．８ ℃，
ＶＰＤ 变化范围 ０． ２５ ～ ２． ７１ ｋＰａ，平均 ＶＰＤ 为
１．５ ｋＰａ，ＳＷＣ变化范围 ０．２７ ～ ０．３ ｍ３·ｍ－３（图 １）；
１２月，观测期内日间平均气温 １４．４ ℃，ＶＰＤ 变化范
围 ０．０５～２．０７ ｋＰａ，平均 ＶＰＤ为 １．０１ ｋＰａ，ＳＷＣ变化
范围 ０．３４～０．３５ ｍ３·ｍ－３（图 ２）．由图可直观看出，Ｔａ
与 ＶＰＤ变化趋势大体一致，９月观测期内 Ｔａ高于 １２
月观测期，ＶＰＤ 在午后至傍晚时刻略高于 １２ 月观
测期，ＳＷＣ整体较低，由此推断 ９ 月观测期内大气
（ＶＰＤ）与土壤（ＳＷＣ）水分状况均比 １２ 月观测期内
亏缺．
９月观测期内日间平均 ＧＰＰ 为 １８．１ μｍｏｌ·ｍ－２·
ｓ－１，平均 ＰＡＲ为 ７４４ μｍｏｌ·ｍ－２·ｓ－１（图 ３）；１２ 月
观测期内日间平均 ＧＰＰ 为 １１．１ μｍｏｌ·ｍ－２·ｓ－１，平
均 ＰＡＲ 为 ６３８．７ μｍｏｌ·ｍ－２·ｓ－１（图 ４）．ＧＰＰ 日变
化无明显规律．９ 月观测期内 ＰＡＲ 基本表现为双峰
变化，两个高值之间的低值出现在 １２：００ 左右，而
１２月观测期内 ＰＡＲ单峰变化规律明显，均在 １３：００
达到最大值．
２􀆰 ２　 植被指数及 ＬＵＥ的时间变化
９月观测期内研究区人工针叶林日间 ＬＵＥ平均
值 １．５６ ｇ Ｃ·ＭＪ－１，平均 ＰＲＩ 为 ０．０４，平均 ＮＤＶＩ 为
０．４２（图 ５）；１２ 月观测期内日间 ＬＵＥ 平均值 ０􀆰 ９７
ｇ Ｃ·ＭＪ－１，ＰＲＩ平均值 ０．０３，ＮＤＶＩ 平均值 ０．５５（图
６）．９月观测期内 ＬＵＥ、ＰＲＩ、ＮＤＶＩ 整体高于 １２ 月观
测值，且波动范围也大于 １２月观测值．
相比于 ＮＤＶＩ，ＰＲＩ 能更好地捕捉 ＬＵＥ 日间变
化动态趋势，尽管在一些区间呈现相反走势（例如
１２月 ３日的 １３：００）．
２􀆰 ３　 光能利用效率与环境变量、植被指数的关系
从 ９月日间观测和正午观测（１０：００—１４：００ 整
点时刻）的 ＬＵＥ 与环境变量（Ｔａ、ＶＰＤ、ＳＷＣ）、植被
指数（ＮＤＶＩ、ＰＲＩ）、两者乘积复合变量的一元线性
回归以及二元回归模型的相关性分析结果（表 １）可
以看出，多数相关关系并不显著．正午估算的相关性
整体比日间估算的相关性高．虽然在一元回归中日
间 ＰＲＩ⁃ＬＵＥ的 Ｒ２非常小，ＰＲＩ 对 ＬＵＥ 的响应不如
ＶＰＤ或 ＳＷＣ敏感，ＰＲＩ与 ＶＰＤ ／ ＳＷＣ 相乘复合进行
一元回归后相关性反而降低，但与之进行二元回归
４２４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 １　 千烟洲人工针叶林 ２０１３年 ９月观测期内环境变量日间变化
Ｆｉｇ．１　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｖａｒｉａｂｌｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｓｅｐｔｅｍｂｅｒ ２０１３．
图 ２　 千烟洲人工针叶林 ２０１３年 １２月观测期内环境变量日间变化
Ｆｉｇ．２　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｖａｒｉａｂｌｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｄｅｃｅｍｂｅｒ ２０１３．
后相关性均有提高．由此得到，在水分条件较为亏缺
的情况下，仅用 ＰＲＩ估算 ＬＵＥ效果并不如单一水分
状况因子估算，但是将两者组合进行二元估算，可在
一定程度上提高 Ｒ２，且效果比 ＮＤＶＩ 与水分因子的
二元估算更优．此结论支持了 Ｇａｍｏｎ 等［９］的观点，
在水分胁迫条件下，ＰＲＩ 并不能很好地估算 ＬＵＥ．吴
朝阳等［１４］指出，ＰＲＩ仅适用于作为一个中度水分胁
迫的指数，超过一定范围，ＰＲＩ 将不能正确反映水分
状况，进而影响到与 ＬＵＥ的关系．
对于中亚热带人工针叶林ＬＵＥ秋季日间的估
５２４３１１期　 　 　 　 　 　 　 　 陈蝶聪等： 基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演　 　 　 　
图 ３　 千烟洲人工针叶林 ２０１３年 ９月观测期内 ＧＰＰ、ＰＡＲ日间变化
Ｆｉｇ．３　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ＧＰＰ ａｎｄ ＰＡＲ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｓｅｐｔｅｍｂｅｒ ２０１３．
图 ４　 千烟洲人工针叶林 ２０１３年 １２月观测期内 ＧＰＰ、ＰＡＲ日间变化
Ｆｉｇ．４　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ＧＰＰ ａｎｄ ＰＡＲ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｄｅｃｅｍｂｅｒ ２０１３．
算，最佳模型为 ＰＲＩ 与 ＳＷＣ 组合的二元回归模型；
对于正午估算，则是 ＰＲＩ与 ＶＰＤ组合的二元回归模
型．在 ＰＲＩ的基础上考虑环境因子特别是水分状况
因子，能改善 ＬＵＥ 的估算精度．尽管二元回归模型
并不能完全阐明 ＬＵＥ的变化机制，但这些所选变量
说明了水分状况、色素转化和光抑制作用以复杂的
方式影响着光合作用．
１２月 ＬＵＥ 与各类变量的相关回归分析结果
（表 ２）表明，多数相关关系并不显著．相比于日间估
算，正午估算（１０：００—１４：００整点时刻）并未提高回
归关系的相关性．对于中亚热带人工针叶林 ＬＵＥ 冬
季日间估算，一元回归模型中 Ｒ２最大的环境变量和
植被指数分别是 ＳＷＣ、ＰＲＩ，且 Ｒ２最大的复合变量和
二元回归模型变量同样是 ＳＷＣ 与 ＰＲＩ 的组合．然而
对于正午估算，ＮＤＶＩ 与环境变量组合的回归效果
略胜于 ＰＲＩ，表明虽然 ＰＲＩ 的组成波段与光合作用
过程密切相关，但是仍然存在 ＰＲＩ反演 ＬＵＥ 的效果
不如 ＮＤＶＩ的情况．总体而言，在所有回归模型中，
１２月观测期内反演 ＬＵＥ的最佳模型为 ＰＲＩ 与 ＳＷＣ
组合的二元回归模型，说明结合土壤水分状况和
ＰＲＩ，能够改进对 ＬＵＥ的估算．
　 　 与 ９月观测期内的相关回归分析结果（表 １）相
比，１２月观测期内 ＬＵＥ与大多数变量的相关系数有
不同程度的减小，而日间观测的 ＰＲＩ⁃ＬＵＥ的 Ｒ２有较
大提高（９月 Ｒ２ ＝ ０．０４６，１２月 Ｒ２ ＝ ０．１６１）．并且，与 ９
月观测期结果不同的是，１２ 月观测期内 ＰＲＩ 一元回
归效果优于任一环境变量的一元简单回归．由此可
推断在非生长季期间，光合作用强度较弱，环境因子
或 ＮＤＶＩ 等绿度指数未能很好地反映光合作用过
程，ＰＲＩ可以捕捉到光化学反应中的微小变化 ．ＰＲＩ
６２４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 １　 千烟洲人工针叶林 ２０１３年 ９月观测期 ＬＵＥ与环境变量、植被指数的回归分析
Ｔａｂｌｅ １　 Ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ｂｅｔｗｅｅｎ ＬＵＥ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ ａｎｄ ／ ｏｒ ｓｐｅｃｔｒａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａ⁃
ｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｓｅｐｔｅｍｂｅｒ ２０１３
回归模型
Ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ
日间 Ｄａｙｔｉｍｅ
变量 Ｖａｒｉａｂｌｅ　 　 Ｒ２ Ｐ ｎ
正午 Ｍｉｄｄａｙ
变量 Ｖａｒｉａｂｌｅ　 　 Ｒ２ Ｐ ｎ
一元回归 环境变量 Ｔａ ０．０２２ ＞０．１ ３３ Ｔａ ０．３５３ ＜０．０５ １５
Ｓｉｎｇｌｅ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ＶＰＤ ０．０７８ ＞０．１ ３３ ＶＰＤ ０．５０７ ＜０．０１ １５
ｒｅｇｒｅｓｓｉｏｎ ｆａｃｔｏｒ ＳＷＣ ０．０９５ ＜０．１ ３３ ＳＷＣ ０．２００ ＜０．１ １５
植被指数 ＰＲＩ ０．０４６ ＞０．１ ３３ ＰＲＩ ０．０３２ ＞０．５ １５
Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ＮＤＶＩ ０．０３７ ＞０．１ ３３ ＮＤＶＩ ０．１４７ ＞０．１ １５
复合变量 ＰＲＩ×Ｔａ ０．０２９ ＞０．１ ３３ ＰＲＩ×Ｔａ ０．１１０ ＞０．１ １５
Ｃｏｍｂｉｎａｔｉｏｎ ＰＲＩ×ＶＰＤ ０．０１２ ＞０．５ ３３ ＰＲＩ×ＶＰＤ ０．４４８ ＜０．０１ １５
ＰＲＩ×ＳＷＣ ０．０２３ ＞０．１ ３３ ＰＲＩ×ＳＷＣ ０．０６６ ＞０．１ １５
ＮＤＶＩ×Ｔａ ０．０２９ ＞０．１ ３３ ＮＤＶＩ×Ｔａ ０．０４４ ＞０．１ １５
ＮＤＶＩ×ＶＰＤ ０．０４１ ＞０．１ ３３ ＮＤＶＩ×ＶＰＤ ０．４５７ ＜０．０１ １５
ＮＤＶＩ×ＳＷＣ ０．０２０ ＞０．１ ３３ ＮＤＶＩ×ＳＷＣ ０．１０６ ＞０．１ １５
二元回归 ＰＲＩ， Ｔａ ０．０６０ ＞０．１ ３３ ＰＲＩ， Ｔａ ０．４０１ ＜０．０５ １５
Ｂｉｖａｒｉａｔｅ ＰＲＩ， ＶＰＤ ０．１１２ ＞０．１ ３３ ＰＲＩ， ＶＰＤ ０．５４５ ＜０．０１ １５
ｒｅｇｒｅｓｓｉｏｎ ＰＲＩ， ＳＷＣ ０．１７１ ＞０．０５ ３３ ＰＲＩ， ＳＷＣ ０．２１５ ＞０．１ １５
ＮＤＶＩ， Ｔａ ０．０３８ ＞０．５ ３３ ＮＤＶＩ， Ｔａ ０．３５９ ＞０．０５ １５
ＮＤＶＩ， ＶＰＤ ０．０７８ ＞０．１ ３３ ＮＤＶＩ， ＶＰＤ ０．５２３ ＜０．０５ １５
ＮＤＶＩ， ＳＷＣ ０．０９８ ＞０．１ ３３ ＮＤＶＩ， ＳＷＣ ０．２００ ＞０．１ １５
Ｔａ： 气温 Ａｉｒ ｔｅｍｐｅｒａｔｕｒｅ； ＶＰＤ： 饱和水汽压差 Ｖａｐｏｒ ｐｒｅｓｓｕｒｅ ｄｅｆｉｃｉｔ； ＳＷＣ： 土壤水分含量 Ｓｏｉｌ ｗａｔｅｒ ｃｏｎｔｅｎｔ； ＰＲＩ： 光化学植被指数 Ｐｈｏｔｏｃｈｅｍｉ⁃
ｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ； ＮＤＶＩ： 归一化植被指数 Ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
图 ５　 千烟洲人工针叶林 ２０１３年 ９月观测期内 ＬＵＥ与植被指数日间变化
Ｆｉｇ．５　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ＬＵＥ ａｎｄ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｓｅｐｔｅｍｂｅｒ ２０１３．
对非生长旺盛时期的光能利用效率反演应用显示了
巨大的潜能．
将 ２０１３年 ９月和 １２月观测数据综合进行相关
回归分析（表 ３），结果显示，日间估算的各类回归模
型中，相关性最高的 Ｒ２（表 ３）高于按季节 ／月份的回
归相关性（表 １、表 ２）．对于正午估算，ＮＤＶＩ 结合环
７２４３１１期　 　 　 　 　 　 　 　 陈蝶聪等： 基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演　 　 　 　
境变量拟合 ＬＵＥ 有较好的相关关系；对于日间估
算，ＰＲＩ结合环境变量拟合 ＬＵＥ更显优势．若要反演
中亚热带人工针叶林的日间 ＬＵＥ 变化，则可以选择
拟合效果最好的 ＰＲＩ与 ＳＷＣ组合的二元回归模型．
所以，充分考虑大气、土壤水分状况，能有效地改善
ＬＵＥ日变化的拟合效果．
图 ６　 千烟洲人工针叶林 ２０１３年 １２月观测期内 ＬＵＥ与植被指数日间变化
Ｆｉｇ．６　 Ｄａｙｔｉｍｅ ｄｙｎａｍｉｃｓ ｏｆ ＬＵＥ ａｎｄ ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｄｅｃｅｍｂｅｒ ２０１３．
表 ２　 千烟洲人工针叶林 ２０１３年 １２月观测期 ＬＵＥ与环境变量、植被指数的回归分析
Ｔａｂｌｅ ２　 Ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ｂｅｔｗｅｅｎ ＬＵＥ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ ａｎｄ ／ ｏｒ ｓｐｅｃｔｒａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａ⁃
ｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｄｅｃｅｍｂｅｒ ２０１３
回归模型
Ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ
日间 Ｄａｙｔｉｍｅ
变量 Ｖａｒｉａｂｌｅ　 Ｒ２ Ｐ ｎ
正午 Ｍｉｄｄａｙ
变量 Ｖａｒｉａｂｌｅ　 Ｒ２ Ｐ ｎ
一元回归 环境变量 Ｔａ ０．０１０ ＞０．５ ３０ Ｔａ ０．００５ ＞０．５ １５
Ｓｉｎｇｌｅ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ＶＰＤ ０．００３ ＞０．５ ３０ ＶＰＤ ０．０１２ ＞０．５ １５
ｒｅｇｒｅｓｓｉｏｎ ｆａｃｔｏｒ ＳＷＣ ０．０４３ ＞０．１ ３０ ＳＷＣ ０．０４１ ＞０．１ １５
植被指数 ＰＲＩ ０．１６１ ＜０．１ ３０ ＰＲＩ ０．０４８ ＞０．１ １５
Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ＮＤＶＩ ０．００２ ＞０．５ ３０ ＮＤＶＩ ０．１０７ ＞０．１ １５
复合变量 ＰＲＩ×Ｔａ ０．０４１ ＞０．１ ３０ ＰＲＩ×Ｔａ ０．０４５ ＞０．１ １５
Ｃｏｍｂｉｎａｔｉｏｎ ＰＲＩ×ＶＰＤ ０．０１４ ＞０．５ ３０ ＰＲＩ×ＶＰＤ ０．０００ ＞０．５ １５
ＰＲＩ×ＳＷＣ ０．１５９ ＜０．０５ ３０ ＰＲＩ×ＳＷＣ ０．０４５ ＞０．１ １５
ＮＤＶＩ×Ｔａ ０．０４３ ＞０．１ ３０ ＮＤＶＩ×Ｔａ ０．００６ ＞０．５ １５
ＮＤＶＩ×ＶＰＤ ０．０１４ ＞０．５ ３０ ＮＤＶＩ×ＶＰＤ ０．００３ ＞０．５ １５
ＮＤＶＩ×ＳＷＣ ０．００１ ＞０．５ ３０ ＮＤＶＩ×ＳＷＣ ０．１０１ ＞０．１ １５
二元回归 ＰＲＩ， Ｔａ ０．１６１ ＜０．１ ３０ ＰＲＩ， Ｔａ ０．０８０ ＞０．５ １５
Ｂｉｖａｒｉａｔｅ ＰＲＩ， ＶＰＤ ０．１６３ ＜０．１ ３０ ＰＲＩ， ＶＰＤ ０．０６１ ＞０．５ １５
ｒｅｇｒｅｓｓｉｏｎ ＰＲＩ， ＳＷＣ ０．１７０ ＜０．１ ３０ ＰＲＩ， ＳＷＣ ０．１１３ ＞０．１ １５
ＮＤＶＩ， Ｔａ ０．０５３ ＞０．１ ３０ ＮＤＶＩ， Ｔａ ０．１２４ ＞０．１ １５
ＮＤＶＩ， ＶＰＤ ０．０２９ ＞０．５ ３０ ＮＤＶＩ， ＶＰＤ ０．１１８ ＞０．１ １５
ＮＤＶＩ， ＳＷＣ ０．０４５ ＞０．５ ３０ ＮＤＶＩ， ＳＷＣ ０．１２１ ＞０．１ １５
８２４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 ３　 千烟洲人工针叶林 ２０１３年 ９月、１２月观测期 ＬＵＥ与环境变量、植被指数的回归分析
Ｔａｂｌｅ ３　 Ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ｂｅｔｗｅｅｎ ＬＵＥ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ ａｎｄ ／ ｏｒ ｓｐｅｃｔｒａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａ⁃
ｔｉｏｎ ｉｎ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｐｅｒｉｏｄ ｏｆ Ｓｅｐｔｅｍｂｅｒ ａｎｄ Ｄｅｃｅｍｂｅｒ ２０１３
回归模型
Ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ
日间 Ｄａｙｔｉｍｅ
变量 Ｖａｒｉａｂｌｅ　 Ｒ２ Ｐ ｎ
正午 Ｍｉｄｄａｙ
变量 Ｖａｒｉａｂｌｅ　 Ｒ２ Ｐ ｎ
一元回归 环境变量 Ｔａ ０．１４０ ＜０．０１ ６３ Ｔａ ０．１２５ ＜０．１ ３０
Ｓｉｎｇｌｅ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ＶＰＤ ０．０００ ＞０．５ ６３ ＶＰＤ ０．０２７ ＞０．１ ３０
ｒｅｇｒｅｓｓｉｏｎ ｆａｃｔｏｒ ＳＷＣ ０．２４５ ＜０．００１ ６３ ＳＷＣ ０．３００ ＜０．０１ ３０
植被指数 ＰＲＩ ０．２０２ ＜０．００１ ６３ ＰＲＩ ０．０７９ ＞０．１ ３０
Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ＮＤＶＩ ０．０２９ ＞０．１ ６３ ＮＤＶＩ ０．０２２ ＞０．１ ３０
复合变量 ＰＲＩ×Ｔａ ０．２０４ ＜０．００１ ６３ ＰＲＩ×Ｔａ ０．１０２ ＜０．１ ３０
Ｃｏｍｂｉｎａｔｉｏｎ ＰＲＩ×ＶＰＤ ０．０３１ ＞０．１ ６３ ＰＲＩ×ＶＰＤ ０．０００ ＞０．５ ３０
ＰＲＩ×ＳＷＣ ０．１２６ ＜０．０１ ６３ ＰＲＩ×ＳＷＣ ０．０１２ ＞０．５ ３０
ＮＤＶＩ×Ｔａ ０．１８４ ＜０．００１ ６３ ＮＤＶＩ×Ｔａ ０．２１２ ＜０．０５ ３０
ＮＤＶＩ×ＶＰＤ ０．０００ ＞０．５ ６３ ＮＤＶＩ×ＶＰＤ ０．０６８ ＞０．１ ３０
ＮＤＶＩ×ＳＷＣ ０．１０１ ＜０．０５ ６３ ＮＤＶＩ×ＳＷＣ ０．１０９ ＜０．１ ３０
二元回归 ＰＲＩ， Ｔａ ０．２２８ ＜０．００１ ６３ ＰＲＩ， Ｔａ ０．１３０ ＞０．１ ３０
Ｂｉｖａｒｉａｔｅ ＰＲＩ， ＶＰＤ ０．２０２ ＜０．００１ ６３ ＰＲＩ， ＶＰＤ ０．１４７ ＞０．１ ３０
ｒｅｇｒｅｓｓｉｏｎ ＰＲＩ， ＳＷＣ ０．２９３ ＜０．００１ ６３ ＰＲＩ， ＳＷＣ ０．３０４ ＜０．０１ ３０
ＮＤＶＩ， Ｔａ ０．１９０ ＜０．００５ ６３ ＮＤＶＩ， Ｔａ ０．２０５ ＜０．０５ ３０
ＮＤＶＩ， ＶＰＤ ０．０６６ ＞０．１ ６３ ＮＤＶＩ， ＶＰＤ ０．２２７ ＜０．０５ ３０
ＮＤＶＩ， ＳＷＣ ０．２４８ ＜０．００１ ６３ ＮＤＶＩ， ＳＷＣ ０．３４８ ＜０．００５ ３０
图 ７　 千烟洲站观测样地示意图
Ｆｉｇ． ７ 　 Ｓｃｈｅｍａｔｉｃ ｄｒａｗｉｎｇ ｏｆ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｏｂｓｅｒｖａｔｉｏｎ
ａｎｄ ｅｄｄｙ ｃｏｖａｒｉａｎｃｅ ｆｌｕｘ ｍｅａｓｕｒｅｍｅｎｔ ａｔ Ｑｉａｎｙａｎｚｈｏｕ Ｓｔａｔｉｏｎ．
３　 讨　 　 论
３􀆰 １　 不确定性分析
本研究中光谱仪观测的植被光谱数据与涡度相
关通量观测数据存在时间和空间上的不匹配．涡度
相关通量数据为 ３０ ｍｉｎ平均值，而植被光谱指数为
整点观测的瞬时值，两者差异会给 ＬＵＥ 回归关系带
来误差．另外，植被光谱观测所使用的 ＳＫＬ⁃９０８ 手持
式地表植被光谱仪固定视场角为 ２５°，观测所在
２３ ｍ平台处距离冠层顶部平均 １０ ｍ，传感器所观测
到的冠层视场面积约为 １５．４ ｍ２，而涡度相关通量观
测的风浪区大于 １ ｋｍ，手持式光谱仪观测的冠层面
积远远小于通量观测风浪区（图 ７），因而造成光谱
观测视场得到的 ＰＲＩ、ＮＤＶＩ 与通量观测风浪区的
ＬＵＥ 之间存在空间代表性方面的不匹配，对 ＰＲＩ⁃
ＬＵＥ关系的建立有一定影响．
　 　 在观测操作过程中，由于光谱仪设备条件限制，
传感器伸出塔身以外的距离有限，在其观测视场范
围内包含了通量塔塔身部分（图 ７），导致所测 ＮＤＶＩ
与 ＰＲＩ的不确定性．同时试验操作方法和仪器系统
误差等因素同样影响 ＰＲＩ⁃ＬＵＥ 关系的相关性，在进
一步的研究中应考虑如何消除塔身导致的误差．
此外，千烟洲站区人工针叶林主要为马尾松和湿
地松的混交林，由于不同种类植物叶片的叶绿素含
量、光合能力差别较大，对于单一树种生态系统，ＰＲＩ
可以代表整个植被冠层的特征，而对于由不同树种组
成的混交林，ＰＲＩ的代表性还需要进一步探讨．
在比较 ＮＤＶＩ、ＰＲＩ 估算 ＬＵＥ 效果时还应该注
意时间尺度问题．很多研究证明，ＮＤＶＩ 在日尺度、
８ ｄ尺度上对 ＬＵＥ或 ＧＰＰ 的模拟可以达到很好的效
果，因此不能一概地否认 ＮＤＶＩ 模拟效果不如 ＰＲＩ．
９２４３１１期　 　 　 　 　 　 　 　 陈蝶聪等： 基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演　 　 　 　
这也从侧面推断出 ＮＤＶＩ在长时间尺度上能较好地
反演 ＬＵＥ，而 ＰＲＩ则在短时间尺度（如小时尺度）上
更具优势．
３􀆰 ２　 影响 ＰＲＩ⁃ＬＵＥ关系的因素
不同站点和不同植被类型之间 ＰＲＩ 与 ＬＵＥ 关
系存在较大差异，主要受生理因素和非生理因素影
响．冠层尺度 ＰＲＩ 的影响因素除了冠层本身性质如
叶面积指数、叶倾角分布、冠层结构的季节变化、背
景反射率、物种、叶绿素含量等，还受到观测几何、光
照几何、传感器所观测到的光照叶片与阴影叶片比
例的影响［１２，３２－３３］ ．利用 ＰＲＩ 反演 ＬＵＥ 的同时，应充
分考虑上述影响因素，探究不同站点和不同植被类
型 ＰＲＩ⁃ＬＵＥ关系差异的潜在原因．
现有研究最关注的 ＰＲＩ⁃ＬＵＥ 关系的影响因素
主要有以下 ３ 方面：第一，生态系统类型的影响．通
过比较不同森林类型 ＰＲＩ⁃ＬＵＥ 回归方程的斜率，发
现 ＰＲＩ的敏感性随着森林所处的纬度而变化，所处
纬度越高其斜率越小［４，６，８］ ．第二，冠层阴影的影响．
Ｈａｌｌ等［１２］指出，ＰＲＩ⁃ＬＵＥ回归方程的斜率随着阴叶
面积的增加而减小，由于阴叶处于非光饱和状态，不
存在光保护机制促使 ＰＲＩ 突降，因而具有更高的
ＬＵＥ．进一步研究发现，通过冠层结构计算阴影比
例，ＰＲＩ 反演 ＬＵＥ 的精度得到提高［７］，未来研究需
要发展新型星载传感器，能够同时获取 ＰＲＩ 和冠层
阴影比例，直接获取 ＬＵＥ变化［１２］ ．据此，下一步研究
将尝试采取树冠光照几何学方法对冠层阴影给予订
正，优化 ＰＲＩ⁃ＬＵＥ 效果．第三，不同气候条件对相同
生态系统类型的影响．同样是草地生态系统，地中海
气候和温带大陆性气候下的草地碳通量与植被指数
的关系表现大不相同［３４］ ．因此，深入分析各方面的
影响因素，修正或削弱其影响作用，减小观测系统误
差，有利于提高 ＰＲＩ⁃ＬＵＥ 关系的拟合精度，从而改
善 ＬＵＥ的遥感反演效果．
值得注意的是，与植物色素相关的其他植被光
谱指数在遥感反演方面得以发展，这类指数同样有
潜力应用于 ＬＵＥ 反演和生产力模拟研究．例如，叶
绿素含量与 ＬＵＥ 的季节性变化密切相关［３５－３６］，研
究发现，除了 ＰＲＩ外，冠层叶绿素指数（ｃａｎｏｐｙ ｃｈｌｏ⁃
ｒｏｐｈｙｌｌ ｉｎｄｅｘ，ＣＣＩ）同样可用于表征植被 ＬＵＥ，并且
很好地反映控制光合过程的生物物理参数的季节变
化［４，３４］ ．同样，Ｎａｋａｊｉ 等［２２］研究结果表明，温带针叶
林 ＬＵＥ与 ＣＣＩ呈显著正相关关系．此外，ＣＣＩ 还可作
为冠层绿度变化的指示指数．由于 ＣＣＩ 是基于红边附
近光谱曲线导数的变化［３７］，因此对新生叶的出现引
起的叶绿素含量微小变化的监测，ＣＣＩ 体现出比绿度
指数更具敏感性，其波谷的出现基本与热带常绿林新
生叶的出现一致［４］ ．由此可见，在生态系统生产力的
未来研究中，需要高度关注 ＣＣＩ等植物色素指数的应
用，将 ＣＯ２通量与植被光谱指数紧密结合．
４　 结　 　 论
本文基于 ２０１３ 年秋季与冬季对中亚热带人工
针叶林实测的植被光谱指数 ＰＲＩ、ＮＤＶＩ，结合环境
变量 Ｔａ、ＶＰＤ、ＳＷＣ，分别与涡度相关通量测定的
ＬＵＥ进行相关回归分析，探讨了中亚热带人工针叶
林光能利用效率遥感反演的改进效果．结果表明，对
日间观测综合分析，与光能利用效率的相关系数最
高的环境变量是土壤水分含量（ ＳＷＣ） （Ｒ２ ＝ ０．２５，
Ｐ＜０．００１），相关性较强的植被光谱指数是光化学植
被指数（ＰＲＩ） （Ｒ２ ＝ ０．２０，Ｐ＜０．００１）；利用 ＰＲＩ 与环
境变量进一步组合分析，发现 ＰＲＩ与 ＳＷＣ的二元回
归模型表现出最好拟合效果（Ｒ２ ＝ ０．２９，Ｐ＜０．００１）．
在秋季和冬季观测期内，环境变量、植被指数对
光能利用效率的敏感性各不相同．秋季观测中，正午
估算的相关性整体比日间估算的相关性高，ＰＲＩ 与
大气饱和水汽压差（ＶＰＤ）的二元回归模型 Ｒ２最大
（Ｒ２ ＝ ０．５５，Ｐ＜０．０１）．在水分条件较为亏缺的情况
下，ＰＲＩ 对 ＬＵＥ 的敏感性不如单一水分状况因子，
但是 ＰＲＩ与水分因子组合的二元估算，可在一定程
度上提高 Ｒ２ ．冬季观测中，正午估算结果并没有显
示优势，利用 ＰＲＩ 一元估算（Ｒ２ ＝ ０．１６，Ｐ＜０．０５）或
ＰＲＩ与 ＳＷＣ二元估算（Ｒ２ ＝ ０．１７，Ｐ＝ ０．０８）日间 ＬＵＥ
效果差别不大．
综上所述，本文以中国科学院千烟洲生态试验
站中亚热带人工针叶林为研究对象，建立了涡度相
关通量观测推导的光能利用效率（ＬＵＥ）与环境变量
（Ｔａ、ＶＰＤ、ＳＷＣ）和实测植被光谱指数（ＰＲＩ、ＮＤＶＩ）
之间的相关关系，论证了在小时尺度上利用光化学
植被指数（ＰＲＩ）反演中亚热带人工针叶林光能利用
效率比 ＮＤＶＩ效果更优．进一步分析得出，环境变量
与植被光谱指数组合的二元回归模型能够提高
ＬＵＥ的反演精度；生长季（秋季）和非生长季（冬季）
观测期内 ＬＵＥ的估算效果存在差异，生长季的正午
估算优势明显．针对以上结论，利用 ＰＲＩ 估算中亚热
带人工针叶林光能利用效率应充分考虑环境因子、
植被冠层结构、观测角度等因素，对于该生态系统类
型光能利用效率的遥感反演仍需要更长时间观测研
究加以验证．
０３４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
参考文献
［１］　 Ｇａｍｏｎ ＪＡ， Ｓｅｒｒａｎｏ Ｌ， Ｓｕｒｆｕｓ ＪＳ． Ｔｈｅ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅ⁃
ｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ： Ａｎ ｏｐｔｉｃａｌ ｉｎｄｉｃａｔｏｒ ｏｆ ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ
ｒａｄｉａｔｉｏｎ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ａｃｒｏｓｓ ｓｐｅｃｉｅｓ， ｆｕｎｃｔｉｏｎａｌ ｔｙｐｅｓ，
ａｎｄ ｎｕｔｒｉｅｎｔ ｌｅｖｅｌｓ． Ｏｅｃｏｌｏｇｉａ， １９９７， １１２： ４９２－５０１
［２］　 Ｈｅｉｎｓｃｈ ＦＡ， Ｒｅｅｖｅｓ Ｍ， Ｖｏｔａｖａ Ｐ， ｅｔ ａｌ． Ｕｓｅｒ’ｓ Ｇｕｉｄｅ，
ＧＰＰ ａｎｄ ＮＰＰ （ＭＯＤ１７Ａ２ ／ Ａ３） Ｐｒｏｄｕｃｔｓ， ＮＡＳＡ ＭＯ⁃
ＤＩＳ Ｌａｎｄ Ａｌｇｏｒｉｔｈｍ． ＭＯＤ１７ Ｕｓｅｒ’ｓ Ｇｕｉｄｅ， ２００３
［３］　 Ｈｉｌｋｅｒ Ｔ， Ｃｏｏｐｓ ＮＣ， Ｗｕｌｄｅｒ ＭＡ， ｅｔ ａｌ． Ｔｈｅ ｕｓｅ ｏｆ ｒｅ⁃
ｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｂａｓｅｄ ｍｏｄｅｌｓ ｏｆ
ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ： Ａ ｒｅｖｉｅｗ ｏｆ ｃｕｒｒｅｎｔ ｓｔａｔｕｓ ａｎｄ
ｆｕｔｕｒｅ ｒｅｑｕｉｒｅｍｅｎｔｓ． Ｓｃｉｅｎｃｅ ｏｆ ｔｈｅ Ｔｏｔａｌ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００８， ４０４： ４１１－４２３
［４］　 Ｎａｋａｊｉ Ｔ， Ｋｏｓｕｇｉ Ｙ， Ｔａｋａｎａｓｈｉ Ｓ， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｏｎ ｏｆ
ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｔｈｒｏｕｇｈ ａ ｃｏｍｂｉｎａｔｉｏｎａｌ ｕｓｅ ｏｆ ｔｈｅ
ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ ａｎｄ ｖａｐｏｒ ｐｒｅｓｓｕｒｅ ｄｅｆｉ⁃
ｃｉｔ ｉｎ ａｎ ｅｖｅｒｇｒｅｅｎ ｔｒｏｐｉｃａｌ ｒａｉｎｆｏｒｅｓｔ ａｔ Ｐａｓｏｈ， Ｐｅｎｉｎｓｕ⁃
ｌａｒ Ｍａｌａｙｓｉａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１４，
１５０： ８２－９２
［５］　 Ｄｒｏｌｅｔ ＧＧ， Ｍｉｄｄｌｅｔｏｎ ＥＭ， Ｈｕｅｍｍｒｉｃｈ ＫＦ， ｅｔ ａｌ． Ｒｅ⁃
ｇｉｏｎａｌ ｍａｐｐｉｎｇ ｏｆ ｇｒｏｓｓ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｕｓｉｎｇ ＭＯＤＩＳ
ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００８，
１１２： ３０６４－３０７８
［６］　 Ｇａｒｂｕｌｓｋｙ ＭＦ， Ｐｅñｕｅｌａｓ Ｊ， Ｇａｍｏｎ Ｊ， ｅｔ ａｌ． Ｔｈｅ ｐｈｏｔｏ⁃
ｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ （ＰＲＩ） ａｎｄ ｔｈｅ ｒｅｍｏｔｅ ｓｅｎ⁃
ｓｉｎｇ ｏｆ ｌｅａｆ， ｃａｎｏｐｙ ａｎｄ ｅｃｏｓｙｓｔｅｍ ｒａｄｉａｔｉｏｎ ｕｓｅ ｅｆｆｉ⁃
ｃｉｅｎｃｉｅｓ： Ａ ｒｅｖｉｅｗ ａｎｄ ｍｅｔａ⁃ａｎａｌｙｓｉｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， １１５： ２８１－２９７
［７］　 Ｈｉｌｋｅｒ Ｔ， Ｃｏｏｐｓ ＮＣ， Ｈａｌｌ ＦＧ， ｅｔ ａｌ． Ｉｎｆｅｒｒｉｎｇ ｔｅｒｒｅｓｔｒｉａｌ
ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔｅｍｐｅｒａｔｅ ｅｃｏｓｙｓ⁃
ｔｅｍｓ ｆｒｏｍ ｓｐａｃｅ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ， ２０１１，
１１６， Ｇ０３０１４， Ｄｏｉ： １０．１０２９ ／ ２０１１ｊｇ００１６９２
［８］　 Ｎｉｃｈｏｌ ＣＪ， Ｌｌｏｙｄ Ｊ， Ｓｈｉｂｉｓｔｏｖａ Ｏ， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｏｆ ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ⁃ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ａ Ｓｉｂｅｒｉａｎ ｂｏｒｅａｌ
ｆｏｒｅｓｔ． Ｔｅｌｌｕｓ Ｓｅｒｉｅｓ： Ｂ－Ｃｈｅｍｉｃａｌ ａｎｄ Ｐｈｙｓｉｃａｌ Ｍｅｔｅｏｒｏｌ⁃
ｏｇｙ， ２００２， ５４： ６７７－６８７
［９］　 Ｇａｍｏｎ ＪＡ， Ｐｅｎｕｅｌａｓ Ｊ， Ｆｉｅｌｄ ＣＢ． Ａ ｎａｒｒｏｗ⁃ｗａｖｅｂａｎｄ
ｓｐｅｃｔｒａｌ ｉｎｄｅｘ ｔｈａｔ ｔｒａｃｋｓ ｄｉｕｒｎａｌ ｃｈａｎｇｅｓ ｉｎ ｐｈｏｔｏｓｙｎ⁃
ｔｈｅｔｉｃ ｅｆｆｉｃｉｅｎｃｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９９２，
４１： ３５－４４
［１０］　 Ｐｅñｕｅｌａｓ Ｊ， Ｆｉｌｅｌｌａ Ｉ， Ｇａｍｏｎ ＪＡ． Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｐｈｏｔｏ⁃
ｓｙｎｔｈｅｔｉｃ ｒａｄｉａｔｉｏｎ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｗｉｔｈ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ． Ｎｅｗ Ｐｈｙｔｏｌｏｇｉｓｔ， １９９５， １３１： ２９１－２９６
［１１］　 Ｗｕ Ｃ⁃Ｙ （吴朝阳）， Ｎｉｕ Ｚ （牛　 铮）， Ｔａｎｇ Ｑ （汤　
泉）． Ｅｓｔｉｍａｔｉｎｇ ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｂｙ
ｕｓｉｎｇ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ． Ｊｏｕｒｎａｌ ｏｆ
Ｌａｎｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ （Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ） （兰州大学学
报：自然科学版）， ２００８， ４４（２）： ２８－３２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｈａｌｌ ＦＧ， Ｈｉｌｋｅｒ Ｔ， Ｃｏｏｐｓ ＮＣ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ａｎｇｌｅ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｏｆ ｆｏｒｅｓｔ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｂｙ ｏｂｓｅｒｖｉｎｇ ＰＲＩ
ｖａｒｉａｔｉｏｎ ｗｉｔｈ ｃａｎｏｐｙ ｓｈａｄｏｗ ｆｒａｃｔｉｏｎ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２００８， １１２： ３２０１－３２１１
［１３］　 Ｃｈｅｎ Ｊ （陈 　 晋）， Ｔａｎｇ Ｙ⁃Ｈ （唐艳鸿）， Ｃｈｅｎ Ｘ⁃Ｈ
（陈学泓）， ｅｔ ａｌ． Ｔｈｅ ｒｅｖｉｅｗ ｏｆ ｅｓｔｉｍａｔｉｎｇ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉ⁃
ｃｉｅｎｃｙ ｔｈｒｏｕｇｈ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｉｎｄｅｘ （ＰＲＩ）．
Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２００８， １２（２）：
３３１－３３７ （ｉｎ Ｃｈｉｎｅｓｅ）
［１４］　 Ｗｕ Ｃ⁃Ｙ （吴朝阳）， Ｎｉｕ Ｚ （牛 　 铮）． Ｒｅｖｉｅｗ ｏｆ ｒｅ⁃
ｔｒｉｅｖａｌ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｕｓｉｎｇ ｐｈｏｔｏｃｈｅｍｉｃａｌ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ ｉｎｄｅｘ （ ＰＲＩ）． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｐｌａｎｔ Ｅｃｏｌｏｇｙ
（植物生态学报）， ２００８， ３２（３）： ７３４－７４０ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１５］　 Ｌｌｏｙｄ Ｊ， Ｆａｒｑｕｈａｒ ＧＤ． Ｅｆｆｅｃｔｓ ｏｆ ｒｉｓｉｎｇ ｔｅｍｐｅｒａｔｕｒｅｓ ａｎｄ
［ＣＯ２］ ｏｎ ｔｈｅ ｐｈｙｓｉｏｌｏｇｙ ｏｆ ｔｒｏｐｉｃａｌ ｆｏｒｅｓｔ ｔｒｅｅｓ． Ｐｈｉｌｏ⁃
ｓｏｐｈｉｃａｌ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ Ｂ， ２００８， ３６３：
１８１１－１８１７
［１６］　 Ｖｏｕｒｌｉｔｉｓ ＧＬ， Ｐｒｉａｎｔｅ Ｆｉｌｈｏ Ｎ， Ｈａｙａｓｈｉ ＭＭＳ， ｅｔ ａｌ．
Ｓｅａｓｏｎａｌ ｖａｒｉａｔｉｏｎｓ ｉｎ ｔｈｅ ｎｅｔ ｅｃｏｓｙｓｔｅｍ ＣＯ２ ｅｘｃｈａｎｇｅ ｏｆ
ａ ｍａｔｕｒｅ Ａｍａｚｏｎｉａｎ ｔｒａｎｓｉｔｉｏｎａｌ ｔｒｏｐｉｃａｌ ｆｏｒｅｓｔ
（ｃｅｒｒａｄãｏ）． Ｆｕｎｃｔｉｏｎａｌ Ｅｃｏｌｏｇｙ， ２００１， １５： ３８８－３９５
［１７］　 Ｇｏｅｒｎｅｒ Ａ， Ｒｅｉｃｈｓｔｅｉｎ Ｍ， Ｒａｍｂａｌ Ｓ． Ｔｒａｃｋｉｎｇ ｓｅａｓｏｎａｌ
ｄｒｏｕｇｈｔ ｅｆｆｅｃｔｓ ｏｎ ｅｃｏｓｙｓｔｅｍ ｌｉｇｈｔ ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｗｉｔｈ
ｓａｔｅｌｌｉｔｅ⁃ｂａｓｅｄ ＰＲＩ ｉｎ ａ Ｍｅｄｉｔｅｒｒａｎｅａｎ ｆｏｒｅｓｔ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００９， １１３： １１０１－１１１１
［１８］ 　 Ｍｏｒｅｎｏ Ａ， Ｍａｓｅｌｌｉ Ｆ， Ｇｉｌａｂｅｒｔ ＭＡ， ｅｔ ａｌ． Ａｓｓｅｓｓｍｅｎｔ
ｏｆ ＭＯＤＩＳ ｉｍａｇｅｒｙ ｔｏ ｔｒａｃｋ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｉｎ ａ ｗａ⁃
ｔｅｒ⁃ｌｉｍｉｔｅｄ Ｍｅｄｉｔｅｒｒａｎｅａｎ ｐｉｎｅ ｆｏｒｅｓｔ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１２， １２３： ３５９－３６７
［１９］　 Ｋｏｓｕｇｉ Ｙ， Ｔａｋａｎａｓｈｉ Ｓ， Ｔａｎｉ Ｍ， ｅｔ ａｌ． Ｅｆｆｅｃｔ ｏｆ ｉｎｔｅｒ⁃
ａｎｎｕａｌ ｃｌｉｍａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｏｎ ｅｖａｐｏｔｒａｎｓｐｉｒａｔｉｏｎ ａｎｄ ｃａ⁃
ｎｏｐｙ ＣＯ２ ｅｘｃｈａｎｇｅ ｏｆ ａ ｔｒｏｐｉｃａｌ ｒａｉｎｆｏｒｅｓｔ ｉｎ Ｐｅｎｉｎｓｕｌａｒ
Ｍａｌａｙｓｉａ． Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， ２０１２， １７： ２２７－
２４０
［２０］　 Ｃｈｅｎｇ ＹＢ， Ｅｌｉｚａｂｅｔｈ ＭＭ， Ｈｉｌｋｅｒ Ｔ， ｅｔ ａｌ． Ｄｙｎａｍｉｃｓ ｏｆ
ｓｐｅｃｔｒａｌ ｂｉｏ⁃ｉｎｄｉｃａｔｏｒｓ ａｎｄ ｔｈｅｉｒ ｃｏｒｒｅｌａｔｉｏｎｓ ｗｉｔｈ ｌｉｇｈｔ
ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｕｓｉｎｇ ｄｉｒｅｃｔｉｏｎａｌ ｏｂｓｅｒｖａｔｉｏｎｓ ａｔ ａ Ｄｏｕｇ⁃
ｌａｓ⁃ｆｉｒ ｆｏｒｅｓｔ． Ｍｅａｓｕｒｅｍｅｎｔ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，
２００９， ２０： ０９５１０７， Ｄｏｉ： １０． １０８８ ／ ０９５７⁃０２３３ ／ ２０ ／ ９ ／
０９５１０７
［２１］　 Ｈｉｌｋｅｒ Ｔ， Ｈａｌｌ ＦＧ， Ｃｏｏｐｓ ＮＣ， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｏｆ
ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ａｃｒｏｓｓ ｔｗｏ ｆｏｒｅｓｔｅｄ
ｂｉｏｍｅｓ： Ｓｐａｔｉａｌ ｓｃａｌｉｎｇ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２０１０， １１４： ２８６３－２８７４
［２２］　 Ｎａｋａｊｉ Ｔ， Ｉｄｅ Ｒ， Ｔａｋａｇｉ Ｋ， ｅｔ ａｌ． Ｕｔｉｌｉｔｙ ｏｆ ｓｐｅｃｔｒａｌ
ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ｆｏｒ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｌｉｇｈｔ ｃｏｎｖｅｒｓｉｏｎ ｅｆｆｉ⁃
ｃｉｅｎｃｙ ｉｎ ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔｓ ｉｎ Ｊａｐａｎ． Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ
Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ， ２００８， １４８： ７７６－７８７
［２３］　 Ｇａｒｂｕｌｓｋｙ ＭＦ， Ｐｅñｕｅｌａｓ Ｊ， Ｐａｐａｌｅ Ｄ， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｅｓ⁃
ｔｉｍａｔｉｏｎ ｏｆ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ ｕｐｔａｋｅ ｂｙ ａ Ｍｅｄｉｔｅｒｒａｎｅａｎ
ｆｏｒｅｓｔ． Ｇｌｏｂａｌ Ｃｈａｎｇｅ Ｂｉｏｌｏｇｙ， ２００８， １４： ２８６０－２８６７
［２４］　 Ｓｕｎ Ｘ⁃Ｍ （孙晓敏）， Ｗｅｎ Ｘ⁃Ｆ （温学发）， Ｙｕ Ｇ⁃Ｒ
（于贵瑞）， ｅｔ ａｌ． Ｓｅａｓｏｎａｌ ｄｒｏｕｇｈｔ ｅｆｆｅｃｔｓ ｏｎ ｃａｒｂｏｎ
ｓｅｑｕｅｓｔｒａｔｉｏｎ ｏｆ ａ ｍｉｄ⁃ｓｕｂｔｒｏｐｉｃａｌ ｐｌａｎｔｅｄ ｆｏｒｅｓｔ ｏｆ
ｓｏｕｔｈｅａｓｔｅｒｎ Ｃｈｉｎａ． Ｓｃｉｅｎｃｅ ｉｎ Ｃｈｉｎａ Ｓｅｒｉｅｓ Ｄ （ Ｅａｒｔｈ
Ｓｃｉｅｎｃｅｓ） （中国科学 Ｄ 辑： 地球科学）， ２００６， ３６
（ｓｕｐｐｌ．１）： １０３－１１０ （ｉｎ Ｃｈｉｎｅｓｅ）
［２５］　 Ｌｉｕ Ｙ⁃Ｆ （刘允芬）， Ｙｕ Ｇ⁃Ｒ （于贵瑞）， Ｗｅｎ Ｘ⁃Ｆ （温
学发）， ｅｔ ａｌ． Ｓｅａｓｏｎａｌ ｄｙｎａｍｉｃｓ ｏｆ ＣＯ２ ｆｌｕｘｅｓ ｆｒｏｍ ｓｕｂ⁃
ｔｒｏｐｉｃａｌ ｐｌａｎｔａｔｉｏｎ ｃｏｎｉｆｅｒｏｕｓ ｅｃｏｓｙｓｔｅｍ． Ｓｃｉｅｎｃｅ ｉｎ Ｃｈｉ⁃
ｎａ Ｓｅｒｉｅｓ Ｄ （Ｅａｒｔｈ Ｓｃｉｅｎｃｅｓ） （中国科学 Ｄ辑：地球科
学）， ２００６， ３６（ｓｕｐｐｌ．１）： ９１－１０２ （ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｂａｌｄｏｃｃｈｉ Ｄ， Ｆａｌｇｅ Ｅ， Ｇｕ ＬＨ， ｅｔ ａｌ． ＦＬＵＸＮＥＴ： Ａ
ｎｅｗ ｔｏｏｌ ｔｏ ｓｔｕｄｙ ｔｈｅ ｔｅｍｐｏｒａｌ ａｎｄ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ
１３４３１１期　 　 　 　 　 　 　 　 陈蝶聪等： 基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演　 　 　 　
ｅｃｏｓｙｓｔｅｍ⁃ｓｃａｌｅ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ， ｗａｔｅｒ ｖａｐｏｒ， ａｎｄ ｅｎｅｒ⁃
ｇｙ ｆｌｕｘ ｄｅｎｓｉｔｉｅｓ． Ｂｕｌｌｅｔｉｎ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
Ｓｏｃｉｅｔｙ， ２００１， ８２： ２４１５－２４３４
［２７］　 Ｗｕ Ｗ⁃Ｘ （伍卫星）． Ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌ Ｄｙｎａｍｉｃｓ ａｎｄ Ｅｎ⁃
ｖｉｒｏｎｍｅｎｔａｌ Ｃｏｎｔｒｏｌｓ ｏｆ Ｌｉｇｈｔ⁃ｕｓｅ Ｅｆｆｉｃｉｅｎｃｙ ａｍｏｎｇ Ｔｙｐｉ⁃
ｃａｌ Ｔｅｒｒｅｓｔｒｉａｌ Ｅｃｏｓｙｓｔｅｍｓ ｉｎ Ｃｈｉｎａ． ＰｈＤ Ｔｈｅｓｉｓ． Ｂｅｉ⁃
ｊｉｎｇ： Ｇｒａｄｕａｔｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉ⁃
ｅｎｃｅｓ， ２０１０ （ｉｎ Ｃｈｉｎｅｓｅ）
［２８］　 Ｇｒｅｃｏ Ｓ， Ｂａｌｄｏｃｃｈｉ Ｄ． Ｓｅａｓｏｎａｌ ｖａｒｉａｔｉｏｎｓ ｏｆ ＣＯ２ ａｎｄ
ｗａｔｅｒ ｖａｐｏｕｒ ｅｘｃｈａｎｇｅ ｒａｔｅｓ ｏｖｅｒ ａ ｔｅｍｐｅｒａｔｅ ｄｅｃｉｄｕｏｕｓ
ｆｏｒｅｓｔ． Ｇｌｏｂａｌ Ｃｈａｎｇｅ Ｂｉｏｌｏｇｙ， １９９６， ２： １８３－１９７
［２９］　 Ｒｅｉｃｈｓｔｅｉｎ Ｍ， Ｆａｌｇｅ Ｅ， Ｂａｌｄｏｃｃｈｉ Ｄ， ｅｔ ａｌ． Ｏｎ ｔｈｅ ｓｅｐａ⁃
ｒａｔｉｏｎ ｏｆ ｎｅｔ ｅｃｏｓｙｓｔｅｍ ｅｘｃｈａｎｇｅ ｉｎｔｏ ａｓｓｉｍｉｌａｔｉｏｎ ａｎｄ
ｅｃｏｓｙｓｔｅｍ ｒｅｓｐｉｒａｔｉｏｎ： Ｒｅｖｉｅｗ ａｎｄ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ．
Ｇｌｏｂａｌ Ｃｈａｎｇｅ Ｂｉｏｌｏｇｙ， ２００５， １１： １４２４－１４３９
［３０］　 Ｍｏｎｔｅｉｔｈ ＪＬ． Ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ａｎｄ ｐｒｏｄｕｃｔｉｖｉｔｙ ｉｎ ｔｒｏｐｉｃａｌ
ｅｃｏｓｙｓｔｅｍｓ． Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， １９７２， ９： ７４７－
７６６
［３１］　 Ｍｏｎｔｅｉｔｈ ＪＬ， Ｍｏｓｓ ＣＪ． Ｃｌｉｍａｔｅ ａｎｄ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｃｒｏｐ
ｐｒｏｄｕｃｔｉｏｎ ｉｎ Ｂｒｉｔａｉｎ ［ ａｎｄ Ｄｉｓｃｕｓｓｉｏｎ］． Ｐｈｉｌｏｓｏｐｈｉｃａｌ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ Ｂ： Ｂｉｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅｓ，
１９７７， ２８１： ２７７－２９４
［３２］　 Ｈｉｌｋｅｒ Ｔ， Ｃｏｏｐｓ ＮＣ， Ｓｃｈｗａｌｍ ＣＲ， ｅｔ ａｌ． Ｅｆｆｅｃｔｓ ｏｆ ｍｕ⁃
ｔｕａｌ ｓｈａｄｉｎｇ ｏｆ ｔｒｅｅ ｃｒｏｗｎｓ ｏｎ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｐｈｏｔｏｓｙｎｔｈｅ⁃
ｔｉｃ ｌｉｇｈｔ⁃ｕｓｅ ｅｆｆｉｃｉｅｎｃｙ ｉｎ ａ ｃｏａｓｔａｌ Ｄｏｕｇｌａｓ⁃ｆｉｒ ｆｏｒｅｓｔ．
Ｔｒｅｅ Ｐｈｙｓｉｏｌｏｇｙ， ２００８， ２８： ８２５－８３４
［３３］　 Ｓｉｍｓ ＤＡ， Ｇａｍｏｎ ＪＡ． Ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ ｌｅａｆ ｐｉｇ⁃
ｍｅｎｔ ｃｏｎｔｅｎｔ ａｎｄ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ａｃｒｏｓｓ ａ ｗｉｄｅ ｒａｎｇｅ
ｏｆ ｓｐｅｃｉｅｓ， ｌｅａｆ ｓｔｒｕｃｔｕｒｅｓ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔａｌ ｓｔａｇｅｓ． Ｒｅ⁃
ｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８１： ３３７－３５４
［３４］　 Ｂａｌｚａｒｏｌｏ Ｍ， Ｖｅｓｃｏｖｏ Ｌ， Ｈａｍｍｅｒｌｅ Ａ， ｅｔ ａｌ． Ｏｎ ｔｈｅ ｒｅ⁃
ｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｅｃｏｓｙｓｔｅｍ⁃ｓｃａｌｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ ａｎｄ ＣＯ２ ｅｘｃｈａｎｇｅ ｉｎ Ｅｕｒｏｐｅａｎ ｍｏｕｎｔａｉｎ ｇｒａｓｓ⁃
ｌａｎｄｓ． Ｂｉｏｇｅｏｓｃｉｅｎｃｅｓ Ｄｉｓｃｕｓｓｉｏｎｓ， ２０１４， １１： １０３２３ －
１０３６３
［３５］　 Ｈｏｕｂｏｒｇ Ｒ， Ａｎｄｅｒｓｏｎ ＭＣ， Ｄａｕｇｈｔｒｙ ＣＳＴ， ｅｔ ａｌ． Ｕｓｉｎｇ
ｌｅａｆ ｃｈｌｏｒｏｐｈｙｌｌ ｔｏ ｐａｒａｍｅｔｅｒｉｚｅ ｌｉｇｈｔ⁃ｕｓｅ⁃ｅｆｆｉｃｉｅｎｃｙ ｗｉｔｈ⁃
ｉｎ ａ ｔｈｅｒｍａｌ⁃ｂａｓｅｄ ｃａｒｂｏｎ， ｗａｔｅｒ ａｎｄ ｅｎｅｒｇｙ ｅｘｃｈａｎｇｅ
ｍｏｄｅｌ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， １１５：
１６９４－１７０５
［３６］　 Ｗｕ Ｃ， Ｎｉｕ Ｚ， Ｔａｎｇ Ｑ， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｇｒｏｓｓ
ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ ｉｎ ｗｈｅａｔ ｕｓｉｎｇ ｃｈｌｏｒｏｐｈｙｌｌ⁃ｒｅｌａｔｅｄ
ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ． Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ，
２００９， １４９： １０１５－１０２１
［３７］　 Ｓｉｍｓ ＤＡ， Ｌｕｏ Ｈ， Ｈａｓｔｉｎｇｓ Ｓ， ｅｔ ａｌ． Ｐａｒａｌｌｅｌ ａｄｊｕｓｔ⁃
ｍｅｎｔｓ ｉｎ ｖｅｇｅｔａｔｉｏｎ ｇｒｅｅｎｎｅｓｓ ａｎｄ ｅｃｏｓｙｓｔｅｍ ＣＯ２ ｅｘ⁃
ｃｈａｎｇｅ ｉｎ ｒｅｓｐｏｎｓｅ ｔｏ ｄｒｏｕｇｈｔ ｉｎ ａ Ｓｏｕｔｈｅｒｎ Ｃａｌｉｆｏｒｎｉａ
ｃｈａｐａｒｒａｌ ｅｃｏｓｙｓｔｅｍ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００６， １０３： ２８９－３０３
作者简介　 陈蝶聪，女，１９９０年生，硕士研究生． 主要从事生
态遥感研究． Ｅ⁃ｍａｉｌ： ｃｃｏｎｇ１６＠ １６３．ｃｏｍ
责任编辑　 杨　 弘
２３４３ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷