EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 9: 1908 - 1922

DOI: https://doi.org/10.12082/dqxxkx.2023.220623

Simulation of Vegetation Gross Primary Productivity and Its Application in Fujian Province of China Using Remote Sensing and CatBoost Algorithm

  • LI Yujie , 1, 2, 3 ,
  • JIANG Hong , 1, 2, 3, * ,
  • LIU Xuanguang 1, 2, 3
Expand
  • 1. Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350108, China
  • 2. National Engineering Research Center of Geospatial Information Technology, Fuzhou University, Fuzhou 350108, China
  • 3. The Academy of Digital China (Fujian), Fuzhou 350108, China
* JIANG Hong, E-mail:

Received date: 2022-08-24

  Revised date: 2022-11-03

  Online published: 2023-09-05

Supported by

Science and Technology Plan Leading Project of Fujian Province, China(2021Y0005)

Water Conservancy Science and Technology Project of Fujian Province, China(MSK202301)

Fold

Abstract

As an important indicator to measure the health of terrestrial ecosystems, the Gross Primary Productivity (GPP) of vegetation can directly reflect the improvement of regional environment. Therefore, accurate estimation of vegetation GPP changes is of great significance to regional sustainable development. In this paper, a GPP estimation model using the CatBoost algorithm integrating topographic data was developed. Using the vorticity flux observation data from China and Japan, this model was applied to simulate the long term GPP of Fujian Province where the topographic effect is significant. The results show that: (1) Terrain features are important parameters for the estimation of GPP using machine learning methods. The accuracy of GPP simulation results with terrain features included is significantly improved, and the Root Mean Square Error (RMSE) is decreased by 16%; (2) The GPP estimation model based on CatBoost has higher accuracy and stronger robustness and effectively reduces the overestimation and underestimation phenomena existing in traditional GPP estimation models and commonly used machine learning models (e.g., random forest and support vector machine). The coefficient of determination (R²) is 0.888, the RMSE is 1.164 gC·m-2·day-1, and the Mean Absolute Error (MAE) is 0.773 gC·m-2·day-1; (3) The multi-year GPP changes in Fujian Province simulated by the CatBoost GPP estimation model are highly consistent with the GOSIF GPP estimation results, indicating a more accurate GPP spatial distribution in Fujian Province. It is found that the mean GPP of Fujian Province from 2002 to 2020 was 1 697 gC·m-2·a-1. The overall spatial distribution is characterized by "decreasing from southeast to northwest", and the multi-year GPP variation shows a trend of "non-significant fluctuation increase". This study provides a new method and useful data for regional GPP estimation and ecological environment management.

Key words： Gross Primary Production; topographic features; CatBoost; Random Forest; Support Vector Machine

Cite this article

LI Yujie , JIANG Hong , LIU Xuanguang . Simulation of Vegetation Gross Primary Productivity and Its Application in Fujian Province of China Using Remote Sensing and CatBoost Algorithm[J]. Journal of Geo-information Science, 2023 , 25(9) : 1908 -1922 . DOI: 10.12082/dqxxkx.2023.220623

1 引言

工业革命以来，大气中温室气体的浓度不断升高[1]。植被总初级生产力GPP（Gross Primary Production，GPP）作为判定陆地生态系统健康的重要指标，表示植被通过光合作用固定的有机物总量[2]，影响着大气中CO2的吸收速率[3]。准确量化陆地生态系统GPP可为区域生态环境管理和调控提供可靠的科学依据[4]。由于野外测量GPP工作的复杂性和观测尺度的有限性[5]，区域尺度的GPP模拟通常使用以遥感影像数据为支撑的模型估算法（如BIOME-BGC模型[6]、EC-LUE模型[7]等）。但受水分温度、极端天气等具体环境胁迫因素的干扰[8]，不同植被类型与大气二氧化碳、水汽交换速率之间存在的复杂、非线性相互作用难以得到准确表达，因此降低了这些模型的精确度和可靠性[9]。
近年来，机器学习技术迅猛发展，其强大的数据拟合能力，使得碳水通量动态变化系统中复杂的非线性关系有了更好地表达[10]。这些模型基于站点观测数据训练，并借助遥感数据实现外推，在估算不同空间和时间尺度的GPP变化中表现出了较传统生态学过程模型更明显的优势[11⇓-13]。如Papale等[14]通过人工神经网络（Artificial Neural Network，ANN）构建了适用于欧洲森林生态系统的碳通量估算模型；Jung等[15]通过模型树集合（Model Tree Ensemble，MTE）估算土地生物圈GPP；Cho等[16]使用支持向量机（Support Vector Machine，SVM）估算了韩国10个通量塔站点GPP，并获得了国家尺度的森林生态系统GPP变化；Chen等[17]使用随机森林（Random Forest，RF）对全球落叶阔叶林通量塔站点GPP展开建模研究等。但如何结合遥感数据，选择合适的机器学习算法实现区域GPP的准确估算目前仍是一个挑战。CatBoost算法作为近年来出现的新型梯度提升算法[18]，已成功用于水色遥感反演[19]、PM2.5估算[20]等领域的研究，但在描述陆地生态系统GPP时空变化的能力有待进一步探究。
此外，在以往使用机器学习实现GPP估算的相关研究中，多数研究者仅考虑使用站点气候环境特征和植被生态指标参与建模[21]，如：Yang等[22]以地表温度、增强型植被指数（Enhanced Vegetation Index， EVI）、短波辐射和土地利用类型作为输入特征构建了美国GPP估算模型；Ichii等[23]利用土地覆盖数据、环境特征、植被指数和水指数实现了亚洲地区GPP模拟。而地形特征作为影响植被所处环境水热因子、植被组成、结构等空间分布格局的关键因素[24]，特别是在地形崎岖的山地丘陵地区，对生产力估算精度影响显著[25-26]。但在已有研究中，其对建模的影响却少有探究，Bai等[27]的研究虽发现DEM对模型预测有积极作用，但并未对其在GPP模拟中的作用进行详细探讨。
鉴于此，本研究使用多源遥感影像和可获取站点观测数据，构建了一种基于CatBoost算法融合地形特征的GPP估算模型；并利用现有GPP数据产品，以地形崎岖特征显著、实测数据获取困难的福建省为研究区，探讨该模型对福建省GPP的模拟性能。本研究结果不仅为复杂地形山区植被GPP的精确高效模拟提供新方法，也为及时了解福建省生态环境改善状况和治理情况提供科学依据。

2 研究方法

基于CatBoost算法融合地形特征的GPP估算模型构建过程主要包括顾及地形特征的数据集构建、模型构建及训练和模型对比评估及应用3个部分（图1）。
图1 技术路线

Fig. 1 Technical route

2.1 顾及地形特征的数据集构建

DEM和Slope分别表示植被所处海拔高度和陡缓程度，两者通过影响植被所处环境水热因子的重新分配，来影响植被的组成、结构等空间分布格局，对植被生长影响显著[24]。而在已有GPP模拟研究中，对地形影响考虑不足，因此，本研究将DEM和Slope作为地形特征用于GPP估算。其次，参考已有研究[21⇓-23]，本研究还考虑将时间特征（Time）、温度特征（Temperature）、植被生长状态（FPAR/LAI、NDVI/EVI）和植被生态系统类型（Type）作为模型输入特征。其中，LAI和FPAR作为主要的植物生理参数[28]，分别表示单位地表面积上植被叶片的总面积[29]和太阳入射光和有效辐射被植被冠层拦截并吸收的比例；NDVI和EVI作为目前使用最广泛的植被指数，用于反映不同地区植被覆盖变化情况，两对植被参数均可表征植被生长状况。
本研究从遥感数据中提取上述特征，构建顾及地形特征的数据集。具体步骤如下：① 根据站点及时间变化信息，对每条GPP实测数据的土地利用类型及年内时间变化进行标记，将整理后的站点空间投影坐标统一为WGS_1984； ② 为同时满足站点观测精度和影像空间分辨率需求[16]，采用空间插值方法将8种特征数据（NDVI、EVI、FPAR、LAI、TEMP、DEM、Slope和Type）统一重采样至1000 m格网中，以地面观测站点为中心，获取站点周围欧氏距离小于1000 m的像元值，剔除无效值后，将剩余像元值的平均值作为站点对应的像元值；③ 以 8 d作为时间间隔，将年和月尺度数据作为日均值与之匹配，通过空间连接的方式将地面站点观测数据与格网数据进行时空匹配； ④ 设置未加入地形特征（表1：组合1—5）和加入地形特征（组合6—10）变量组合的对照组。其中，考虑变量间的强相关性会使模型预测失真[30]，在模型预测前，使用Pearson相关性分析获取了两两特征间的相关性。由图2可知，LAI与FPAR、EVI与NDVI的相关系数分别为0.94和0.96，呈高度相关关系。因此，为消除冗余变量对模型的影响，将这2组特征进行进一步划分（组合2—5和组合7—10），以求选取最优变量组合构建GPP估算模型。
表1 模型输入参数组合方案

Tab. 1 Model input parameter combination scheme

组合 Time TEMP 植被生态参数 植被指数 植被类型 地形特征
LAI FPAR EVI NDVI DEM Slope
未加入地形特征 1 √ √ √ √ √ √ √
2 √ √ √ √ √
3 √ √ √ √ √
4 √ √ √ √ √
5 √ √ √ √ √
加入地形特征 6 √ √ √ √ √ √ √ √ √
7 √ √ √ √ √ √ √
8 √ √ √ √ √ √ √
9 √ √ √ √ √ √ √
10 √ √ √ √ √ √ √

注：√为输入特征中包括该因子。

图2 GPP与特征变量相关系数矩阵

Fig. 2 The correlation coefficient matrix between GPP and parameters

2.2 CatBoost GPP估算模型与对比模型构建及训练

2.2.1 CatBoost

CatBoost是一种以对称决策树为基学习器实现的新型梯度提升（Gradient Boosting Decision Tree，GBDT）算法[31]，它通过采用排序提升的方式对传统GBDT算法中的梯度估计进行了改进，减轻了梯度估计偏差的影响，提高了模型的泛化能力[32]。此外，CatBoost还能够自动处理离散特征数据，与其他Boosting算法（如LightGBM和XGBoost）相比，其在处理包含多个输入特征及噪声样本数据的回归问题时，模型具有更好的鲁棒性和可扩展性。本文建立估算GPP的Catboost模型主要包含3个步骤。① 将3.1节中构建的不同特征组合数据集和站点观测值进行匹配连接，并划分训练数据集和测试数据集，划分方法为：当各站点数据时间范围超过5年时，将超过五年的数据用于测试，当数据范围未超过5年时，将最后一年数据用于测试，本实验共收集3 864组数据，其中训练数据2 806组，测试数据1 058组。 ② 通过列举各种不同的分割方式构建树，在训练模型的过程中对每种不同分割方式得到的树进行打分，对预测效果好的决策树赋予更大的权重，并根据损失函数“RMSE”（式（1））指导模型，逐步降低噪声点带来的偏差，获取最佳的回归树结构。③ 将所有决策树的加权和作为最终的GPP预测结果。
R M S E = 1 N ∑ i = 1 N ( Y o , i - Y m , i ) 2
式中： Y o , i表示第 i个样本的观测值； Y m , i表示第 i个样本的模拟值； N表示观测样本总量。
CatBoost模型训练过程中主要通过最大决策树个数（n_estimators）、学习率（learning_rate）和最大深度（max_depth）3个参数来实现优化。本文测试了取值范围为50~1 500、间隔为50的所有n_estimators后发现，当n_estimators=1 050后RMSE基本不再变化；其次通过对比测试，最终确定当max_depth为5、learning_rate为0.03， L2正则化系数（l2_leaf_reg）为1时，模型估算性能最佳。

2.2.2 对比模型构建

利用相同训练和测试数据集，本文分别构建了基于支持向量机（Support Vector Model, SVM）和随机森林（Random Forest, RF）算法的GPP估算模型，作为Catboost的对比模型。
其中，SVM是一种基于核方法的机器学习算法，其基本思想就是找到一个映射函数，将原始低维空间中的输入数据映射到高维空间，从而将非线性回归问题转换为线性回归问题。但SVM性能受核函数影响较大，对非线性问题没有通用的解决方法，在实际问题中，通常根据经验选取。据过往研究[4,33]，本文选择使用较为广泛的径向基函数（Radial Basis Function，RBF）构建模型，并利用网格搜索法寻找惩罚系数（C）和gamma的最优参数，得到的最优结果分别为4.5和0.25。
RF是一种基于分类和决策树进行数据挖掘的机器学习算法[34]，与CatBoost不同，它通过bootstrap重抽样的方式从原始数据中抽取多个样本，并对每个样本进行决策树建模，最后对多个决策树的预测值进行平均得到最终的预测结果[35]。其在遥感模拟预测方面有较高的准确度和稳定性[36]，但在噪声较大的回归问题中容易过拟合。该算法主要通过决策树个数（n_estimators）、最大特征数（max_features）和树深（max_depth）减少模型估算误差，使用十折交叉验证的格网搜索法对模型进行参数调优，参数最终设定为：n_estimators=150，max_features=0.3，max_depth=6。

2.3 模型对比评估及应用

为评估CatBoost模型在站点尺度GPP估算中的性能，将CatBoost GPP、SVM GPP、RF GPP以及传统GPP估算模型（MODIS GPP[6]、GOSIF GPP[37]和EC-LUE GPP[38]）的GPP估算结果分别与实测GPP数据采用决定系数（Coefficient of determination，R²）、均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error，MAE）进行定量评价。
在实验区GPP模拟结果评估中，采用2002—2020年长时序遥感影像，使用CatBoost GPP估算模型生成2002—2020年GPP，并与GOSIF GPP、MODIS GPP和EC-LUE GPP数据产品模拟结果，进行时空变化对比验证分析，探究CatBoost GPP估算模型的合理性与准确性。
R 2 = ∑ i = 1 N ( Y o , i - Y o ¯ ) ( Y m , i - Y m ¯ ) ∑ i = 1 N ( Y o , i - Y o ¯ ) 2 ∑ i = 1 N ( Y m , i - Y m ¯ ) 2 2
M A E = 1 N ∑ i = 1 N Y o , i - Y m , i
式中： N表示观测样本总量； Y o , i表示第i个样本的观测值； Y m , i表示第i个样本的模拟值； Y o ¯和 Y m ¯分别表示观测值和模拟值的平均值。

2.4 趋势分析

为探究实验区GPP多年时空演变特征，采用逐像元的趋势分析方法分析GPP变化情况。 θ S l o p e表示变化斜率，当 θ S l o p e>0时，表示植被GPP呈上升趋势。为突出实验区多年GPP变化状态，根据GPP变化趋势，划分为显著降低（ θ S l o p e<-5）、轻微降低 （-5≤ θ S l o p e<-1）、基本不变（-1≤ θ S l o p e<1)、轻微升高（1≤ θ S l o p e<5）、显著升高（ θ S l o p e≥5）5个等级[39]，具体计算公式如下:
θ S l o p e = n × ∑ i = 1 n i × G P P i - ∑ i = 1 n i ∑ i = 1 n G P P i n × ∑ i = 1 n i 2 - ∑ i = 1 n i 2
式中： n为研究总年数； i为年份； G P P i表示某一像元点第 i年GPP值。

3 实验区概况及数据

3.1 实验区概况

实验区福建省地处我国亚热带东部沿海地区（图3），森林覆盖率达66.8%。境内峰岭耸峙、丘陵连绵、地形复杂，山地、丘陵占全省总面积的80%以上，植被生长受地形变化影响显著[25]。但由于该区域土层较薄，土壤抗蚀能力差，导致自然生态环境比较脆弱，且受人类生产建设活动的影响，该地区容易出现水土流失现象[40]。因此，实现该地区植被生产力精准监测具有重要意义。
图3 实验区海拔分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。

Fig. 3 Elevation distribution of experimental area

3.2 数据及预处理

3.2.1 涡度通量观测数据

地面站点涡度通量观测数据来源于中国通量观测研究联盟ChinaFLUX（http://www.chinaflux.org/）和FLUXNET2015数据集（http://fluxnet.fluxdata.org），实验数据通过涡度通量观测仪测量获取。基于微观气象观测和GPP数据的可获取性和可用性，综合考虑不同植被和生态系统类型，共收集了中国和日本14个站点的观测数据，观测时间从2003—2010年不等，共计85个站点年，站点位置及植被信息如表2所示。为减少数据本身的误差对模型模拟精度的影响，除选择质量较好的GPP观测数据外，对一年中缺失较多的数据进行了舍弃，最后将各站点的观测数据重新采样到8天的时间分辨率以对应遥感数据的时间间隔。
表2 GPP观测站点信息

Tab. 2 GPP observation sites information

站点 纬度/°N 经度/°E 植被类型 生态系统类型 数据时间范围 国家
千烟洲（CN-Qia） 26.74 115.06 常绿针叶林 森林生态系统 2003—2010年 中国
鼎湖山（CN-Din） 23.17 112.53 常绿阔叶林 森林生态系统 2003—2010年 中国
西双版纳（CN-XSBN） 21.93 101.27 常绿阔叶林 森林生态系统 2003—2010年 中国
莫什里桦树林遗址（JP-MBF） 44.39 142.32 落叶阔叶林 森林生态系统 2003—2005年 日本
长白山（CN-Cha） 42.40 128.10 混交林 森林生态系统 2003—2010年 中国
濑户混交林遗址（JP-SMF） 35.26 137.08 混交林 森林生态系统 2002—2006年 日本
海北高寒灌丛（CN-HBSH） 37.67 101.33 草地 草地生态系统 2003—2010年 中国
长岭草甸草原（CN-Cng） 44.59 123.51 草地 草地生态系统 2007—2010年 中国
海北高寒草甸（CN-HaM） 37.37 101.18 草地 草地生态系统 2002—2004年 中国
多伦退化草地（CN-Du3） 42.06 116.28 草地 草地生态系统 2009—2010年 中国
当雄高寒草甸（CN-Dan） 30.50 91.07 草地 草地生态系统 2004—2010年 中国
内蒙古典型草原（CN-NMG） 43.33 116.40 草地 草地生态系统 2004—2010年 中国
海北湿地（CN-HBSW） 37.61 101.33 草地 草地生态系统 2004—2009年 中国
禹城（CN-YC） 36.83 116.57 农田 农田生态系统 2003—2010年 中国

3.2.2 模型输入遥感影像数据

GPP估算模型输入的同期中分辨率遥感影像数据来自美国航空航天局（http://lpdaac.usgs.gov）提供的MOD11A2、MOD13A3和MOD15A2H数据产品，各产品时空分辨率详见表3。其中，MOD11A2产品用于获取日间地面温度；MOD13A3产品用于获取月增强型植被指数和月归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）；MOD15A2H产品用于获取叶面积指数（Leaf Area Index，LAI）和光合有效辐射吸收比例（Fraction of Absorbed Photosynthetically Active Radiation，FPAR）；MCD12Q1产品用于获取研究站点及研究区土地利用类型。根据需要，本研究将IGBP植被分类系统定义的其中12类土地利用类型合并为森林、草地和农田3个一级类型[41-42]（表4）。受可用站点植被类型限制，本文仅对森林、草地和农田3种土地利用类型进行讨论。DEM数据来自地理空间数据云平台（http://www.gscloud.cn/sources/）发布的SRTMDEM 90 m分辨率原始高程数据。利用ArcGIS工具进行坡度计算将DEM生成坡度数据。
表3 数据概况

Tab. 3 Data description

数据名称 空间分辨率/m 时间分辨率
MOD11A2 1 000 8 d
MOD13A3 1 000 1 m
MOD15A2H 500 8 d
MCD12Q1 500 1 y
表4 土地利用类型重分类

Tab. 4 The reclassification of land use type

编号 土地利用类型重分类 原始土地利用类型及编号
1 森林 1常绿针叶林
2常绿阔叶林
3落叶针叶林
4落叶阔叶林
5混交林
6郁闭灌丛
7稀疏灌丛
2 草地 8稀树草原
9热带稀树草原
10草原
3 农田 12农田
14农田/自然植被

3.2.3 GPP验证数据集

为检验本研究构建的CatBoost GPP估算模型对实验区模拟结果的准确性，本研究共选取3种不同方法获取的GPP数据产品与该模型的估算结果进行验证对比，包括MODIS GPP[6]、GOSIF GPP[37]和基于改进的EC-LUE GPP数据产品[38]，各产品来源及时空分辨率详见表5。分别将MODIS GPP重采样至1 000 m，GOSIF GPP和EC-LUE GPP重采样至 5 000 m后，以地面观测站点为中心，获取站点周围欧氏距离小于1 000 m的像元值，去除无效值后，以剩余像元值的平均值作为站点对应的像素值，制作GPP对比数据集。并将3种GPP数据的时间分辨率重采样至年，用于实验区GPP时空变化模拟结果验证。
表5 GPP数据产品来源及概况

Tab. 5 GPP data products sources and overview

数据名称 空间分辨率 时间分辨率/d 时间范围 数据来源
MOD17A2H GPP 500 m 8 2002—2020年 https://ladsweb.modaps.eosdis.nasa.gov
GOSIF GPP 0.05° 8 2002—2020年 https://globalecology.unh.edu
EC-LUE GPP 0.05° 8 2002—2018年 https://doi.org/10.6084/m9.figshare.8942336.v3

4 结果与分析

4.1 基于站点实测GPP的精度评价

4.1.1 不同输入特征因子组合对比

图4给出了3种机器学习模型在不同输入组合测试阶段对8 d尺度GPP的估算结果。由图可知，CatBoost模型在10种输入组合的模拟性能优于RF和SVM模型，GPP估算精度更高。通过对比组合1—5与组合6—10可知，以DEM和坡度作为地形特征分别构建估算GPP的CatBoost、RF和SVM模型时，RMSE平均下降16%、23%和15%。比较组合6—10发现，当使用全部特征变量构建模型估算GPP时，变量间的共线性特征会对模型性能产生影响，模型均未达到最佳的模拟效果，但变量间的共线性对模型性能的影响有限，且对CatBoost模型的影响较弱。通过对比组合7—10可知，当选用不同植被指数与植被生理参数组合构建模型时，使用NDVI植被指数和FPAR变量组合的预测结果在3种模型中都与实测值更接近，效果更优。因此，本研究选择特征变量为：NDVI、DEM、Slope、FPAR、Time、Temperature和Type的参数组合10建模，构建GPP估算模型。
图4 不同输入变量组合在GPP测试集的估算性能比较

Fig. 4 Performance comparison of different input variables combination using the GPP test data

4.1.2 不同模型估算精度对比分析

利用最佳变量组合分别构建估算GPP的CatBoost、RF和SVM模型，并与传统估算模型进行比较（图5）。经对比发现，在站点级的GPP估算中，CatBoost模型的估算性能（R2为0.888，RMSE为1.164 gC·m-2·d-1，MAE为0.773 gC·m-2·d-1）明显优于其他5种模型，其不仅有效降低了传统模型中存在的高估和低估现象，R2最大提升69.0%，RMSE、MAE平均下降56.7%、52.0%；而且能够更好捕捉碳通量变化与各特征变量间复杂的非线性关系，与RF和SVM模型相比，所产生的拟合线更能靠近理想的1:1线，估算值在1:1线周围的分布更加均匀，结果更可靠。
图5 GPP实测值与不同模型估算值散点图

Fig. 5 Scatter plots of the observed GPP and the estimated GPP from different model

4.2 福建省GPP时空变化验证及分析

为探究CatBoost GPP估算模型对福建省GPP估算的准确性与合理性，本研究基于2002—2020年遥感影像，利用CatBoost GPP估算模型估算生成了福建省GPP数据，并同时利用3种GPP数据产品，从该省GPP多年时空演变特征的角度，对模拟结果进行评估。

4.2.1 福建省GPP年际变化

福建省2002—2020年EC-LUE GPP、MODIS GPP、GOSIF GPP和CatBoost GPP均值年际变化表明福建省多年GPP变化总体呈不显著波动增加趋势（图6）。使用CatBoost模型得到的GPP年波动范围1 621~1 777 gC·m-2·a-1，均值为1 697 gC·m-2·a-1。GOSIF GPP年波动范围1 872~2 336 gC·m-2·a-1，均值为2 099 gC·m-2·a-1；MODIS GPP年波动范围 1 327~1 690 gC·m-2·a-1，均值为1 498 gC·m-2·a-1； EC-LUE GPP年波动范围1 139~1 371 gC·m-2·a-1，均值为1 223 gC·m-2·a-1。CatBoost GPP估算结果无论是从变化趋势还是波动范围均与其他3种模型保持一致，且估算值在其他3种模型之间。此外， CatBoost GPP年值变化曲线分别在2017年和2005年出现了最大最小值，这与GOSIF GPP和MODIS GPP的模拟结果类似，其在2005年出现的GPP最低值，可能与厄尔尼诺/拉尼娜事件造成的中国东南部出现恶劣气候（台风、暴雨）密切相关[43-44]。
图6 福建省2002—2020年GPP均值年际变化

注:EC-LUE数据产品更新至2018年。

Fig. 6 Interannual variation of mean GPP in Fujian Province from 2002 to 2020

4.2.2 福建省GPP空间分布格局

为减小不同模型GPP估算结果之间存在的差异，更好表达福建省GPP空间分布格局，分别对不同模型多年GPP均值模拟结果进行了最值归一化处理[45]（图7），由图可知，CatBoost GPP与EC-LUE GPP的空间变化差异较大，但与GOSIF GPP和MODIS GPP的一致性较高，特别是与GOSIF GPP的空间分布格局基本相同，整体上呈现出“由东南向西北递减”的分布特征，GPP高值区主要分布在北部的武夷山区，闽西一带的森林密集区以及东部沿海部分地区。
图7 福建省2002—2020年GPP均值标准化结果空间分布

Fig. 7 Spatial distribution of normalized GPP mean in Fujian Province from 2002 to 2020

4.3 福建省GPP趋势变化分析

福建省GPP多年变化显著上升区、轻微上升区、无显著变化区、轻微降低区及显著降低区分别占全省植被总面积38%、33%、13%、10%及7%（图8（a））。统计各地市GPP趋势变化结果显示（图8（b）），各地市GPP变化呈上升趋势面积占比由大到小依次为南平市、漳州市、宁德市、龙岩市、三明市、泉州市、福州市、莆田市和厦门市。其中，厦门市作为福建省重要的经济旅游城市，GPP呈下降趋势的面积占比最大；龙岩市长汀县和泉州市安溪县所在的水土流失区及漳州沿海地区GPP增加显著。
图8 福建省各地市GPP趋势变化及面积占比

Fig. 8 GPP trend and area percentage of cities in Fujian Province

5 讨论

5.1 特征变量的相对重要性

为突出地形特征在CatBoost GPP估算模型中的重要作用，本文对参与建模的7种特征因子进行了重要性排序（图9）。由图可知，各特征因子对GPP影响的重要性得分由大到小依次为NDVI、DEM、Slope、FPAR、Time、Temperature和Type。其中，NDVI植被指数作为标识植被状态及植被动态变化的关键参数[46]是GPP估算模型中最重要的特征变量，相对重要性28.67%；而FPAR虽可反映植被的群体生长状态[47]，但对模型的表现力较弱，相对重要性排名靠后。地形因子和地表温度作为标识站点周围环境变化的静态与动态特征，对植物光合作用很重要，在模型中的表现不一： DEM与Slope在模型中的影响力分别为16%和14%，排名第二、第三；而地表温度作为本研究考虑的唯一动态变化环境影响因子，在模型中的影响力较弱，这主要是由于地表温度变化与植被的生长并非完全同步，在植被不同生长阶段对植被影响存在差别[48]，且会受到其他环境因素如降水、蒸散量等的多重影响，因此，影响力相对较弱；而地形特征不仅可以影响植被所处空间位置，而且可以侧面影响植被所处环境水热因子分配，来影响植被的光合作用[24]，因此，相对重要性靠前。此外，在过往研究中不同植被生态系统类型的影响力较强[8]，而在本研究中植被生态系统类型因子的影响力偏弱，这主要是由于本研究仅对植被的生态系统类型进行了森林、草地和农田三类划分，未进行更细的划分，因此削弱了该特征的整体影响力。
图9 特征因子重要性得分

Fig. 9 Importance score of parameters

5.2 CatBoost GPP估算模型估算性能评价

随着机器学习技术的发展，植被与大气间复杂的碳水交换机制有了更好地表达。本研究首次将CatBoost算法迁移至陆地生态系统的GPP估算中，提出了一种基于CatBoost融合地形特征的GPP估算方法，该方法有效降低了福建省复杂地形山区植被GPP估算过程中的不确定性，使得多种生态系统类型中GPP的时间与空间变化得到更详细、精确地表达。
已有研究中，由于数据来源、参数确定、模型选择、空间尺度和估算时间范围不同，GPP模拟结果间会存在较为明显的差异。张心竹等[49]通过对比现有中国GPP研究发现，EC-LUE GPP数据产品[38]虽能很好反映GPP的长期变化，但较其他模型估算值偏低，而GOSIF[37]作为目前时空分辨率最高的SIF全球产品，无论是对GPP的时间变化，还是空间分布表达都更准确；Wang等[50]利用观测点实测数据对MODIS GPP在中国区域的精度验证后发现，MODIS GPP的模拟结果存在一定程度的低估现象，且该现象在农田区域的表现更明显。除现有产品外，本文还将CatBoost GPP估算结果与其他学者的研究成果进行了对比，如张方敏等[51]利用BEPS生态模型模拟估算亚洲东部地区GPP发现，中国东南部地区年GPP变化在1 000~2 000 gC·m-2·a-1之间； Li等[52]利用EC-LUE模型估算中国GPP，并与MOD17A3 GPP数据产品的交叉对比得到，在水热条件充足的福建地区GPP年变化范围在1436~1895 gC·m-2·a-1；高振翔等[53]、Yuan等[54]基于改进的EC-LUE模型模拟分析得到的中国东部沿海地区年均植被GPP介于1 500~2 000 gC·m-2·a-1，且Ichii等[23]、Yao等[55]基于机器学习模型模拟得到的GPP估算结果与之相同。经相互论证，本研究利用CatBoost GPP估算模型得到的GPP估算值处在已有结果范围之内，且对GPP年际变化和空间分布表达更准确。
虽然本研究构建的CatBoost GPP估算模型在福建省GPP的估算中表现出了令人满意的性能，但受可获取观测站点样本数量大小的影响，模型的大范围应用仍存在不确定性。在后续研究中，可继续扩大模型的使用范围，验证其普适性。

6 结论

本研究基于涡度通量观测数据和多源遥感影像，构建了基于CatBoost算法融合地形特征的GPP估算模型，实现了福建省2002—2020年GPP的长时序高精度估算，并利用估算结果分析其多年时空演变特征，结果表明：
（1）地形特征是GPP机器学习估算的重要参数，对模型的估算性能有很大的提升效果。通过多特征组合的模拟结果对比发现，考虑地形特征的模拟结果总是最优，且在加入地形特征后，RMSE下降16%。
（2）利用CatBoost算法建模估算GPP，其在站点尺度的模拟精度R2为0.888， RMSE为1.164 gC·m-2·day-1，MAE为0.773 gC·m-2·day-1。与传统估算模型和常用机器学习模型RF和SVM相比，CatBoost算法拥有更好的估算性能和更强的鲁棒性，适合于多生态系统类型的GPP估算研究。
（3）CatBoost GPP估算模型可以提高复杂山区植被GPP估算精度，有效改善低估现象。该模型在福建省的GPP估算结果与时空分辨率表现良好的GOSIF GPP数据产品保持高度一致，且对福建省GPP空间分布特征细节表达更准确。经分析，福建省GPP均值1 697 gC·m-2·a-1，多年变化呈“不显著波动增加”趋势，上升面积占全省植被总面积的71%。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
邓安健, 郭海波, 胡洁, 等. GOSAT卫星数据监测中国大陆上空CO2浓度时空变化特征[J]. 遥感学报, 2020, 24(3):319-325.

[Deng A J, Guo H B, Hu J, et al. Temporal and distribution characteristic of CO2 concentration over China based on GOSAT satellite data[J]. Journal of Remote Sensing, 2020, 24(3):319-325.] DOI:10.11834/jrs.20208324

DOI

[2]
Wu C Y, Munger J W, Niu Z, et al. Comparison of multiple models for estimating gross primary production using MODIS and eddy covariance data in Harvard Forest[J]. Remote Sensing of Environment, 2010, 114(12):2925-2939. DOI:10.1016/j.rse.2010.07.012

DOI

[3]
侯英雨, 柳钦火, 延昊, 等. 我国陆地植被净初级生产力变化规律及其对气候的响应[J]. 应用生态学报, 2007, 18(7):1546-1553.

[Hou Y Y, Liu Q H, Yan H, et al. Variation trends of China terrestrial vegetation net primary productivity and its responses to climate factors in 1982-2000[J]. Chinese Journal of Applied Ecology, 2007, 18(7):1546-1553.] DOI:10.3321/j.issn:1001-9332.2007.07.023

DOI

[4]
窦贤明. 机器学习方法在陆地生态系统碳水通量模拟中的应用研究[D]. 徐州: 中国矿业大学, 2018.

[Dou X M. Applications of machine learning methods in modeling carbon and water fluxes of terrestrial ecosystems[D]. Xuzhou: China University of Mining and Technology, 2018.] DOI:CNKI:CDMD:1.1018.826099

DOI

[5]
Göckede M, Foken T, Aubinet M, et al. Quality control of CarboEurope flux data - Part 1: Coupling footprint analyses with flux data quality assessment to evaluate sites in forest ecosystems[J]. Biogeosciences, 2008, 5(2):433-450. DOI:10.5194/bg-5-433-2008

DOI

[6]
Running S W, Nemani R R, Heinsch F A, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. BioScience, 2004, 54(6):547-560. DOI:10.1641/0006-3568(2004)054[0547:ACSMOG]2.0.CO;2

DOI

[7]
Yuan W P, Liu S G, Zhou G S, et al. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes[J]. Agricultural and Forest Meteorology, 2007, 143(3/4):189-207. DOI:10.1016/j.agrformet.2006.12.001

DOI

[8]
张坤, 刘乃文, 高帅, 等. 数据驱动的植被总初级生产力估算方法研究[J]. 遥感技术与应用, 2020, 35(4):943-949.

[Zhang K, Liu N W, Gao S, et al. Data-driven estimation of gross primary production[J]. Remote Sensing Technology and Application, 2020, 35(4):943-949.] DOI:10.11873/j.issn.1004-0323.2020.4.0943

DOI

[9]
Frank D, Reichstein M, Bahn M, et al. Effects of climate extremes on the terrestrial carbon cycle: Concepts, processes and potential future impacts[J]. Glob Chang Biol, 2015, 21(8):2861-2880. DOI:10.1111/gcb.12916

DOI

[10]
Jordan M I, Mitchell T M. Machine learning: Trends, perspectives, and prospects[J]. Science, 2015, 349(6245):255-260. DOI:10.1126/science.aaa8415

DOI PMID

[11]
Huntzinger D N, Post W M, Wei Y, et al. North American Carbon Program (NACP) regional interim synthesis: Terrestrial biospheric model intercomparison[J]. Ecological Modelling, 2012, 232:144-157. DOI:10.1016/j.ecolmodel.2012.02.004

DOI

[12]
齐建东, 黄金泽, 贾昕. 基于XGBoost-ANN的城市绿地净碳交换模拟与特征响应[J]. 农业机械学报, 2019, 50(5):269-278.

[Qi J D, Huang J Z, Jia X. Simulation of NEE and characterization of urban green-land ecosystem responses to climatic controls based on XGBoost-ANN[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5):269-278.] DOI:10.6041/j.issn.1000-1298.2019.05.031

DOI

[13]
Dou X M, Yang Y G. Modeling and predicting carbon and water fluxes using data-driven techniques in a forest ecosystem[J]. Forests, 2017, 8(12): 498. DOI:10.3390/f8120498

DOI

[14]
Papale D, Valentini R. A new assessment of European forests carbon exchanges by eddy fluxes and artificial neural network spatialization[J]. Global Change Biology, 2003, 9(4):525-535. DOI:10.1046/j.1365-2486.2003.00609.x

DOI

[15]
Jung M, Reichstein M, Bondeau A. Towards global empirical upscaling of FLUXNET eddy covariance observations: Validation of a model tree ensemble approach using a biosphere model[J]. Biogeosciences, 2009, 6(60):2001-2013. DOI:10.5194/bgd-6-5271-2009

DOI

[16]
Cho S, Kang M, Ichii K, et al. Evaluation of forest carbon uptake in South Korea using the national flux tower network, remote sensing, and data-driven technology[J]. Agricultural and Forest Meteorology, 2021, 311:108653. DOI:10.1016/j.agrformet.2021.108653

DOI

[17]
Chen Y, Shen W, Gao S, et al. Estimating deciduous broadleaf forest gross primary productivity by remote sensing data using a random forest regression model[C]// 2019:038502. DOI:10.1117/1.JRS.13.038502

DOI

[18]
Prokhorenkova L, Gusev G, Vorobev A, et al. CatBoost: Unbiased boosting with categorical features[EB/OL]. 2017: arXiv: 1706.09516. https://arxiv.org/abs/1706.09516

[19]
陈点点, 陈芸芝, 冯险峰, 等. 基于超参数优化CatBoost算法的河流悬浮物浓度遥感反演[J]. 地球信息科学学报, 2022, 24(4):780-791.

DOI

[Chen D D, Chen Y Z, Feng X F, et al. Retrieving suspended matter concentration in rivers based on hyperparameter optimized CatBoost algorithm[J]. Journal of Geo-information Science, 2022, 24(4):780-791.] DOI:10.12082/dqxxkx.2022.210446

DOI

[20]
Ding Y, Chen Z Q, Lu W F, et al. A CatBoost approach with wavelet decomposition to improve satellite-derived high-resolution PM2.5 estimates in Beijing-Tianjin-Hebei[J]. Atmospheric Environment, 2021, 249:118212. DOI:10.1016/j.atmosenv.2021.118212

DOI

[21]
Ueyama M, Ichii K, Iwata H, et al. Upscaling terrestrial carbon dioxide fluxes in Alaska with satellite remote sensing and support vector regression[J]. Journal of Geophysical Research: Biogeosciences, 2013, 118(3):1266-1281. DOI:10.1002/jgrg.20095

DOI

[22]
Yang F H, Ichii K, White M A, et al. Developing a continental-scale measure of gross primary production by combining MODIS and AmeriFlux data through Support Vector Machine approach[J]. Remote Sensing of Environment, 2007, 110(1):109-122. DOI:10.1016/j.rse.2007.02.016

DOI

[23]
Ichii K, Ueyama M, Kondo M, et al. New data driven estimation of terrestrial CO2 fluxes in Asia using a standardized database of eddy covariance measurements, remote sensing data, and support vector regression[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(4):767-795. DOI:10.1002/2016jg003640

DOI

[24]
常学礼, 吕世海, 冯朝阳, 等. 地形对草甸草原植被生产力分布格局的影响[J]. 生态学报, 2015, 35(10):3339-3348.

[Chang X L, Lü S H, Feng Z Y, et al. Impact of topography on the spatial distribution pattern of net primary productivity in a meadow[J]. Acta Ecologica Sinica, 2015, 35(10):3339-3348.] DOI:10.5846/stxb201306201748

DOI

[25]
江洪, 虞嘉玮, 蒋世豪, 等. 基于CASA模型和SEVI指数的福建省植被NPP遥感估算与分析[J]. 海南大学学报(自然科学版), 2021, 39(4):372-382.

[Jiang H, Yu J W, Jiang S H, et al. Estimation and analysis of vegetation net primary productivity of Fujian Province using CASA model and SEVI information[J]. Natural Science Journal of Hainan University, 2021, 39(4):372-382.] DOI:10.15886/j.cnki.hdxbzkb.2021.0047

DOI

[26]
刘玉安, 黄波, 易成功, 等. 基于地形校正的植被净初级生产力遥感模拟及分析[J]. 农业工程学报, 2013, 29(13):130-141.

[Liu Y, Huang B, Yi C G, et al. Simulation by remote sensing and analysis of net primary productivity of vegetation based on topographical correction[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(13):130-141.] DOI:10.3969/j.issn.1002-6819.2013.13.018

DOI

[27]
Bai Y, Liang S L, Yuan W P. Estimating global gross primary production from Sun-induced chlorophyll fluorescence data and auxiliary information using machine learning methods[J]. Remote Sensing, 2021, 13(5):963. DOI:10.3390/rs13050963

DOI

[28]
吴炳方, 曾源, 黄进良. 遥感提取植物生理参数LAI/FPAR的研究进展与应用[J]. 地球科学进展, 2004, 19(4):585-590.

DOI

[Wu B F, Zeng Y, Huang J L. Overview of Lai/fpar retrieval from remotely sensed data[J]. Advance in Earth Sciences, 2004, 19(4):585-590.] DOI:10.3321/j.issn:1001-8166.2004.04.015

DOI

[29]
王宇琦, 沈润平, 黄安奇, 等. 2001—2017年中国不同耕作区重建MODIS LAI时空动态[J]. 地球信息科学学报, 2021, 23(4):658-669.

DOI

[Wang Y Q, Shen R P, Huang A Q, et al. Spatiotemporal dynamic analysis of MODIS LAI reconstructed in different cultivation areas in China from 2001 to 2017[J]. Journal of Geo-Information Science, 2021, 23(4):658-669.] DOI:10.12082/dqxxkx.2021.200182

DOI

[30]
葛静. 中国北方地区草地地上生物量遥感估测及变化分析研究[D]. 兰州: 兰州大学, 2022.

[Ge J. Remote sensing estimation and change analysis of grassland aboveground biomass in Northern China[D]. Lanzhou: Lanzhou University, 2022.] DOI:10.27204/d.cnki.glzhu.2022.000068

DOI

[31]
李莉, 陈浩哲, 赵奇慧, 等. 基于CS-CatBoost的温室番茄水分胁迫预测模型[J]. 农业机械学报, 2021, 52(S1):427-433.

[Li L, Chen H Z, Zhao Q H, et al. Crop water stress index prediction model of greenhouse tomato based on CS-CatBoost[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1):427-433.] DOI:10.6041/j.issn.1000-1298.2021.S0.054

DOI

[32]
卢雪梅, 苏华. 基于OLCI数据的福建近海悬浮物浓度遥感反演[J]. 环境科学学报, 2020, 40(8):2819-2827.

[Lu X M, Su H. Retrieving total suspended matter concentration in Fujian coastal waters using OLCI data[J]. Acta Scientiae Circumstantiae, 2020, 40(8):2819-2827.] DOI:10.13671/j.hjkxxb.2020.0176

DOI

[33]
朱晓波. 基于深度学习的中国北方草地生态系统呼吸估算研究[D]. 重庆: 西南大学, 2020.

[Zhu X B. Estimation of ecosystem respiration in the grasslands of Northern China using deep learning[D]. Chongqing: Southwest University, 2020.] DOI:10.27684/d.cnki.gxndx.2020.000146

DOI

[34]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32. DOI:10.1023/A:1010933404324

DOI

[35]
芦华, 谢旻, 吴钲, 等. 基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究[J]. 环境科学学报, 2020, 40(12):4419-4431.

[Lu H, Xie M, Wu Z, et al. Adjusting PM2.5 prediction of the numerical air quality forecast model based on machine learning methods in Chengyu region[J]. Acta Scientiae Circumstantiae, 2020, 40(12):4419-4431.] DOI:10.13671/j.hjkxxb.2020.0317

DOI

[36]
Jiang H, Chen A L, Wu Y F, et al. Vegetation monitoring for mountainous regions using a new integrated topographic correction (ITC) of the SCS + C correction and the shadow-eliminated vegetation index[J]. Remote Sensing, 2022, 14(13):3073. DOI:10.3390/rs14133073

DOI

[37]
Li, Xiao. Mapping photosynthesis solely from solar-induced chlorophyll fluorescence: A global, fine-resolution dataset of gross primary production derived from OCO-2[J]. Remote Sensing, 2019, 11(21):2563. DOI:10.3390/rs11212563

DOI

[38]
Zheng Y, Shen R Q, Wang Y W, et al. Improved estimate of global gross primary production for reproducing its long-term variation, 1982-2017[J]. Earth System Science Data, 2020, 12(4):2725-2746. DOI:10.5194/essd-12-2725-2020

DOI

[39]
Yang H F, Hu D D, Xu H, et al. Assessing the spatiotemporal variation of NPP and its response to driving factors in Anhui Province, China[J]. Environmental Science and Pollution Research, 2020, 27(13):14915-14932. DOI:10.1007/s11356-020-08006-w

DOI

[40]
王文辉, 马祥庆, 邹显花, 等. 2000—2010年福建省植被覆盖度的时空演变特征[J]. 水土保持研究, 2017, 24(4):234-239,246.

[Wang W H, Ma X Q, Zou X H, et al. Spatiotemporal variations of vegetation change in Fujian Province from 2000 to 2010[J]. Research of Soil and Water Conservation, 2017, 24(4):234-239,246.] DOI:10.13869/j.cnki.rswc.2017.04.037

DOI

[41]
Liang D, Zuo Y, Huang L S, et al. Evaluation of the consistency of MODIS land cover product (MCD12Q1) based on Chinese 30 m GlobeLand30 datasets: A case study in Anhui Province, China[J]. ISPRS International Journal of Geo-Information, 2015, 4(4):2519-2541. DOI:10.3390/ijgi4042519

DOI

[42]
Yao Z Y, Zhang L J, Tang S H, et al. The basic characteristics and spatial patterns of global cultivated land change since the 1980s[J]. Journal of Geographical Sciences, 2017, 27(7):771-785. DOI:10.1007/s11442-017-1405-5

DOI

[43]
崔林丽, 杜华强, 史军, 等. 中国东南部植被NPP的时空格局变化及其与气候的关系研究[J]. 地理科学, 2016, 36(5):787-793.

DOI

[Cui L L, Du H Q, Shi J, et al. Spatial and temporal pattern of vegetation NPP and its relationship with climate in the southeastern China[J]. Scientia Geographica Sinica, 2016, 36(5):787-793.] DOI:10.13249/j.cnki.sgs.2016.05.018

DOI

[44]
崔林丽, 史军, 肖风劲. 气候要素及El Ni?o/La Ni?a事件对中国陆地NPP变化的影响[J]. 地理学报, 2018, 73(1):54-66.

DOI

[Cui L L, Shi J, Xiao F J. Impacts of climatic factors and El Ni? o/La Ni? a events on the changes of terrestrial ecosystem NPP in China[J]. Acta Geographica Sinica, 2018, 73(1):54-66.] DOI:10.11821/dlxb201801005

DOI

[45]
骆泓鉴, 明冬萍, 徐录. 基于GEE的遥感生态指数时序计算[J]. 自然资源遥感, 2022, 34(2):271-277.

[Luo H J, Ming D P, Xu L. Time series calculation of remote sensing ecological index based on GEE[J]. Remote Sensing for Natural Resources, 2022, 34(2):271-277.] DOI:10.6046/zrzyyg.2021150

DOI

[46]
白雪洁, 王旭峰, 柳晓惠, 等. 黑河流域湿地、农田、草地生态系统碳通量变化特征及驱动因子分析[J]. 遥感技术与应用, 2022, 37(1):94-107.

[Bai X J, Wang X F, Liu X H, et al. Dynamics and driving factors of carbon fluxes in wetland, cropland and grassland ecosystems in Heihe River Basin[J]. Remote Sensing Technology and Application, 2022, 37(1):94-107.] DOI:10.11873/j.issn.1004-0323.2022.1.0094

DOI

[47]
周晓雪, 李楠, 潘耀忠, 等. 人工蜂群算法优化SVR的叶面积指数反演[J]. 遥感学报, 2022, 26(4):766-780.

[Zhou X X, Li N, Pan Y Z, et al. Optimized SVR based on artificial bee colony algorithm for leaf area index inversion[J]. National Remote Sensing Bulletin, 2022, 26(4):766-780.] DOI:10.11834/jrs.20229298

DOI

[48]
丛楠, 张扬建, 朱军涛. 北半球中高纬度地区近30年植被春季物候温度敏感性[J]. 植物生态学报, 2022, 46(2):125-135.

DOI

[Cong N, Zhang Y J, Zhu J T. Temperature sensitivity of vegetation phenology in spring in mid-to high-latitude regions of Northern Hemisphere during the recent three decades[J]. Chinese Journal of Plant Ecology, 2022, 46(2):125-135.] DOI:10.17521/cjpe.2021.0188

DOI

[49]
张心竹, 王鹤松, 延昊, 等. 2001—2018年中国总初级生产力时空变化的遥感研究[J]. 生态学报, 2021, 41(16):6351-6362.

[Zhang X Z, Wang H S, Yan H, et al. Analysis of spatio-temporal changes of gross primary productivity in China from 2001 to 2018 based on Romote Sensing[J]. Acta Ecologica Sinica, 2021, 41(16):6351-6362.] DOI:10.5846/stxb202010302781

DOI

[50]
Wang X F, Ma M G, Li X, et al. Validation of MODIS-GPP product at 10 flux sites in Northern China[J]. International Journal of Remote Sensing, 2013, 34(2):587-599. DOI:10.1080/01431161.2012.715774

DOI

[51]
张方敏, 居为民, 陈镜明, 等. 基于遥感和过程模型的亚洲东部陆地生态系统初级生产力分布特征[J]. 应用生态学报, 2012, 23(2):307-318.

[Zhang F M, Ju W M, Chen J M, et al. Characteristics of terrestrial ecosystem primary productivity in East Asia based on remote sensing and process-based model[J]. Chinese Journal of Applied Ecology, 2012, 23(2):307-318.] DOI:10.13287/j.1001-9332.2012.0079

DOI

[52]
Li X L, Liang S L, Yu G R, et al. Estimation of gross primary production over the terrestrial ecosystems in China[J]. Ecological Modelling, 2013, 261/262:80-92. DOI:10.1016/j.ecolmodel.2013.03.024

DOI

[53]
高振翔, 叶剑, 丁仁惠, 等. 中国植被总初级生产力对气候变化的响应[J]. 水土保持研究, 2022, 29(4):394-399,414.

[Gao Z X, Ye J, Ding R H, et al. Response of vegetation gross primary productivity to climate change in China[J]. Research of Soil and Water Conservation, 2022, 29(4):394-399,414.] DOI:10.13869/j.cnki.rswc.2022.04.012

DOI

[54]
Yuan W P, Liu S G, Yu G R, et al. Global estimates of evapotranspiration and gross primary production based on MODIS and global meteorology data[J]. Remote Sensing of Environment, 2010, 114(7):1416-1431. DOI:10.1016/j.rse.2010.01.022

DOI

[55]
Yao Y, Wang X, Li Y, et al. Spatiotemporal pattern of gross primary productivity and its covariation with climate in China over the last thirty years[J]. Glob Chang Biol, 2018, 24(1):184-196. DOI:10.1111/gcb.13830

DOI

Options
Outlines

/

〈 〉