全 文 ：第 ３６ 卷第 １２ 期
２０１６年 ６月
生 态 学 报
ＡＣＴＡ ＥＣＯＬＯＧＩＣＡ ＳＩＮＩＣＡ
Ｖｏｌ．３６，Ｎｏ．１２
Ｊｕｎ．，２０１６
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
基金项目：中国科学院气候变化：碳收支与相关问题项目（ＸＤＡ０５０４０４０３）； 中国国家高新技术研究与发展计划项目（２０１３ＡＡ１２２００２）
收稿日期：２０１４⁃１０⁃１３； 　 　 网络出版日期：２０１５⁃１０⁃１０
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ： ｂａｏｚｈａｎｇ．ｃｈｅｎ＠ ｉｇｓｎｒｒ．ａｃ．ｃｎ
ＤＯＩ： １０．５８４６ ／ ｓｔｘｂ２０１４１０１３２０１５
徐博轩，陈报章，许光，陈婧，车明亮．基于叶面积指数估算植被总初级生产力．生态学报，２０１６，３６（１２）：３５４６⁃３５５５．
Ｘｕ Ｂ Ｘ， Ｃｈｅｎ Ｂ Ｚ， Ｘｕ Ｇ， Ｃｈｅｎ Ｊ， Ｃｈｅ Ｍ Ｌ．Ｅｓｔｉｍａｔｅｄ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ．Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ，２０１６，３６（１２）：
３５４６⁃３５５５．
基于叶面积指数估算植被总初级生产力
徐博轩１，２，陈报章１，２，∗，许　 光２，３，陈　 婧２，车明亮２，３
１ 中国矿业大学环境与测绘学院，徐州　 ２２１１１６
２ 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京　 １００１０１
３ 中国科学院大学，北京　 １０００４９
摘要：长时间序列的陆地碳通量数据在全球生态环境变化研究中具有重要意义。 采用 ＭＯＤＩＳ ＧＰＰ （Ｇｒｏｓｓ Ｐｒｉｍａｒｙ Ｐｒｏｄｕｃｔｉｖｉｔｙ）
算法，基于 ＧＩＭＭＳ ＬＡＩ３ｇ，ＭＯＤＩＳ１５和 Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５三种叶面积指数（ＬＡＩ），估算了全球 ２０００ 至 ２０１０ 年的植被总初级生
产力（ＧＰＰ）。 该估算的 ＧＰＰ 数值经过全球 ２０个通量站点的验证，并结合 ＭＯＤＩＳ１７ 分析了它们在时空变化上的异同。 结果表
明：（１）４ 种 ＧＰＰ 精度如下：ＧＰＰＭＯＤ１７＞ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５＞ＧＰＰＬＡＩ３ｇ＞ＧＰＰＭＯＤ１５。 （２）４种 ＧＰＰ 整体上具有一致的季节波动，冬季和夏季
整体好于春季和秋季。 ＧＰＰＬＡＩ３ｇ的 ４个季节精度较相近，而 ＧＰＰＭＯＤ１７除了春秋季外其它季节都较好。 （３）ＧＰＰＬＡＩ３ｇ在中等 ＧＰＰ
值分布区的估值相对较高，其全球总 ＧＰＰ 大体为（１１７±１．５）Ｐｇ Ｃ ／ ａ，ＧＰＰＭＯＤ１７和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５相近且都低于该值。 （４）ＧＰＰＬＡＩ３ｇ和
ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５在大约 ６３．２９％的陆面上呈显著（Ｐ＜０．０５）的正相关关系，它们和 ＧＰＰＭＯＤ１７在 ＬＡＩ 不确定性小的地区呈显著的正相
关关系。 ＧＰＰＬＡＩ３ｇ和 ＧＰＰＭＯＤ１５正相关分布面积占比为 ４０．６１％。
关键词：总初级生产力（ＧＰＰ）； ＭＯＤＩＳ ＧＰＰ 模型； ＧＩＭＭＳ ＬＡＩ３ｇ； ＭＯＤＩＳ１５； Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５
Ｅｓｔｉｍａｔｅｄ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ
ＸＵ Ｂｏｘｕａｎ１，２， ＣＨＥＮ Ｂａｏｚｈａｎｇ１，２，∗， ＸＵ Ｇｕａｎｇ２，３， ＣＨＥＮ Ｊｉｎｇ２， ＣＨＥ Ｍｉｎｇｌｉａｎｇ２，３
１ Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｓｐａｔｉａｌ Ｉｎｆｏｒｍａｔｉｃｓ， Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｘｕｚｈｏｕ ２２１１１６， Ｃｈｉｎａ
２ Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ， Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｇｅｏｇｒａｐｈｉｃａｌ Ｓｃｉｅｎｃｅｓ ａｎｄ Ｎａｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ Ｒｅｓｅａｒｃｈ， Ｃｈｉｎｅｓｅ
Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １００１０１， Ｃｈｉｎａ
３ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００４９， Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ： Ｌｏｎｇ⁃ｔｅｒｍ， ｓｅｒｉｅｓ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ （ＧＰＰ） ｄａｔａ ａｒｅ ｉｍｐｏｒｔａｎｔ ｉｎ ｃａｒｂｏｎ ｃｙｃｌｅ ｒｅｓｅａｒｃｈ． Ｔｈｅ ＭＯＤ１７
ａｌｇｏｒｉｔｈｍ， ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｒａｄｉａｔｉｏｎ ｃｏｎｖｅｒｓｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｃｏｎｃｅｐｔ ｏｆ Ｍｏｎｔｅｉｔｈ， ｈａｓ ｂｅｅｎ ｕｓｅｄ ｗｉｄｅｌｙ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ
ＧＰＰ． Ｈｏｗｅｖｅｒ， ＭＯＤＩＳ１７ ｏｎｌｙ ｐｒｏｖｉｄｅｓ ｔｈｅ ｇｌｏｂａｌ ＧＰＰ ｓｉｎｃｅ ２０００ ｄｕｅ ｔｏ ｔｈｅ ｓｈｏｒｔ ｔｉｍｅ ｓｅｒｉｅｓ ｏｆ ｔｈｅ ＭＯＤＩＳ ｌｅａｆ ａｒｅａ
ｉｎｄｅｘ （ＭＯＤＩＳ１５）． ＬＡＩ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｆｒａｃｔｉｏｎ ｏｆ ｐｈｏｔｏｓｙｎｔｈｅｔｉｃａｌｌｙ ａｃｔｉｖｅ ｒａｄｉａｔｉｏｎ ａｂｓｏｒｂｅｄ ｂｙ
ｐｌａｎｔｓ， ａｎｄ ｅｒｒｏｒｓ ｉｎ ＬＡＩ ｗｉｌｌ ｂｅ ｐｒｏｐａｇａｔｅｄ ｔｏ ＧＰＰ ｅｓｔｉｍａｔｅｓ． Ｔｈｒｅｅ ｇｌｏｂａｌ ＬＡＩ ａｒｅ ａｖａｉｌａｂｌｅ： ＭＯＤＩＳ１５， ｉｍｐｒｏｖｅｄ⁃
ＭＯＤＩＳ１５， ａｎｄ Ｇｌｏｂａｌ Ｉｎｖｅｎｔｏｒｙ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ Ｓｔｕｄｉｅｓ （ＧＩＭＭＡＳ） ＬＡＩ３ｇ． Ｔｈｅ ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５ ＬＡＩ ｉｓ ｍｏｒｅ
ｒｅａｌｉｓｔｉｃ ａｎｄ ｓｍｏｏｔｈｅｒ ｔｈａｎ ｔｈｅ ＭＯＤＩＳ１５ ｂｅｃａｕｓｅ ｉｔ ｕｓｅｓ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ａｎ ｉｎｔｅｇｒａｔｅｄ ｔｗｏ⁃ｓｔｅｐ ｍｅｔｈｏｄ． Ｔｈｅ
ＧＩＭＭＡＳ ＬＡＩ３ｇ ｉｓ ａ ｎｅｗ ３０⁃ｙｅａｒ ｔｉｍｅ ｓｅｒｉｅｓ ｇｌｏｂａｌ ＬＡＩ （１９８１—２０１１）． Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｗｅ ｃｏｍｐａｒｅｄ ｔｈｅ ｇｌｏｂａｌ ＧＰＰ
ｅｓｔｉｍａｔｅｓ ｄｕｒｉｎｇ ２０００—２０１０ ｂｙ ｕｓｉｎｇ ｔｈｅ ＭＯＤＩＳ ＧＰＰ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｈｒｅｅ ｇｌｏｂａｌ ＬＡＩ． Ｔｈｅ ｇｌｏｂａｌ ＧＰＰ ｅｓｔｉｍａｔｅｓ
ｂａｓｅｄ ｏｎ ＧＩＭＭＡＳ ＬＡＩ３ｇ， ＭＯＤＩＳ１５， ａｎｄ ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５ ａｒｅ ｒｅｆｅｒｒｅｄ ｔｏ ａｓ ＧＰＰ ＬＡＩ３ｇ， ＧＰＰＭＯＤ１５， ａｎｄ ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５，
ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｗｅ ａｌｓｏ ｃｏｍｐａｒｅｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ⁃ｂａｓｅｄ ＧＰＰ ｅｓｔｉｍａｔｅｓ ｗｉｔｈ ｅｄｄｙ ｃｏｖａｒｉａｎｃｅ （ＥＣ） ｆｌｕｘ ｔｏｗｅｒ⁃ｍｅａｓｕｒｅｄ ＧＰＰ．
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
Ｔｈｅ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ＥＣ ｆｌｕｘ ｔｏｗｅｒｓ ｗｅｒｅ ｓｅｌｅｃｔｅｄ ｂｙ ｃｏｎｓｉｄｅｒｉｎｇ ｍａｊｏｒ ｔｙｐｉｃａｌ ｐｌａｎｔ ｆｕｎｃｔｉｏｎａｌ ｔｙｐｅｓ． Ｗｅ ａｌｓｏ ａｎａｌｙｚｅｄ ｓｐａｔｉｏ⁃
ｔｅｍｐｏｒａｌ ｐａｔｔｅｒｎｓ ａｎｄ ｔｈｅｉｒ ｃｏｒｒｅｌａｔｉｏｎｓ ｗｉｔｈ ｔｈｅ ｔｈｒｅｅ ＧＰＰ ｅｓｔｉｍａｔｅｓ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ＭＯＤＩＳ１７． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈｅ
ｆｏｌｌｏｗｉｎｇ． （１） Ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｆｏｕｒ ｇｌｏｂａｌ ＧＰＰ ｅｓｔｉｍａｔｅｓ ｍａｙ ｂｅ ｒａｎｋｅｄ ａｓ ＧＰＰＭＯＤ１７＞ ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５＞ ＧＰＰ ＬＡＩ３ｇ＞
ＧＰＰＭＯＤ１５ ． （２） Ｔｈｅ ｆｏｕｒ ＧＰＰ ｅｓｔｉｍａｔｅｓ ｈａｄ ｈｉｇｈ ｓｅａｓｏｎａｌ ｄｙｎａｍｉｃ ｃｏｎｓｉｓｔｅｎｃｙ． Ｔｈｅ ｅｓｔｉｍａｔｅｄ ＧＰＰ ｖａｌｕｅｓ ｗｅｒｅ ｃｌｏｓｅｒ ｔｏ ｔｈｅ
ｆｌｕｘ ｔｏｗｅｒ⁃ｍｅａｓｕｒｅｄ ＧＰＰ ｉｎ ｓｕｍｍｅｒ ａｎｄ ｗｉｎｔｅｒ ｔｈａｎ ｉｎ ｓｐｒｉｎｇ ａｎｄ ａｕｔｕｍｎ． Ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ＧＰＰ ＬＡＩ３ｇ ｗａｓ ｃｏｎｓｉｓｔｅｎｔ ｆｏｒ ａｌｌ
ｓｅａｓｏｎｓ； ＧＰＰＭＯＤ１７ ｗａｓ ｍｏｒｅ ａｃｃｕｒａｔｅ ｔｈａｎ ＧＰＰ ＬＡＩ３ｇ ｆｏｒ ａｌｌ ｓｅａｓｏｎｓ ｅｘｃｅｐｔ ｆｏｒ ｓｐｒｉｎｇ ａｎｄ ｆａｌｌ． （３） ＧＰＰ ＬＡＩ３ｇ ｏｖｅｒｅｓｔｉｍａｔｅｄ
ＧＰＰ ｆｏｒ ａｒｅａｓ ｗｉｔｈ ｍｏｄｅｒａｔｅ ＧＰＰ ｖａｌｕｅｓ， ｉ．ｅ．， ｔｈｅ ｇｌｏｂａｌ ｔｏｔａｌ ＧＰＰ ｖａｌｕｅ ｅｓｔｉｍａｔｅｄ ｂｙ ＧＰＰ ＬＡＩ３ｇ ｗａｓ ａｐｐｒｏｘｉｍａｔｅｌｙ （１１７±
１．５） Ｐｇ Ｃ ／ ａ， ｗｈｉｃｈ ｗａｓ ｈｉｇｈｅｒ ｔｈａｎ ＧＰＰＭＯＤ１７ ａｎｄ ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５ ． （４） Ｔｈｅ ａｎｎｕａｌ ＧＰＰ ｖａｌｕｅｓ ｅｓｔｉｍａｔｅｄ ｂｙ ＧＰＰ ＬＡＩ３ｇ ｗｅｒｅ
ｐｏｓｉｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｔｈｏｓｅ ｂｙ ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５， ａｎｄ ａｐｐｒｏｘｉｍａｔｅｌｙ ６３．２９％ ｏｆ ｔｈｅ ｇｌｏｂａｌ ｖｅｇｅｔａｔｅｄ ａｒｅａ ｈａｄ ａ ｓｉｇｎｉｆｉｃａｎｔ
ｃｏｒｒｅｌａｔｉｏｎ （Ｐ ＜ ０．０５）． Ｔｈｅ ＧＰＰ ＬＡＩ３ｇ ｖａｌｕｅｓ ｗｅｒｅ ｐｏｓｉｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ＧＰＰＭＯＤ１５ ｉｎ ｒｅｇｉｏｎｓ ｗｉｔｈ ｌｏｗ ＬＡＩ ｕｎｃｅｒｔａｉｎｔｙ．
Ａｐｐｒｏｘｉｍａｔｅｌｙ ４０．６１％ ｏｆ ｔｈｅ ｇｌｏｂａｌ ｖｅｇｅｔａｔｅｄ ａｒｅａ ｗａｓ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ＧＰＰ ＬＡＩ３ｇ ａｎｄ ＧＰＰＭＯＤ１５ ． Ｔｈｅｒｅ ｗｅｒｅ ａｌｓｏ
ｓｅｖｅｒａｌ ｎｅｇａｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ａｒｅａｓ， ｗｈｉｃｈ ｍａｙ ｈａｖｅ ｂｅｅｎ ｒｅｌａｔｅｄ ｔｏ ｕｎｃｅｒｔａｉｎｔｉｅｓ ａｎｄ ｅｒｒｏｒｓ ｉｎ ｔｈｅ ＬＡＩ ａｎｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
ｄａｔａ． Ｂａｓｅｄ ｏｎ ｏｕｒ ｃｏｍｐａｒｉｓｏｎ， ｗｅ ｃｏｎｃｌｕｄｅ ｔｈａｔ ＧＩＭＭＳ ＬＡＩ３ｇ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｄａｔａｓｅｔ ｆｏｒ ＧＰＰ ｓｉｍｕｌａｔｉｏｎ ａｔ ｔｈｅ ｇｌｏｂａｌ
ｓｃａｌｅ， ａｎｄ ｔｈｕｓ， ｔｈｅ ３０⁃ｙｅａｒ ｌｏｎｇ⁃ｔｅｒｍ ＧＰＰ ｓｅｒｉｅｓ ｅｓｔｉｍａｔｅｄ ｕｓｉｎｇ ｔｈｅ ＧＩＭＭＳ ＬＡＩ３ｇ ａｎｄ ＭＯＤＩＳ ＧＰＰ ａｌｇｏｒｉｔｈｍｓ ａｒｅ
ｒｅａｓｏｎａｂｌｙ ａｃｃｅｐｔａｂｌｅ．
Ｋｅｙ Ｗｏｒｄｓ： ＧＩＭＭＳ ＬＡＩ３ｇ； ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ （ ＧＰＰ ）； Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５ ＬＡＩ； ＭＯＤＩＳ１５ ＬＡＩ； ＭＯＤＩＳ
ＧＰＰ ａｌｇｏｒｉｔｈｍ
全球碳循环议题不仅是全球变化研究中的关键问题，而且可以为经济发展规划和气候政策制定提供科学
支撑。 植被总初级生产力（ＧＰＰ）是指植物在单位时间内通过光合作用吸收太阳能产生有机物的总量［１］，是
全球生态环境变化研究中的重要内容。 大约一半的 ＧＰＰ 被植物自养呼吸消耗，剩余的净吸收碳量被称为净
初级生产力（ＮＰＰ） ［２⁃３］。 生产力与光合有效辐射间关系的理论［４⁃５］建立起来的光能利用率模型是当前模拟生
产力的主要方法之一。 光能利用率模型中重要的输入数据包括气候数据和 ＬＡＩ，后者被作为与森林冠层能量
和 ＣＯ２交换密切相关的植被结构参数。 目前，许多研究也验证了生态系统生产力和植被指数之间存在着密切
的关系［６⁃８］。 当前常用的 ＭＯＤＩＳ（Ｍｏｄｅｒａｔｅ ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ）ＧＰＰ ［９］只能提供自 ２０００ 年至
今的数据且存在一定的精度问题［２，１０⁃１１］，而 ＧＩＭＭＳ（Ｇｌｏｂａｌ Ｉｎｖｅｎｔｏｒｙ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ Ｓｔｕｄｉｅｓ）ＬＡＩ３ｇ［１２⁃１５］
能够提供过去 ３０ａ的叶面积指数数据，研究 ＧＰＰ ＬＡＩ３ｇ与其它 ＬＡＩ 模拟的全球 ＧＰＰ 在时空分布上的异同，有助
于分析更长时间序列的全球生产力。
本文首先采用欧洲中期天气预报中心（Ｅｕｒｏｐｅａｎ Ｃｅｎｔｒｅ ｆｏｒ Ｍｅｄｉｕｍ⁃Ｒａｎｇｅ Ｗｅａｔｈｅｒ Ｆｏｒｅｃａｓｔｓ，ＥＣＭＷＦ）的
再分析资料，基于 ＧＩＭＭＳ ＬＡＩ３ｇ，ＭＯＤＩＳ１５ （ＭＯＤＩＳ ＬＡＩ）以及 Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５ 这 ３ 种 ＬＡＩ 数据，驱动
ＭＯＤＩＳ ＧＰＰ 模型进行全球 ＧＰＰ 的估算，并使用通过特定的准则挑选的 ２０ 个通量塔站点，在月尺度上对这 ３
种 ＧＰＰ 和ＭＯＤＩＳ１７Ａ２ ＧＰＰ 数据进行验证，分析了这 ４种 ＧＰＰ 在时空分布上的异同，评价 ＧＩＭＭＳ ＬＡＩ３ｇ估算
的 ＧＰＰ 相比现有其他 ＬＡＩ估算的优劣性。
１　 数据来源与研究方法
１．１　 数据
１．１．１　 全球通量观测网络
全球通量观测网络 ＦＬＵＸＮＥＴ（ｈｔｔｐ： ／ ／ ｆｌｕｘｎｅｔ．ｏｒｎｌ．ｇｏｖ ／ ）采用涡度相关技术，实时连续监测陆地生态系统
与大气间 ＣＯ２，水和能量交换量［１６⁃１７］。 全球通量观测网络目前已经包括分布在欧洲（ＣａｒｂｏＥｕｒｏｐｅ），美洲
（ＡｍｅｒｉＦｌｕｘ和 Ｆｌｕｘｎｅｔ⁃Ｃａｎａｄａ），亚洲（ＡｓｉａＦｌｕｘ 和 ＣｈｉｎａＦＬＵＸ）等地区的超过 ５００ 个可供长期观测的通量站
点。 为了降低来自于观测值的潜在误差，通过排除图像上提取到空值的站点以及遵循如下 ３个准则对获得的
７４５３　 １２期 　 　 　 徐博轩　 等：基于叶面积指数估算植被总初级生产力 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
站点数据进行挑选［１８⁃１９］：能够提供 ４年或者更多年的连续数据，能提供至少一年 ９０％以上半小时的各种气象
和通量数据，以及基本能够达到能量平衡。 最终选取了代表 ６ 种植被功能类型和 ２ 种气候带的来自 ２０ 个通
量站点 ９５个站点年的数据（表 １）。 这些站点主要分布于北半球，其中 １３个站点分布于温带地区，７个站点分
布于北方森林区。
表 １　 研究站点描述
Ｔａｂｌｅ １　 Ｄｅｓｃｒｉｐｔｉｏｎｓ ｏｆ ｔｈｅ ｓｔｕｄｙ ｓｉｔｅｓ
序列
Ｎｕｍｂｅｒ
站点 ＩＤａ
Ｓｉｔｅ ＩＤ
纬度 Ｎ ／ （°）
Ｌａｔｉｔｕｄｅ
经度 Ｅ ／ （°）
Ｌｏｎｇｉｔｕｄｅ
高程 ／ ｍ
Ｅｌｅｖａｔｉｏｎ
生物类型ｂ
Ｂｉｏｍｅ Ｔｙｐｅ
气候带
Ｃｌｉｍａｔｅ Ｚｏｎｅ
站点年ｃ
Ｓｉｔｅ⁃Ｙｅａｒｓ
１ ＣＡ⁃Ｃａ１ ４９．８６７ －１２５．３３４ ３１３ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００１⁃０８
２ ＣＡ⁃Ｃａ２ ４９．８７１ －１２５．２９１ １７０ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００７⁃１０
３ ＣＡ⁃Ｃａ３ ４９．５３５ －１２４．９００ １５３ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００３⁃０７
４ ＤＥ⁃Ｔｈａ ５０．９６４ １３．５６７ ３８０ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００１⁃０５
５ ＵＳ⁃Ｈｏ１ ４５．２０４ －６８．７４０ ７２ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００３⁃０４
６ ＣＮ⁃Ｑｉａ ２６．７４１ １１５．０５８ ８６ ＮＥＦ Ｔｅｍｐｅｒａｔｅ ２００３⁃０４，２００６⁃０７
７ ＣＡ⁃Ｏｊｐ ５３．９１６ －１０４．６９２ ５１８ ＮＥＦ Ｂｏｒｅａｌ ２００７⁃１０
８ ＣＡ⁃Ｏｂｓ ５３．９８７ －１０５．１１８ ５９８ ＮＥＦ Ｂｏｒｅａｌ ２００１⁃０５
９ ＣＡ⁃ＮＳ１ ５５．８７９ －９８．４８４ ２５３ ＮＤＦ Ｂｏｒｅａｌ ２００２⁃０６
１０ ＦＩ⁃Ｈｙｙ ６１．８４７ ２４．２９５ １８５ ＮＤＦ Ｂｏｒｅａｌ ２００５⁃０８
１１ ＦＲ⁃Ｐｕｅ ４３．７４１ ３．５９６ ２７０ ＢＥＦ Ｔｅｍｐｅｒａｔｅ ２００４⁃０９
１２ ＩＴ⁃Ｃｐｚ ４１．７０５ １２．３７６ ９ ＢＥＦ Ｔｅｍｐｅｒａｔｅ ２００６⁃０９
１３ ＩＴ⁃Ｃｏｌ ４１．８４９ １３．５８８ １６４５ ＢＤＦ Ｔｅｍｐｅｒａｔｅ ２００４⁃０７
１４ ＵＳ⁃ＭＯｚ ３８．７４４ －９２．２００ ２１２ ＢＤＦ Ｔｅｍｐｅｒａｔｅ ２００４⁃０８
１５ ＣＡ⁃Ｏａｓ ５３．６２９ －１０６．１９８ ５８０ ＢＤＦ Ｂｏｒｅａｌ ２００１⁃０５
１６ ＤＫ⁃Ｓｏｒ ５５．４８７ １１．６４６ ４０ ＢＤＦ Ｂｏｒｅａｌ ２００３⁃０５，２００８⁃０９
１７ ＣＡ⁃Ｍｅｒ ４５．４０９ －７５．５１９ ６５ ＢＤＳ Ｔｅｍｐｅｒａｔｅ ２００４⁃０７
１８ ＵＳ⁃Ｉｖｏ ６８．４８７ －１５５．７４８ ５５７ ＢＤＳ Ｂｏｒｅａｌ ２００２⁃０６
１９ ＡＴ⁃Ｎｅｕ ４７．１１６ １１．３２０ ９７０ ＧＲＡ Ｔｅｍｐｅｒａｔｅ ２００２⁃０７
２０ ＩＥ⁃Ｄｒｉ ５１．９８７ －８．７５２ １８７ ＧＲＡ Ｔｅｍｐｅｒａｔｅ ２００２⁃０６
　 　 ａ： 站点 ＩＤ从 ＦＬＵＸＮＥＴ获得；ｂ： 生物类型：常绿针叶林（ＮＥＦ），落叶针叶林（ＮＤＦ），常绿阔叶林（ＢＥＦ），落叶阔叶林（ＢＤＦ），落叶阔叶灌木
（ＢＤＳ），以及草地（ＧＲＡ）；ｃ： 每个站点挑选出的年份
１．１．２　 ＧＰＰ 数据集
ＭＯＤＳＩ１７是美国蒙大拿大学使用 ＭＯＤＩＳ ＧＰＰ 模型，基于 ＭＯＤＩＳ１５ 以及 ＮＡＳＡ 的资料同化部（Ｄａｔａ
Ａｓｓｉｍｉｌａｔｉｏｎ Ｏｆｆｉｃｅ，ＤＡＯ）再分析气候［２０］计算得出。 该数据从 ｈｔｔｐ： ／ ／ ｗｗｗ．ｎｔｓｇ．ｕｍｔ． ｅｄｕ 免费获取，提供 ２０００
年至 ２０１３年，空间分辨率为 １ｋｍ的全球 ＧＰＰ ／ ＮＰＰ 数据。 土地覆盖使用 ＭＯＤＩＳ１２Ｑ１，由于 ＭＯＤＩＳ１７ 算法的
生物属性查找表（Ｂｉｏｍｅ Ｐｒｏｐｅｒｔｉｅｓ Ｌｏｏｋｕｐ Ｔａｂｌｅ，ＢＰＬＵＴ）使用 ＵＭＤ（Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍａｒｙｌａｎｄ）分类方案［２１］，这里
提取 ＵＭＤ数据集。 气候数据选取 ＥＣＭＷＦ气象数据，包括 ２．５°×２．５°的下表面太阳辐射，ＶＰＤ（Ｖａｐｏｒ ｐｒｅｓｓｕｒｅ
ｄｅｆｉｃｉｔ）以及 ２ｍ高气温［２２］。
ＧＩＭＭＳ ＬＡＩ３ｇ由 ＧＩＭＭＳ ＮＤＶＩ３ｇ推导得出［２３］。 ＧＩＭＭＳ ＮＤＶＩ３ｇ数据是美国国家航空航天局基于 ＮＯＡＡ
卫星上的 ＡＶＨＲＲ传感器于 ２０１３年 １１月份发布的最新全球植被指数变化数据，能够提供 １９８１ 年 ７ 月份至
２０１１年 １２月份的数据。 ＭＯＤＩＳ１５Ａ２［２４⁃２５］空间分辨率为 １ｋｍ，在每个像素点上都有一个质量控制（Ｑｕａｌｉｔｙ
Ｃｏｎｔｒｏｌ，ＱＣ）信息。 为了消除云，季节性冰雪覆盖以及仪器和模型不确定性所导致的 ＬＡＩ 数据在时空上的不
连续不一致等问题，Ｙｕａｎ等［２６］使用改进的瞬时空间滤波（ｍｏｄｉｆｉｅｄ Ｔｅｍｐｏｒａｌ Ｓｐａｔｉａｌ Ｆｉｌｔｅｒ，ｍＴＳＦ）结合背景值
以及 ＱＣ 信息对质量较低的值做简单的模拟，然后在此基础上使用 ＳＧ 滤波 （ Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ ｆｉｌｔｅｒ）得到
Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＳＩ１５，改进后的数据相比 ＭＯＤＩＳ１５在时空上更连续一致。
８４５３ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
１．２　 ＧＰＰ 遥感反演算法
本文使用的 ＭＯＤＩＳ ＧＰＰ 模型［１０，２２］ 根据 ＧＰＰ 与植被吸收的光合有效辐射间的线性关系理论建
立［４⁃５，２７⁃２８］，描述如下［１４］：
ＧＰＰ ＝ εｍａｘ × ｆ（Ｔａｍｉｎ） × ｆ（ＶＰＤ） × ＡＰＡＲ （１）
ＡＰＡＲ ＝ ＳＷＲａｄ × ０．４５ × （１ － ｅｋ×ＬＡＩ） （２）
式中，ＧＰＰ 为总初级生产力（ｇＣ ｍ－２ ｓ－１）；εｍａｘ为最大光能利用率（ｋｇ Ｃ ／ ＭＪ）；ＡＰＡＲ 为植被吸收的光合有效辐
射（ＭＪ ｍ－２ ｓ－１），表示为 ４５％的入射短波辐射（ＳＷＲａｄ）和植被冠层吸收的光合有效辐射比的乘积，该辐射比
通过简单的 Ｂｅｅｒ定律使用 ＬＡＩ求出，ｋ为冠层消光系数，一般取 ０．５；（１）中的 ｆ（ＶＰＤ）和 ｆ（Ｔａｍｉｎ）分别是蒸汽
压差和 ２ｍ高气温的订正因子，计算如下：
ｆ（ＶＰＤ） ＝
ＶＰＤｍａｘ － ＶＰＤ
ＶＰＤｍａｘ － ＶＰＤｍｉｎ
（３）
ｆ（Ｔｍｉｎ） ＝
Ｔｍｉｎ － Ｔｍｉｎ＿ｍｉｎ
Ｔｍｉｎ＿ｍａｘ － Ｔｍｉｎ＿ｍｉｎ
（４）
式中，ＶＰＤｍａｘ和 Ｔｍｉｎ＿ｍａｘ分别是在光合利用效率最大时的日最大蒸汽压差（Ｐａ）和日最高气温（℃），ＶＰＤｍｉｎ和
Ｔｍｉｎ＿ｍｉｎ是当光合作用为 ０时的最小蒸汽压差（Ｐａ）和最小气温（℃），这些参数使用的都是 ＢＰＬＵＴ 表中的默认
参数。
１．３　 分析方法
在预处理阶段针对相应月份 １１ａ的数据，使用线性回归的方法插值出部分缺失的像元值，并将全部数据
使用 ３×３像元窗口的均值插值法统一到 ０．０８３３°×０．０８３３°的分辨率。 数据和站点对比验证阶段再次使用到线
性回归分析，Ｒ２能够表征方程的回归效果。 Ｐｅａｒｓｏｎ相关系数［２９］使用在相关性分析中对应像素点上的相关性
分析，采用 ０．０５的显著性水平检验。 为综合评定相关性与偏差的分析效果，使用量值 Ｔａｙｌｏｒ ｓｋｉｌｌ［１９］，计算公
式如下：
Ｂｉａｓ ＝∑ ｎｉ ＝ １（Ｐ ｉ － Ｏｉ） ／ ｎ （５）
ＲＭＳＥ ＝ １
ｎ∑
ｎ
ｉ ＝ ０
（Ｐ ｉ － Ｏｉ） ２ ／􀭺Ｏ （６）
Ｓ ＝ ２ × （１ ＋ Ｒ） ／ （σｎｏｒｍ ＋ １ ／ σｎｏｒｍ） ２ （７）
式中，Ｐ ｉ和 Ｏｉ表示模拟值和观测值， 􀭺Ｏ表示观测值的平均值。 Ｒ表示线性相关系数，σｎｏｒｍ表示模拟值的标准差
和观测值标准差的比。
２　 结果与讨论
２．１　 站点比对分析
使用线性回归分析比较了各个站点的 ＧＰＰ 数据集同通量塔观测数据的一致性程度（图 １）。 ＧＰＰＭＯＤ１７、
ＧＰＰ ＬＡＩ３ｇ、ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５以及 ＧＰＰＭＯＤ１５这 ４ 种 ＧＰＰ 的斜率变化区间分别是：０．４１４—１．５８８、０．３５— １．２６、０．３７３—
１．３２２以及 ０．１０１—１．１７８，相应 Ｒ２的变化区间是：０．３９— ０．９１、０．４３—０．８３、０．５３—０．８２以及 ０．０６—０．８２。 在落叶
针叶林、常绿阔叶林、落叶阔叶林和草地上 ＧＰＰＭＯＤ１７的斜率都大于 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５，其中针叶落叶林的
４种 ＧＰＰ 估算效果都很好，ＧＰＰＭＯＤ１７的斜率达到 ０．９７８，Ｒ２达到 ０．９１，ＧＰＰ ＬＡＩ３ｇ的斜率达到 ０．８７７，Ｒ２为 ０．８２。 估
算效果最差的是草地，模拟较好的 ＧＰＰＭＯＤ１７斜率也只有 ０．４１４，Ｒ２只有 ０．５９，而 ＧＰＰ ＬＡＩ３ｇ斜率只有 ０．３５，Ｒ２是
０．５９。 Ｓｊöｓｔｒöｍ等［３０］比较 １２个站点数据，发现 １０个植被类型为热带草原和草原站点的 εｍａｘ高于ＭＯＤ１７Ａ２中
生物属性查找表的值，其中 ６个站点的 εｍａｘ相当于查找表中对应值的两倍，导致 ＭＯＤＩＳ１７ 在草地等低估生产
力。此外，ＭＯＤＩＳ１５Ａ２中草地的错误分类也可能导致生物属性查找表中查找到错误的εｍａｘ；在常绿针叶林和
９４５３　 １２期 　 　 　 徐博轩　 等：基于叶面积指数估算植被总初级生产力 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 １　 ＧＰＰＬＡＩ３ｇ， ＧＰＰＭＯＤ１５， ＧＰＰｉｍｐｒｏ＿ＭＯＤ１５和 ＧＰＰＭＯＤ１７与通量观测值在不同植被类型的比较
Ｆｉｇ．１　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｏｂｓｅｒｖｅｄ ａｎｄ ｅｓｔｉｍａｔｅｄ ＧＰＰ ｆｒｏｍ ＧＰＰＬＡＩ３ｇ， ＧＰＰＭＯＤ１５， ＧＰＰｉｍｐｒｏ＿ＭＯＤ１５ ａｎｄ ＧＰＰＭＯＤ１７ ｆｏｒ ｄｉｆｆｅｒｅｎｔ
ｂｉｏｍｅ ｔｙｐｅｓ
０５５３ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
落叶阔叶灌木丛上虽然 ＧＰＰ ＬＡＩ３ｇ比 ＧＰＰＭＯＤ１７回归效果稍好，但 Ｒ２却小于 ＧＰＰＭＯＤ１７，ＲＭＳＥ 大于 ＧＰＰＭＯＤ１７，
Ｔｕｒｎｅｒ［１１］研究发现 ＭＯＤＩＳ ＧＰＰ 倾向于在低生产力的站点高估。 这通常是因为 ＭＯＤＩＳ ＧＰＰ 模型中输入的植
被冠层吸收的光合有效辐射值较高，又由于 ＭＯＤＩＳ ＧＰＰ 模型的模型自身存在光能利用率偏低的问题，进而低
估高生产力的站点。 所以落叶阔叶灌木丛的 ＧＰＰＭＯＤ１７过分高估，斜率达到 １．５８８，Ｒ２也能达到 ０．９，ＧＰＰ ＬＡＩ３ｇ在
这种植被类型上也高估。 在生产力较高的站点如常绿针叶林、落叶针叶林、落叶阔叶林，几乎所有的估算值都
比站点低估。 ＧＰＰ ＬＡＩ３ｇ与 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５在某些植被类型上更好，整体较相近。 总体上，这四种 ＧＰＰ 中 ＧＰＰＭＯＤ１７
的回归效果最好，而 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５回归效果相当，ＧＰＰＭＯＤ１５的最差。
２．２　 ＧＰＰ 时空变化分析
２．２．１　 ＧＰＰ 年际变化分析
因为原始的 ＬＡＩ数据存在部分像元值缺失以及分辨率统一过程中出现的一些问题，这里无法反应真实的
ＧＰＰ 全球整体变化趋势。 但是，通过统计 ４种 ＧＰＰ 全球总值能够对比分析整体的估计效果。 如表 ２，ＧＰＰ ＬＡＩ３ｇ
大约（１１７±１．５）ＰｇＣ ／ ａ，比 ＭＯＤＩＳ１７的估计更大，ＧＰＰＭＯＤ１５则大约（９８±２）ＰｇＣ ／ ａ，比 ＧＰＰＭＯＤ１７小。 Ｚｈａｏ［３１］分析
了 ＭＯＤＩＳ ＧＰＰ 模型对 ３种气候数据的响应特性，发现美国国家环境预报中心（ＮＣＥＰ）气象数据过度估计表
面太阳辐射，并且低估气温和水汽压差，ＥＣＭＷＦ 气象数据准确度最高但其表面太阳辐射在热带地区更低，
ＤＡＯ气象数据准确度在这两种数据之间，与之相对应估算的 ＧＰＰ 中，ＧＰＰＮＣＥＰ最高，ＧＰＰＥＣＭＷＦ最低，而 ＧＰＰＤＡＯ
则介于这两者之间。 Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ１５是在 ＭＯＤＩＳ１５基础上改进了 ＬＡＩ 值并且补全了某些缺值，其估计的
全球 ＧＰＰ 值（大约（１０７±１．５）ＰｇＣ ／ ａ）与 ＧＰＰＭＯＤ１７（大约（１０７．５±１．５）Ｐｇ Ｃ ／ ａ）相当。 关于全球 ＧＰＰ 总值的研究
大多认为 ＧＰＰ 大约为 １２０ Ｐｇ Ｃ ／ ａ［３２］，所以整体上 ＧＰＰ ＬＡＩ３ｇ的年均全球 ＧＰＰ 总值更接近该值。
表 ２　 ２０００至 ２０１０年全球 ＧＰＰ总值
Ｔａｂｌｅ ２　 Ｇｌｏｂａｌ ＧＰＰ ｆｒｏｍ ２０００—２０１０
年份 Ｙｅａｒ ＧＰＰＬＡＩ３ｇ ／ （Ｐｇ Ｃ ／ ａ） ＧＰＰＭＯＤ１７ ／ （Ｐｇ Ｃ ／ ａ） ＧＰＰＭＯＤ１５ ／ （Ｐｇ Ｃ ／ ａ） ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５ ／ （Ｐｇ Ｃ ／ ａ）
２０００ １１８．４８１ １０９．０９８ １００．２４４ １０８．４２２
２００１ １１７．９６７ １０７．０９９ ９７．９８１ １０７．８１１
２００２ １１６．６４４ １０６．２１６ ９７．６２５ １０６．１２３
２００３ １１６．０１５ １０７．１１３ ９７．３６５ １０７．２３０
２００４ １１６．９８６ １０８．２６２ ９８．０４４ １０７．７３１
２００５ １１７．９９０ １０５．９７４ ９９．３４２ １０７．６３６
２００６ １１６．５１４ １０７．４８２ ９７．３４３ １０７．０８４
２００７ １１５．７５３ １０７．２４６ ９６．７５１ １０６．７６６
２００８ １１５．４６４ １０７．０１１ ９６．５６１ １０４．８７０
２００９ １１６．８１４ １０７．１６７ ９７．３３３ １０７．４１８
２０１０ １１８．７４０ １０７．３６６ ９７．６８１ １０７．０５６
２．２．２　 ＧＰＰ 季节变化分析
根据公式 ７可知，Ｔａｙｌｏｒ ｓｋｉｌｌ为 １时表明估计的 ＧＰＰ 和站点最相近，但是因为各种不确定性使得只能尽
可能的接近 １。 将 ４种 ＧＰＰ 按照 ４个季节做箱线图，并且按中值从大到小排列。 如图 ２，４种 ＧＰＰ 对夏季 ６—
８月份和冬季 １２—２月份模拟的效果最好，最差的是秋季 ９—１１月份；ＧＰＰＭＯＤ１７的 Ｔａｙｌｏｒ ｓｋｉｌｌ除了秋季外其它
季节相比其它数据都较大且集中，秋季的 ＧＰＰＭＯＤ１７值最低，中值为 ０．５。 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５和 ＧＰＰＭＯＤ１５的 ４ 个季节
上模拟的效果相差比较大，ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５在冬季上最好，但是相比其它 ３种 ＧＰＰ 四个季节分散更开；ＧＰＰ ＬＡＩ３ｇ在
４个季节上的均值在 ０．６３±０．０５，而且数据各季节模拟的相对比较集中，不同的是 ＧＰＰ ＬＡＩ３ｇ的秋季模拟效果比
春季 ３—５月份好。 ＭＯＤＩＳ ＧＰＰ 模型能够较好的捕获生长季节时期的季节动态变动［９，３３］，而且 ４种 ＧＰＰ 大体
上具有相近的季节动态。 在夏季，上层灌木层活跃，ＭＯＤ１５模型中有更少的不确定性，ＧＰＰ 模拟效果最好；冬
季是一个低产时期，此时的 ＧＰＰ 模拟效果也较好；春季开始万物复苏，也是生长季节的开始，由冬转春的生态
１５５３　 １２期 　 　 　 徐博轩　 等：基于叶面积指数估算植被总初级生产力 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
　 图 ２　 ４种 ＧＰＰ在常绿林上不同季节 Ｔａｙｌｏｒ ｓｋｉｌｌ （Ｓ）的箱线图
Ｆｉｇ．２　 Ｂｏｘｐｌｏｔｓ ｏｆ Ｔａｙｌｏｒ ｓｋｉｌｌ （Ｓ） ｆｏｒ ｍｏｎｔｈｌｙ ＧＰＰ ｂｙ ｍｏｄｅｌｓ
ａｎｄ ｓｅａｓｏｎｓ ａｃｒｏｓｓ ｅｖｅｒｇｒｅｅｎ ｆｏｒｅｓｔｓ，Ｐａｎｅｌｓ ｓｈｏｗ ｔｈｅ ｉｎｔｅｒｑｕａｒｔｉｌｅ
ｒａｎｇｅ （ ｂｏｘ ）， ｍｅａｎ （ ｓｑｕａｒｅ ）， ｍｅｄｉａｎ （ ｓｏｌｉｄ ｌｉｎｅ ）， ｒａｎｇｅ
（ｗｈｉｓｋｅｒｓ）， ａｎｄ ｏｕｔｌｉｅｒｓ （ｃｒｏｓｓ）
图中表示了四分位距（箱），均值（正方形），中值（实线），间距（须
线）以及极端值（交叉）
系统变化迅速，由此也会带来更多的不确定性，尤其是
气温以及叶面积指数所带来的不确定性；而秋季是由热
转冷的过程，叶落所带来的影响应该被认为是较大的，
所以春季和秋季的估计效果相比来说是最差。
Ｈｅｉｎｓｃｈ［１０］的结果也表明 ＧＰＰＭＯＤ１７在夏季上与站点数据
最接近，而春季估计的效果最差。
２．２．３　 ＧＰＰ 年均值空间分布对比
取 ２０００至 ２０１０年的均值分析 ４ 种 ＧＰＰ 数据在全
球尺度上的分布，如图 ３，４ 种 ＧＰＰ 数据大体上都有相
同的空间分布，年均 ＧＰＰ 较高的都分布在亚马逊流域、
非洲中部以及亚洲东南部地区，这些地方的温度和湿度
使得该地区的植物具有较高光合作用。 较温暖的地区
为中等的 ＧＰＰ 值，低值则主要分布于气温低并且干旱
地区。 北半球中高纬度地区的 ＧＰＰ 普遍在 ４００—
１２００ｇＣ ｍ－１ ａ－１之间，这是全球 ＧＰＰ 分布比较均匀的地
区，且该地区数值占到全球 ＧＰＰ 总量较大比重。 不同
点在于，ＧＰＰＭＯＤ１５在北美北部，俄罗斯北部以及西亚地
区的估值更低；ＧＰＰＭＯＤ１７与 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５的分布更相近，
而 ＧＰＰ ＬＡＩ３ｇ在中等 ＧＰＰ 值地区的估值相对较高，尤其是
北半球中高纬地区这也导致 ４ 种全球 ＧＰＰ 中，ＧＰＰ ＬＡＩ３ｇ
的最高，ＧＰＰＭＯＤ１７和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５相近，ＧＰＰＭＯＤ１５的最低。
使用光能利用率模型估计大尺度或者全球的生产
力值时需要考虑模型的不确定性。 这种不确定性主要
来源于 ２方面：（１）输入数据的不确定性，包括观测误
差，预处理模型的误差以及数据缺失时插值所导致的误
差；气候数据不确定性带来的影响比植被类型分类误差
的影响及其它的影响因素更大；（２）模型的不确定性，
如最大光能利用率（εｍａｘ）在时空上是动态变化的，本文使用的却是不同植被某一固定的值；生物属性查找表
中的一些参数值也待验证［３４］。 结合前面的分析，ＭＯＤＩＳ ＧＰＰ 模型能合理的模拟不同生物和气候类型的空间
分布以及时间动态变化。
２．３　 相关性分析
使用 Ｐｅａｒｓｏｎ相关分析方法，并且给出显著性为 ０．０５的检验。 ４种 ＧＰＰ（２０００—２０１０年）两两之间的相关
系数如图 ４所示。 最显著的相关性表现在 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５之间，大约 ６３．２９％的陆地面积呈显著的相
关关系；ＧＰＰ ＬＡＩ３ｇ 和 ＧＰＰＭＯＤ１７有较差的相关关系，大约只有 ２５． ７４％的陆地面积显著相关，相比之下
ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５和 ＧＰＰＭＯＤ１７显著相关的面积能达到 ４８．８５％；ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰＭＯＤ１５这一面积比为 ４０．６１％。 以上分
析表明 ＧＰＰ ＬＡＩ３ｇ与 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５是最相关的，这可能是因为气候数据对 ＭＯＤＩＳ ＧＰＰ 模型的影响最大所导
致的。
图 ４，大约占比 ９７．９５％的 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰＭＯＤ１７之间显著相关面积中是正相关关系，而只有大约 ２．０５％的显
著相关区域是负相关关系。 正相关主要分布在稀疏灌木丛和热带稀树草原，正相关分布与图 ４ 相似，因为在
这些地方的 ＬＡＩ具有更低的不确定性［３５］。 负相关主要分布于 ＬＡＩ 不确定性较大的区域，Ｆａｎｇ［３５］等结果表明
在北方森林和热带区域 ＭＯＤＩＳ ＬＡＩ具有较大的不确定性。 气象数据的不同也可能导致显著的负相关。 图 ４
２５５３ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 ３　 分辨率为 ０．０８３３°的全球 １１ａ（２０００—２０１０）平均 ＧＰＰ
Ｆｉｇ．３　 Ｅｌｅｖｅｎ⁃ｙｅａｒ （２０００—２０１０） ｍｅａｎ ｇｌｏｂａｌ０．０８３３ｄｅｇｒｅｅ
图 ４　 ４种 ＧＰＰ间的相关性分析
Ｆｉｇ．４　 Ｔｈｅｒｅ ａｒｅ ｆｏｕｒ ｐｉｃｔｕｒｅｓ ｔｏ ｓｈｏｗ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｆｏｕｒ ＧＰＰ ｄａｔａ
显示 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５之间有显著的相关性，尤其在植被覆盖度高的地区相关性更加明显，比如亚马逊
流域，和非洲中部地区。 在北半球中高纬度地区（５０°—７０°Ｎ），如拉斯维加斯和加拿大部分地区，出现较明显
的负相关性，这些地方 ＬＡＩ 的不确定性是所有纬度中最大的［３５］，使用对 ＭＯＤＩＳ１５ 改进后模拟的
ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５，能得到更好的正相关关系（图 ４）。
３５５３　 １２期 　 　 　 徐博轩　 等：基于叶面积指数估算植被总初级生产力 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
３　 结论
（１）站点数据验证显示，４ 种 ＧＰＰ 的精度如下： ＧＰＰＭＯＤ１７ ＞ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５ ＞ ＧＰＰ ＬＡＩ３ｇ ＞ ＧＰＰＭＯＤ１５。 ＧＩＭＭＳ
ＬＡＩ３ｇ各站点的精度与 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５相近。 ４种 ＧＰＰ 在高产量的生物类型都能有较好的精度，在草地上精度
都最低，为了提高这种植被类型的精度，建议将 ＭＯＤＩＳ１５与其它可靠土地覆被数据进行融合分析且对 εｍａｘ参
数进行优化。
（２）４种 ＧＰＰ 模拟的冬季和夏季整体好于春季和秋季，而后两个季节都是由冷转热或者由热转冷这种不
确定性因素较高的时期。 总体上，ＧＰＰＭＯＤ１７的 ４个季节除春季季外估算效果都较好，ＧＰＰ ＬＡＩ３ｇ的 ４ 个季节精度
较相近且较好。
（３）４种 ＧＰＰ 年均值空间分布大体相近。 不同点出现在：ＧＰＰＭＯＤ１５在低生产力地区更低，尤其在北美北
部，俄罗斯北部以及西亚地区的 ＧＰＰ 值估值更低； ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５与 ＧＰＰＭＯＤ１７的总值都大约（１０７±１．５）Ｐｇ Ｃ ／ ａ，
空间分布也更接近，而 ＧＰＰ ＬＡＩ３ｇ在中高纬的估值相对较高，总值大约（１１７±１．５）Ｐｇ Ｃ ／ ａ。
（４）相关性分析表明 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰ ｉｍｐｒｏ＿ＭＯＤ１５大约 ６３．２９％的陆地面积呈显著（Ｐ＜０．０５）的正相关关系，它
们和 ＧＰＰＭＯＤ１７在 ＬＡＩ不确定性小的地区呈显著的正相关关系。 ＧＰＰ ＬＡＩ３ｇ和 ＧＰＰＭＯＤ１５正相关分布面积占比为
４０．６１％。
综上所述，ＧＩＭＭＳ ＬＡＩ３ｇ能够较好地模拟全球 ＧＰＰ，并且在时空上与现有的 ＭＯＤＩＳ１７数据有较相近的水
平。 当然，为了提高模拟的精度，应该结合前面的分析对模拟的数据和参数加以改进和优化。
致谢：ＥＣＭＷＦ提供再分析资料，美国 ＮＡＳＡ 戈达德航天中心提供 ＧＩＭＭＳ 和 ＭＯＤＩＳ 数据，马里兰大学提供
ＭＯＤＩＳ１７数据，感谢北京师范大学提供 Ｉｍｐｒｏｖｅｄ⁃ＭＯＤＩＳ ＬＡＩ数据，特此致谢。
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［ １ ］　 方精云， 柯金虎， 唐志尧， 陈安平． 生物生产力的“４Ｐ”概念、估算及其相互关系． 植物生态学报， ２００１， ２５（４）： ４１４⁃４１９．
［ ２ ］ 　 Ｃｈａｐｉｎ Ｆ Ｓ ＩＩＩ， Ｃｈａｐｉｎ Ｍ Ｃ， Ｍａｔｓｏｎ Ｐ Ａ， Ｖｉｔｏｕｓｅｋ Ｐ Ｍ． Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｔｅｒｒｅｓｔｒｉａｌ Ｅｃｏｓｙｓｔｅｍ Ｅｃｏｌｏｇｙ． Ｎｅｗ Ｙｏｒｋ： Ｓｐｒｉｎｇｅｒ， ２０１１： １２７⁃１２８．
［ ３ ］ 　 曾慧卿， 刘琪璟， 冯宗炜， 王效科， 马泽清． 基于 ＢＩＯＭＥ⁃ＢＧＣ模型的红壤丘陵区湿地松 （Ｐｉｎｕｓ ｅｌｌｉｏｔｔｉｉ） 人工林 ＧＰＰ 和 ＮＰＰ． 生态学报，
２００８， ２８（１１）： ５３１４⁃５３２１．
［ ４ ］ 　 Ｍｏｎｔｅｉｔｈ Ｊ Ｌ． Ｓｏｌａｒ ｒａｄｉａｔｉｏｎ ａｎｄ ｐｒｏｄｕｃｔｉｖｉｔｙ ｉｎ ｔｒｏｐｉｃａｌ ｅｃｏｓｙｓｔｅｍｓ． Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， １９７２， ９（３）： ７４７⁃７６６．
［ ５ ］ 　 Ｍｏｎｔｅｉｔｈ Ｊ Ｌ． Ｃｌｉｍａｔｅ ａｎｄ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｃｒｏｐ ｐｒｏｄｕｃｔｉｏｎ ｉｎ Ｂｒｉｔａｉｎ． Ｐｈｉｌｏｓｏｐｈｉｃａｌ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ ｏｆ Ｌｏｎｄｏｎ． Ｓｅｒｉｅｓ Ｂ，
Ｂｉｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅｓ， １９７７， ２８１（９８０）： ２７７⁃２９４．
［ ６ ］ 　 Ｔｕｃｋｅｒ Ｃ Ｊ， Ｆｕｎｇ Ｉ Ｙ， Ｋｅｅｌｉｎｇ Ｃ Ｄ， Ｇａｍｍｏｎ Ｒ Ｈ． Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｖａｒｉａｔｉｏｎｓ ａｎｄ ａ ｓａｔｅｌｌｉｔｅ⁃ｄｅｒｉｖｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ．
Ｎａｔｕｒｅ， １９８６， ３１９（６０５０）： １９５⁃１９９．
［ ７ ］ 　 Ｆｕｎｇ Ｉ Ｙ， Ｔｕｃｋｅｒ Ｃ Ｊ， Ｐｒｅｎｔｉｃｅ Ｋ Ｃ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｄｖａｎｃｅｄ ｖｅｒｙ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒａｄｉｏｍｅｔｅｒ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｔｏ ｓｔｕｄｙ ａｔｍｏｓｐｈｅｒｅ⁃ｂｉｏｓｐｈｅｒｅ
ｅｘｃｈａｎｇｅ ｏｆ ＣＯ２ ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ， １９８７， ９２（Ｄ３）： ２９９９⁃３０１５．
［ ８ ］ 　 Ｂｏｘ Ｅ Ｏ， Ｈｏｌｂｅｎ Ｂ Ｎ， Ｋａｌｂ Ｖ． Ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ＡＶＨＲＲ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ａｓ ａ ｐｒｅｄｉｃｔｏｒ ｏｆ ｂｉｏｍａｓｓ， ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ａｎｄ ｎｅｔ ＣＯ２ ｆｌｕｘ．
Ｖｅｇｅｔａｔｉｏ， １９８９， ８０（２）： ７１⁃８９．
［ ９ ］ 　 赵晶晶， 刘良云， 徐自为， 焦全军， 彭代亮， 胡 勇， 刘绍民． 华北平原冬小麦总初级生产力的遥感监测． 农业工程学报， ２０１１， ２７（增刊
１）： ３４６⁃３５１．
［１０］ 　 Ｈｅｉｎｓｃｈ Ｆ Ａ， Ｚｈａｏ Ｍ Ｓ， Ｒｕｎｎｉｎｇ Ｓ Ｗ， Ｋｉｍｂａｌｌ Ｊ Ｓ， Ｎｅｍａｎｉ Ｒ Ｒ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｔｅｒｒｅｓｔｒｉａｌ ｐｒｏｄｕｃｔｉｖｉｔｙ ｆｒｏｍ ＭＯＤＩＳ ｕｓｉｎｇ
ｒｅｇｉｏｎａｌ ｔｏｗｅｒ ｅｄｄｙ ｆｌｕｘ ｎｅｔｗｏｒｋ ｏｂｓｅｒｖａｔｉｏｎｓ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００６， ４４（７）： １９０８⁃１９２５．
［１１］ 　 Ｔｕｒｎｅｒ Ｄ Ｐ， Ｒｉｔｔｓ Ｗ Ｄ， Ｃｏｈｅｎ Ｗ Ｂ， Ｇｏｗｅｒ Ｓ Ｔ， Ｒｕｎｎｉｎｇ Ｓ Ｗ， Ｚｈａｏ Ｍ Ｓ， Ｃｏｓｔａ Ｍ Ｈ， Ｋｉｒｓｃｈｂａｕｍ Ａ Ａ， Ｈａｍ Ｊ Ｍ， Ｓａｌｅｓｋａ Ｓ Ｒ． Ａｈｌ Ｄ Ｅ．
Ｅｖａｌｕａｔｉｏｎ ｏｆ ＭＯＤＩＳ ＮＰＰ ａｎｄ ＧＰＰ ｐｒｏｄｕｃｔｓ ａｃｒｏｓｓ ｍｕｌｔｉｐｌｅ ｂｉｏｍｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００６， １０２（３ ／ ４）： ２８２⁃２９２．
［１２］ 　 Ｂａｌａ Ｇ， Ｊｏｓｈｉ Ｊ， Ｃｈａｔｕｒｖｅｄｉ Ｒ Ｋ， Ｇａｎｇａｍａｎｉ Ｈ Ｖ， Ｈａｓｈｉｍｏｔｏ Ｈ， Ｎｅｍａｎｉ Ｒ． Ｔｒｅｎｄｓ ａｎｄ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ＡＶＨＲＲ⁃Ｄｅｒｉｖｅｄ ＮＰＰ ｉｎ Ｉｎｄｉａ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２０１３， ５（２）： ８１０⁃８２９．
［１３］ 　 Ｉｃｈｉｉ Ｋ， Ｋｏｎｄｏ Ｍ， Ｏｋａｂｅ Ｙ， Ｕｅｙａｍａ Ｍ， Ｋｏｂａｙａｓｈｉ Ｈ， Ｌｅｅ Ｓ Ｊ， Ｓａｉｇｕｓａ Ｎ， Ｚｈｕ Ｚ Ｃ， Ｍｙｎｅｎｉ Ｒ Ｂ． Ｒｅｃｅｎｔ ｃｈａｎｇｅｓ ｉｎ ｔｅｒｒｅｓｔｒｉａｌ ｇｒｏｓｓ ｐｒｉｍａｒｙ
ｐｒｏｄｕｃｔｉｖｉｔｙ ｉｎ Ａｓｉａ ｆｒｏｍ １９８２ ｔｏ ２０１１． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１３， ５（１１）： ６０４３⁃６０６２．
［１４］ 　 Ｗａｎｇ Ｊ， Ｄｏｎｇ Ｊ， Ｌｉｕ Ｊ， Ｈｕａｎｇ Ｍ， Ｌｉ Ｇ， Ｒｕｎｎｉｎｇ Ｓ Ｗ， Ｓｍｉｔｈ Ｗ Ｋ， Ｈａｒｒｉｓ Ｗ， Ｓａｉｇｕｓａ Ｎ， Ｋｏｎｄｏ Ｈ， Ｌｉｕ Ｙ Ｆ， Ｈｉｒａｎｏ Ｔ， Ｘｉａｏ Ｘ Ｍ． Ｃｏｍｐａｒｉｓｏｎ
ｏｆ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｄｅｒｉｖｅｄ ｆｒｏｍ ＧＩＭＭＳ ＮＤＶＩ３ｇ， ＧＩＭＭＳ， ａｎｄ ＭＯＤＩＳ ｉｎ ｓｏｕｔｈｅａｓｔ Ａｓｉａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１４， ６（３）： ２１０８⁃２１３３．
４５５３ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
［１５］　 Ｚｈｕ Ｌ Ｋ， Ｓｏｕｔｈｗｏｒｔｈ Ｊ． Ｄｉｓｅｎｔａｎｇｌｉｎｇ ｔｈｅ Ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ Ｎｅｔ Ｐｒｉｍａｒｙ Ｐｒｏｄｕｃｔｉｏｎ ａｎｄ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｉｎ ｓｏｕｔｈｅｒｎ Ａｆｒｉｃａ ｓａｖａｎｎａｓ ｕｓｉｎｇ ｓａｔｅｌｌｉｔｅ
ｏｂｓｅｒｖａｔｉｏｎｓ ｆｒｏｍ １９８２ ｔｏ ２０１０． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１３， ５（８）： ３８０３⁃３８２５．
［１６］ 　 王健， 孙林． 使用 ＦＬＵＸＮＥＴ数据验证 ＧＬＡＳＳ地表反照率． 山东建筑大学学报， ２０１３， ２８（１）： ５０⁃５３．
［１７］ 　 王绍强， 陈蝶聪， 周蕾， 何洪林， 石浩， 闫慧敏， 苏文． 中国陆地生态系统通量观测站点空间代表性． 生态学报， ２０１３， ３３（２４）：
７７１５⁃７７２８．
［１８］ 　 Ｗｉｌｓｏｎ Ｋ Ｂ， Ｇｏｌｄｓｔｅｉｎ Ａ， Ｆａｌｇｅ Ｅ， Ａｕｂｉｎｅｔ Ｍ， Ｂａｌｄｏｃｃｈｉ Ｄ， Ｂｅｒｂｉｇｉｅｒ Ｐ， Ｂｅｒｎｈｏｆｅｒ Ｃ， Ｃｅｕｌｅｍａｎｓ Ｒ， Ｄｏｌｍａｎ Ｈ， Ｆｉｅｌｄ Ｃ， Ｇｒｅｌｌｅ Ａ， Ｉｂｒｏｍ Ａ，
Ｌａｗ Ｂ Ｅ， Ｋｏｗａｌｓｋｉ， Ｍｅｙｅｒｓ Ｔ， Ｍｏｎｃｒｉｅｆｆ Ｊ， Ｍｏｎｓｏｎ Ｒ， Ｏｅｃｈｅｌ Ｗ， Ｔｅｎｈｕｎｅｎ Ｊ， Ｖａｌｅｎｔｉｎｉ Ｒ， Ｖｅｒｍａ Ｓ． Ｅｎｅｒｇｙ ｂａｌａｎｃｅ ｃｌｏｓｕｒｅ ａｔ ＦＬＵＸＮＥＴ
ｓｉｔｅｓ． Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ， ２００２， １１３（１ ／ ４）： ２２３⁃２４３．
［１９］ 　 Ｃｈｅｎ Ｊ， Ｚｈａｎｇ Ｈ， Ｌｉｕ Ｚ， Ｃｈｅ Ｍ， Ｃｈｅｎ Ｂ． Ｅｖａｌｕａｔｉｎｇ ｐａｒａｍｅｔｅｒ ａｄｊｕｓｔｍｅｎｔ ｉｎ ｔｈｅ ＭＯＤＩＳ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｅｄｄｙ
ｃｏｖａｒｉａｎｃｅ ｔｏｗｅｒ ｍｅａｓｕｒｅｍｅｎｔｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１４， ６（４）： ３３２１⁃３３４８．
［２０］ 　 ＤＡＯ． Ｄａｔａ Ａｓｓｉｍｉｌａｔｉｏｎ Ｏｆｆｉｃｅ （ＤＡＯ） Ａｌｇｏｒｉｔｈｍ Ｔｈｅｏｒｅｔｉｃａｌ Ｂａｓｉｓ Ｄｏｃｕｍｅｎｔ （ＡＴＢＤ）． Ｇｒｅｅｎｂｅｌｔ， ＭＤ： Ｄａｔａ Ａｓｓｉｍｉｌａｔｉｏｎ Ｏｆｆｉｃｅ， Ｇｏｄｄａｒｄ Ｓｐａｃｅ
Ｆｌｉｇｈｔ Ｃｅｎｔｅｒ， Ｇｒｅｅｎｂｅｌｔ， ＭＤ， ２００２．
［２１］ 　 Ｈａｎｓｅｎ Ｍ， ＤｅＦｒｉｅｓ Ｒ， Ｔｏｗｎｓｈｅｎｄ Ｊ Ｒ Ｇ， Ｓｏｈｌｂｅｒｇ Ｒ． ＵＭＤ Ｇｌｏｂａｌ Ｌａｎｄ Ｃｏｖｅｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ， １ Ｋｉｌｏｍｅｔｅｒ， １． ０． Ｍａｒｙｌａｎｄ： Ｄｅｐａｒｔｍｅｎｔ ｏｆ
Ｇｅｏｇｒａｐｈｙ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍａｒｙｌａｎｄ， Ｃｏｌｌｅｇｅ Ｐａｒｋ， Ｍａｒｙｌａｎｄ， １９９８： １９８１⁃１９９４．
［２２］ 　 Ｊｕｎｇ Ｍ， Ｖｅｔｔｅｒ Ｍ， Ｈｅｒｏｌｄ Ｍ， Ｃｈｕｒｋｉｎａ Ｇ， Ｒｅｉｃｈｓｔｅｉｎ Ｍ， Ｚａｅｈｌｅ Ｓ， Ｃｉａｉｓ Ｐ， Ｖｉｏｖｙ Ｎ， Ｂｏｎｄｅａｕ Ａ， Ｃｈｅｎ Ｙ Ｍ， Ｔｒｕｓｉｌｏｖａ Ｋ， Ｆｅｓｅｒ Ｆ， Ｈｅｉｍａｎｎ
Ｍ． Ｕｎｃｅｒｔａｉｎｔｉｅｓ ｏｆ ｍｏｄｅｌｉｎｇ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｏｖｅｒ Ｅｕｒｏｐｅ： Ａ ｓｙｓｔｅｍａｔｉｃ ｓｔｕｄｙ ｏｎ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｕｓｉｎｇ ｄｉｆｆｅｒｅｎｔ ｄｒｉｖｅｒｓ ａｎｄ ｔｅｒｒｅｓｔｒｉａｌ
ｂｉｏｓｐｈｅｒｅ ｍｏｄｅｌｓ． Ｇｌｏｂａｌ Ｂｉｏｇｅｏｃｈｅｍｉｃａｌ Ｃｙｃｌｅｓ， ２００７， ２１（４）： ＧＢ４０２１．
［２３］ 　 Ｚｈｕ Ｚ Ｃ， Ｂｉ Ｊ， Ｐａｎ Ｙ， Ｓａｎｇｒａｍ Ｇａｎｇｕｌｙ， Ａｌｅｓｓａｎｄｒｏ Ａｎａｖ， Ｘｕ Ｌ， Ａｒｉｎｄａｍ Ｓａｍａｎｔａ， Ｐｉａｏ Ｓ Ｌ， Ｎｅｍａｎｉ ＲＲ， Ｍｙｎｅｎｉ ＲＢ． Ｇｌｏｂａｌ ｄａｔａ ｓｅｔｓ ｏｆ
ｖｅｇｅｔａｔｉｏｎ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ （ＬＡＩ）３ｇ ａｎｄ Ｆｒａｃｔｉｏｎ ｏｆ Ｐｈｏｔｏｓｙｎｔｈｅｔｉｃａｌｌｙ Ａｃｔｉｖｅ Ｒａｄｉａｔｉｏｎ （ＦＰＡＲ）３ｇ Ｄｅｒｉｖｅｄ ｆｒｏｍ Ｇｌｏｂａｌ Ｉｎｖｅｎｔｏｒｙ Ｍｏｄｅｌｉｎｇ ａｎｄ
Ｍａｐｐｉｎｇ Ｓｔｕｄｉｅｓ （ＧＩＭＭＳ） Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ （ ＮＤＶＩ３ｇ） ｆｏｒ ｔｈｅ ｐｅｒｉｏｄ １９８１ ｔｏ ２０１１． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１３， ５（ ２）：
９２７⁃９４８．
［２４］ 　 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．
［２５］ 　 Ｍｙｎｅｎｉ Ｒ Ｂ， Ｈｏｆｆｍａｎ Ｓ， Ｋｎｙａｚｉｋｈｉｎ Ｙ， Ｐｒｉｖｅｔｔｅ Ｊ Ｌ， Ｇｌａｓｓｙ Ｊ， Ｔｉａｎ Ｙ， Ｗａｎｇ Ｙ， Ｓｏｎｇ Ｘ， Ｚｈａｎｇ Ｙ， Ｓｍｉｔｈ Ｇ Ｒ， Ｌｏｔｓｃｈ Ａ， Ｆｒｉｅｄｌ Ｍ， Ｍｏｒｉｓｅｔｔｅ
Ｊ Ｔ， Ｖｏｔａｖａ Ｐ， Ｎｅｍａｎｉ Ｒ Ｒ， Ｒｕｎｎｉｎｇ Ｓ Ｗ． Ｇｌｏｂａｌ ｐｒｏｄｕｃｔｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｌｅａｆ ａｒｅａ ａｎｄ ｆｒａｃｔｉｏｎ ａｂｓｏｒｂｅｄ ＰＡＲ ｆｒｏｍ ｙｅａｒ ｏｎｅ ｏｆ ＭＯＤＩＳ ｄａｔａ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８３（１ ／ ２）： ２１４⁃２３１．
［２６］ 　 Ｙｕａｎ Ｈ， Ｄａｉ Ｙ Ｊ， Ｘｉａｏ Ｚ Ｑ， Ｊｉ Ｄ Ｙ， Ｓｈａｎｇｇｕａｎ Ｗ． Ｒｅｐｒｏｃｅｓｓｉｎｇ ｔｈｅ ＭＯＤＩＳ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｐｒｏｄｕｃｔｓ ｆｏｒ ｌａｎｄ ｓｕｒｆａｃｅ ａｎｄ ｃｌｉｍａｔｅ ｍｏｄｅｌｌｉｎｇ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， １１５（５）： １１７１⁃１１８７．
［２７］ 　 Ｒｕｎｎｉｎｇ Ｓ Ｗ， Ｎｅｍａｎｉ Ｒ Ｒ， Ｈｅｉｎｓｃｈ Ｆ Ａ， Ｚｈａｏ Ｍ Ｓ， Ｒｅｅｖｅｓ Ｍ， Ｈａｓｈｉｍｏｔｏ Ｈ． Ａ ｃｏｎｔｉｎｕｏｕｓ ｓａｔｅｌｌｉｔｅ⁃ｄｅｒｉｖｅｄ ｍｅａｓｕｒｅ ｏｆ Ｇｌｏｂａｌ ｔｅｒｒｅｓｔｒｉａｌ ｐｒｉｍａｒｙ
ｐｒｏｄｕｃｔｉｏｎ． Ｂｉｏｓｃｉｅｎｃｅ， ２００４， ５４（６）： ５４７⁃５６０．
［２８］ 　 Ｍｅｋｏｎｎｅｎ Ｇｅｂｒｅｍｉｃｈａｅｌ， Ａｎａ Ｐ Ｂａｒｒｏｓ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ＭＯＤＩＳ Ｇｒｏｓｓ Ｐｒｉｍａｒｙ Ｐｒｏｄｕｃｔｉｖｉｔｙ （ＧＰＰ） ｉｎ ｔｒｏｐｉｃａｌ ｍｏｎｓｏｏｎ ｒｅｇｉｏｎｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２００６， １００（２）： １５０⁃１６６．
［２９］ 　 Ｍａｓｅｌｌｉ Ｆ， Ｂａｒｂａｔｉ Ａ， Ｃｈｉｅｓｉ Ｍ， Ｃｈｉｒｉｃｉ Ｇ， Ｃｏｒｏｎａ Ｐ． Ｕｓｅ ｏｆ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ａｎｄ ａｎｃｉｌｌａｒｙ ｄａｔａ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｆｏｒｅｓｔ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｉｎ
Ｉｔａｌｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００６， １００（４）： ５６３⁃５７５．
［３０］ 　 Ｓｊöｓｔｒöｍ Ｍ， Ｚｈａｏ Ｍ， Ａｒｃｈｉｂａｌｄ Ｓ， Ａｒｎｅｔｈ Ａ， Ｃａｐｐｅｌａｅｒｅ Ｂ， Ｆａｌｋｆ Ｕ， ｄｅ Ｇｒａｎｄｃｏｕｒｔ Ａ， Ｈａｎａｎ Ｎ， Ｋｅｒｇｏａｔ Ｌ， Ｋｕｔｓｃｈ Ｗ， Ｍｅｒｂｏｌｄ Ｌ， Ｍｏｕｇｉｎ Ｅ，
Ｎｉｃｋｌｅｓｓ Ａ， Ｎｏｕｖｅｌｌｏｎ Ｙ， Ｓｃｈｏｌｅｓ Ｒ Ｊ， Ｖｅｅｎｅｎｄａａｌ Ｅ Ｍ， Ａｒｄö Ｊ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ＭＯＤＩＳ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ ｆｏｒ Ａｆｒｉｃａ ｕｓｉｎｇ ｅｄｄｙ ｃｏｖａｒｉａｎｃｅ
ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１３， １３１（４）： ２７５⁃２８６．
［３１］ 　 Ｚｈａｏ Ｍ Ｓ， Ｒｕｎｎｉｎｇ Ｓ Ｗ， Ｎｅｍａｎｉ Ｒ Ｒ． Ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ Ｍｏｄｅｒａｔｅ Ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ （ＭＯＤＩＳ） ｔｅｒｒｅｓｔｒｉａｌ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅ
ａｃｃｕｒａｃｙ ｏｆ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｒｅａｎａｌｙｓｅｓ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ， ２００６， １１１（Ｇ１）： Ｇ０１００２．
［３２］ 　 Ｃｉａｉｓ Ｐ， Ｄｅｎｎｉｎｇ Ａ Ｓ， Ｔａｎｓ Ｐ Ｐ， Ｂｅｒｒｙ Ｊ Ａ， Ｒａｎｄａｌｌ Ｄ Ａ， Ｃｏｌｌａｔｚ ＧＪ， Ｓｅｌｌｅｒｓ Ｐ Ｊ， Ｗｈｉｔｅ Ｊ Ｗ Ｃ， Ｔｒｏｌｉｅｒ Ｍ， Ｍｅｉｊｅｒ Ｈ Ａ Ｊ， Ｆｒａｎｃｅｖ Ｒ Ｊ， Ｍｏｎｆｒａｖ
Ｐ， Ｈｅｉｍａｎｎ Ｍ． Ａ ｔｈｒｅｅ⁃ｄｉｍｅｎｓｉｏｎａｌ ｓｙｎｔｈｅｓｉｓ ｓｔｕｄｙ ｏｆ δ１８Ｏ ｉｎ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２： １． Ｓｕｒｆａｃｅ Ｆｌｕｘｅｓ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ， １９９７， １０２
（Ｄ５）： ５８５７⁃５８７２．
［３３］ 　 Ｎｉｇｈｔｉｎｇａｌｅ Ｊ Ｍ， Ｃｏｏｐｓ Ｎ Ｃ， Ｗａｒｉｎｇ Ｒ Ｈ， Ｈａｒｇｒｏｖｅ Ｗ Ｗ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＭＯＤＩＳ ｇｒｏｓｓ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ ｅｓｔｉｍａｔｅｓ ｆｏｒ ｆｏｒｅｓｔｓ ａｃｒｏｓｓ ｔｈｅ Ｕ．Ｓ．Ａ．
ｗｉｔｈ ｔｈｏｓｅ ｇｅｎｅｒａｔｅｄ ｂｙ ａ ｓｉｍｐｌｅ ｐｒｏｃｅｓｓ ｍｏｄｅｌ， ３⁃ＰＧＳ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００７， １０９（４）： ５００⁃５０９．
［３４］ 　 Ｚｈａｏ Ｍ Ｓ， Ｈｅｉｎｓｃｈ Ｆ Ａ， Ｎｅｍａｎｉ Ｒ Ｒ， Ｒｕｎｎｉｎｇ Ｓ Ｗ． Ｉｍｐｒｏｖｅｍｅｎｔｓ ｏｆ ｔｈｅ ＭＯＤＩＳ ｔｅｒｒｅｓｔｒｉａｌ ｇｒｏｓｓ ａｎｄ ｎｅｔ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｏｎ ｇｌｏｂａｌ ｄａｔａ ｓｅｔ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００５， ９５（２）： １６４⁃１７６．
［３５］ 　 Ｆａｎｇ Ｈ Ｌ， Ｗｅｉ Ｓ Ｓ， Ｊｉａｎｇ Ｃ Ｙ， Ｓｃｉｐａｌ Ｋ． Ｔｈｅｏｒｅｔｉｃａｌ ｕｎｃｅｒｔａｉｎｔｙ ａｎａｌｙｓｉｓ ｏｆ ｇｌｏｂａｌ ＭＯＤＩＳ， ＣＹＣＬＯＰＥＳ， ａｎｄ ＧＬＯＢＣＡＲＢＯＮ ＬＡＩ ｐｒｏｄｕｃｔｓ ｕｓｉｎｇ
ａ ｔｒｉｐｌｅ ｃｏｌｌｏｃａｔｉｏｎ ｍｅｔｈｏｄ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１２， １２４（１２４）： ６１０⁃６２１．
５５５３　 １２期 　 　 　 徐博轩　 等：基于叶面积指数估算植被总初级生产力