李潤東 田文東 于海群 李鑫豪 靳 川 劉 鵬 查天山 田 赟

(1.北京林業(yè)大學(xué)水土保持學(xué)院 北京 100083；2.上?？睖y設(shè)計研究院有限公司 上海 200335；3.北京林業(yè)大學(xué)水土保持國家林業(yè)和草原局重點實驗室 北京 100083；4.北京市房山區(qū)林果科技服務(wù)中心 北京 102400；5.北京市園林綠化規(guī)劃和資源監(jiān)測中心(北京市林業(yè)碳匯與國際合作事務(wù)中心) 北京 100013)

植被物候一般指植被生長發(fā)育過程中，如葉片展開、開花和葉片衰老等周期性事件的發(fā)生時間和持續(xù)時間(Zhouetal.，2013)，不同空間尺度上的植被物候可觀測提供有關(guān)生物圈與大氣之間能量交換、碳水通量動態(tài)變化的重要信息(張學(xué)霞等，2003)。植被物候變化是通過光、溫度、土壤濕度和養(yǎng)分有效性等的微妙變化來協(xié)調(diào)的，對生態(tài)系統(tǒng)生產(chǎn)力具有控制作用，高精度模擬氣候變化條件下的植被物候變化至關(guān)重要(代武君等，2020；王連喜等，2010)。目前，在不同時空尺度上，植被物候與氣候變化之間的關(guān)系仍然存在不確定性，傳統(tǒng)植被物候監(jiān)測依賴于人類對離散物候事件或物候期的直接觀察，雖然比較客觀準(zhǔn)確，但費(fèi)時費(fèi)力，成本較高(高琪等，2019)；遙感觀測具有連續(xù)觀測、覆蓋度高等優(yōu)點，但獲得的物候指標(biāo)值與地面實際觀測值存在偏差，同時空間分辨率也較低。隨著圖像處理技術(shù)逐步成熟，數(shù)字相機(jī)影像作為物候監(jiān)測的新方法，彌補(bǔ)了人工觀測和遙感觀測的不足，通過連續(xù)拍攝生態(tài)系統(tǒng)高時空分辨率影像，已經(jīng)應(yīng)用于全球多個生態(tài)系統(tǒng)中(Campilloetal.，2008；Browningetal.，2017)。

與此同時，渦度相關(guān)技術(shù)可以直接測定生態(tài)系統(tǒng)-大氣間的碳交換，具有準(zhǔn)確、連續(xù)、非破壞性等優(yōu)點，監(jiān)測數(shù)據(jù)可用于檢驗各種基于碳過程的模型，大力推動了陸地生態(tài)系統(tǒng)碳循環(huán)研究的發(fā)展(Hinko-Najeraetal.，2016；紀(jì)小芳等，2019；徐麗君等，2011)。近年來，植被物候與生態(tài)系統(tǒng)碳循環(huán)之間的關(guān)系成為生態(tài)學(xué)家們關(guān)注的熱點，物候與碳循環(huán)的季節(jié)變化密切相關(guān)，被認(rèn)為是氣候變化的一項重要生物學(xué)指標(biāo)，人們逐漸利用數(shù)字相機(jī)技術(shù)進(jìn)行物候監(jiān)測和生態(tài)系統(tǒng)碳循環(huán)研究(Keenanetal.，2014；Richardsonetal.，2013；周磊等，2012a)。以往研究表明，數(shù)字重復(fù)攝影能夠量化落葉闊葉林、草地、農(nóng)作物的光合作用期持續(xù)時間和生態(tài)系統(tǒng)總初級生產(chǎn)力(gross primary productivity，GPP)(Zhangetal.，2019)，數(shù)字相機(jī)衍生的相對綠度指數(shù)(relative green chromatic coordinate，Gcc)數(shù)據(jù)與碳通量數(shù)據(jù)高度相關(guān)(Kangetal.，2016)。對于落葉林，Gcc對生長季開始(start of growthing season，SOS)時間的估計值與野外人工觀測和衛(wèi)星衍生SOS的估計值非常匹配，與森林生態(tài)系統(tǒng)的衛(wèi)星衍生數(shù)據(jù)相比，數(shù)字相機(jī)綠度指數(shù)衍生的物候數(shù)據(jù)與野外人工觀測更相關(guān)(Kurcetal.，2010)。通過數(shù)字相機(jī)獲得的綠度指數(shù)，能夠準(zhǔn)確描述森林物候年際變化，并與GPP有較強(qiáng)相關(guān)性，這說明數(shù)字相機(jī)不僅可提供在生態(tài)系統(tǒng)尺度上較為準(zhǔn)確的植被物候信息，而且還可用來測算碳通量精度，同時也為研究植被物候的環(huán)境控制因子提供了新方法(Ahrendsetal.，2009；Richardsonetal.，2009)。有學(xué)者將數(shù)字相機(jī)數(shù)據(jù)與氣象數(shù)據(jù)相結(jié)合研究植被物候與氣象因子之間的關(guān)系，結(jié)果發(fā)現(xiàn)植被物候與環(huán)境因子關(guān)系密切，溫度、輻射等均對植被物候具有重要影響，降雨對植被物候具有“觸發(fā)”作用(周惠慧等，2016；周磊等，2012b)。本研究以北京松山落葉闊葉林生態(tài)系統(tǒng)為例，基于2019年數(shù)字相機(jī)時間序列數(shù)據(jù)，提取森林植被生長期中的關(guān)鍵指標(biāo)，并將其與通量觀測數(shù)據(jù)擬合估算出的物候指標(biāo)進(jìn)行對比分析，以檢驗物候模擬精度；同時結(jié)合觀測站點環(huán)境因子數(shù)據(jù)，分析林地物候與環(huán)境因子間的關(guān)系，比較不同環(huán)境因子對植被物候的影響程度，以期提高植被固碳模型和區(qū)域碳固定模擬的準(zhǔn)確性。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

研究地點位于北京松山國家級自然保護(hù)區(qū)內(nèi)(115°47′11″E，40°30′48″N)，占地面積4 671 hm2，海拔1 165 m，距北京市區(qū)約104 km。屬大陸性季風(fēng)氣候，是暖溫帶與中溫帶、半干旱與半濕潤的過渡地帶，年均氣溫8 ℃，年降水量424.6 mm，主要集中在7、8月，占年降水量的62%。年日照時數(shù)2 726 h，日照率62%，植物生長期160天左右，生長季葉面積指數(shù)3.65。土壤類型為棕壤，pH 6.34，土壤有機(jī)質(zhì)含量149.75 g·kg-1。林分平均冠層高度4 m，結(jié)構(gòu)為復(fù)層結(jié)構(gòu)，喬木層包括核桃楸(Juglansmandshurica)、大果榆(Ulmusmacrocarpa)、華北五角楓(Acertruncatum)、大葉白蠟(Fraxinusrhynchophylla)、蒙古櫟(Quercusmongolica)等；灌木層包括繡線菊(Spiraeasalicifolia)、鐵線蓮(Clematisflorida)等；草本層包括異穗薹草(Carexheterostachya)、等齒委陵菜(Potentillasimulatrix)、牛扁(Aconitumbarbatumvar.puberulum)等(李潤東等，2020)。

1.2 數(shù)據(jù)獲取

本研究主要數(shù)據(jù)來源于近地表相機(jī)記錄的Gcc、渦度相關(guān)技術(shù)觀測的通量數(shù)據(jù)、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)數(shù)據(jù)以及微氣象觀測系統(tǒng)觀測的空氣溫度(air temperature，Ta)、土壤溫度(soil temperature，Ts)、光合有效輻射(photosynthetically active radiation，PAR)、飽和水氣壓差(vapor pressure deficit，VPD)和降水量(precipitation，P)。

數(shù)字相機(jī)安裝在觀測塔上高度20 m處，圖像采集于2019年，從當(dāng)?shù)貢r間早上9點到下午4點每30 min采集1次圖像，并自動存儲在數(shù)據(jù)采集器(CR-1000X)中，格式為JPG。松山觀測站拍攝圖像樣例如圖1所示。Gcc數(shù)據(jù)依據(jù)所采集圖像提取，計算過程詳見數(shù)據(jù)處理部分，最終獲取Gcc數(shù)據(jù)樣本365個。NDVI數(shù)據(jù)由SRS光譜反射傳感器(安裝在觀測塔上高度6 m處)測得的入射光和反射光計算得到。渦度相關(guān)通量數(shù)據(jù)采用2019年GPP數(shù)據(jù)，由SmartFlux在線計算模塊計算每30 min數(shù)據(jù)的平均值。微氣象觀測數(shù)據(jù)包括空氣濕度和溫度、降雨、土壤含水量(soil volume water content，SWC)、土壤濕度和溫度、光合有效輻射、風(fēng)向、風(fēng)速等。各種氣象因子傳感器每分鐘采集1次數(shù)據(jù)，由采集器(CR-1000X)記錄，各種數(shù)據(jù)每周下載。最終計算空氣溫度、土壤含水量、光合有效輻射等日均值以及降雨量日累計值，得到各環(huán)境因子數(shù)據(jù)樣本365個。

圖1 北京松山落葉闊葉林樣品攝影(a)及森林生長動態(tài)(b)Fig.1 Sample photography(a)and broad-leaved forest growing dynamic(b)in Songshan,Beijing紅色多邊形表示感興趣區(qū)域，用于計算相對綠度指數(shù)。Red polygon represents the ROI (region of interesting)used to calculate relative green chromatic coordinate (Gcc).

1.3 數(shù)據(jù)處理

1.3.1 相對綠度指數(shù)(Gcc)計算 首先篩選采集的圖像，剔除因降雨等原因造成的質(zhì)量較差的圖像，采用相鄰日期圖像進(jìn)行插補(bǔ)。構(gòu)建數(shù)字圖像時間序列后，選取一張質(zhì)量較高的圖像作為模板，在模板圖像上定義合適的感興趣區(qū)域(region of interesting，ROI)。利用ROI對所有圖像進(jìn)行掩蔽，計算每個像素的RGB顏色通道信息(Zhou，2019)。本研究計算白天9:00 AM—4:00 PM每張圖像內(nèi)ROI的Gcc，公式如下：

(1)

式中：Gdn、Rdn和Bdn分別為ROI中像素點R、G、B光譜波段的平均值。

為了降低高頻Gcc數(shù)據(jù)噪聲并檢測季節(jié)周期，采用3天移動窗口法對Gcc時間序列進(jìn)行平滑處理，稱為第90百分位法(Richardsonetal.，2018)。對每30 min的Gcc結(jié)果取平均值，得到每日的值。

1.3.2 時間序列數(shù)據(jù)處理 日時間序列環(huán)境因子數(shù)據(jù)包括Ta、Ts、SWC和PAR等，均采用9天窗寬的移動平均法進(jìn)行過濾(Zhou，2019)。為了確定Gcc與環(huán)境因子間的時間序列關(guān)系，Gcc的每日值也采用相同移動平均法進(jìn)行平滑處理。通過繪制生長曲線和檢驗Pearson相關(guān)系數(shù)分析Gcc與環(huán)境因子間的相關(guān)關(guān)系。

1.3.3 時間序列擬合與物候指標(biāo)計算 基于平滑插值的時間序列數(shù)據(jù)，采用Klosterman方法對NDVI時間序列數(shù)據(jù)、Gcc數(shù)據(jù)以及GPP數(shù)據(jù)進(jìn)行平滑和插值，以擬合森林生長季節(jié)軌跡(Klostermanetal.，2014)。地面通量實測數(shù)據(jù)定義當(dāng)生長初期第1次出現(xiàn)連續(xù)3天總GPP小于夏季最大碳固定的5%時，為生長季的開始日期；而當(dāng)生長末期第1次出現(xiàn)連續(xù)3天GPP小于夏季最大碳固定的5%時，為生長季的結(jié)束日期(Zhaetal.，2009；Xieetal.，2016)。從GPP中推導(dǎo)出的樣本生長曲線和提取的主要物候指標(biāo)如圖2。

圖2 從GPP中推導(dǎo)出的樣本生長曲線和提取的主要物候指標(biāo)Fig.2 A sample growth curve and key phenological indicators derived from GPPSOS：生長季開始Start of growing season；POP：峰值位置Position of peak value (maximum)；MSP：春季平均值Mean spring value；MGS：生長季平均值Mean growing season value；RSP：春季生長速率Rate of spring green up；RAU：秋季衰老速率Rate of autumn senescence；EOS：生長季結(jié)束End of growing season；MAU：秋季平均值Mean autumn value；LOS：生長季長度Length of growing season ；PEAK：峰值Peak value (maximum).下同The same below.

1.3.4 數(shù)字相機(jī)數(shù)據(jù)與地面通量數(shù)據(jù)和NDVI數(shù)據(jù)的差異 本研究認(rèn)為，實測GPP時間序列數(shù)據(jù)提取的物候指標(biāo)為真實物候指標(biāo)，對Gcc、NDVI和GPP時間序列數(shù)據(jù)采用Klosterman方法擬合(周玉科，2018)，并計算各自生長季物候指標(biāo)，進(jìn)而計算所提取物候指標(biāo)的相對差異，用于評價基于數(shù)字相機(jī)和SRS-NDVI數(shù)據(jù)的物候指標(biāo)精度，公式如下：

(2)

式中：P_VIi表示Gcc與NDVI時間序列數(shù)據(jù)提取的第i個物候指標(biāo)的值；P_GPPi表示GPP時間序列數(shù)據(jù)提取的第i個物候指標(biāo)的值。

1.3.5 統(tǒng)計分析 植被指數(shù)能夠反映植被生長狀況，而植被生長發(fā)育受多種環(huán)境因子影響，這些環(huán)境因子對植被生長的影響程度需要準(zhǔn)確估計。采用Pearson相關(guān)分析方法判定Gcc與各環(huán)境因子間的關(guān)系，看變量間有無一定程度的相關(guān)性。將松山觀測站環(huán)境因子數(shù)據(jù)利用主成分分析法(principal component analysis，PCA)進(jìn)行分析。主成分分析是一種多元統(tǒng)計技術(shù)，其采用正交變換法將一組相關(guān)變量轉(zhuǎn)換成一組正交的、不相關(guān)的軸，具有降低數(shù)據(jù)空間維數(shù)的作用，是識別高維變量線性組合最常用的技術(shù)(Yaoetal.，2012)。為了定量分析Gcc與各環(huán)境因子間的關(guān)系，采用全子集回歸分析法篩選Gcc與環(huán)境因子間的變量方程，利用貝葉斯信息準(zhǔn)則(Bayesian information criterion)和調(diào)整決定系數(shù)(adjust coefficient of determination)對全子集篩選效果進(jìn)行評價，最終建立Gcc與環(huán)境因子間的回歸方程(譚丞軒等，2020)。

2 結(jié)果與分析

2.1 相對綠度指數(shù)與環(huán)境因子的關(guān)系

Gcc的變化趨勢與Ta、Ts的變化趨勢相似，Pearson相關(guān)系數(shù)分別為0.88和0.86(P<0.01)(圖3a、b，表1)。Gcc與SWC相關(guān)性較低(圖3c，表1)(R=0.29,P<0.01)，可能是降雨突發(fā)性影響土壤水分變化所致。對比降雨量(圖3f)與土壤水分發(fā)現(xiàn)，土壤水分對降雨量有正響應(yīng)關(guān)系，如7—8月時SWC隨降雨增加而增加。PAR的季節(jié)變化也表現(xiàn)出與Gcc的一致性(圖3d，表1)，Pearson相關(guān)系數(shù)R=0.45(P<0.01)。VPD與Gcc的季節(jié)變化趨勢一致(圖3e，表1)(R=0.65，P<0.01)。松山森林生態(tài)系統(tǒng)的Gcc與降雨雖然相關(guān)性較低(圖3f，表1)(R=0.25，P<0.01)，但是降雨對森林變綠期具有“觸發(fā)”作用，即降雨能夠使土壤中微生物呼吸加強(qiáng)，促使土壤有機(jī)物分解，釋放出植被生長發(fā)育所需養(yǎng)分，進(jìn)而促進(jìn)植被生長。Gcc隨降雨變化呈現(xiàn)波動狀態(tài)，這表明基于數(shù)字相機(jī)的Gcc具有可實時捕捉到森林生長動態(tài)變化的能力。

表1 相對綠度指數(shù)與環(huán)境因子的相關(guān)性①Tab.1 Correlation relationships between Gcc and environmental factors

圖3 相對綠度指數(shù)與環(huán)境因子的關(guān)系Fig.3 Relationships between Gcc and environmental factors

2.2 相對綠度指數(shù)與環(huán)境因子的回歸分析

從上述得知，Ta、Ts、PAR、P、SWC等均對植被生長發(fā)育存在不同程度影響，但任何一個環(huán)境因子都不能單獨對植被生長起決定性作用，各環(huán)境因子信息相互疊加，存在相關(guān)關(guān)系，作為一個整體影響植被生長發(fā)育。利用主成分分析法(PCA)分析松山觀測站環(huán)境因子之間的相關(guān)性(各變量數(shù)據(jù)樣本365個)，根據(jù)特征值大于1的原則選取2個主成分，2個主成分對總變異的解釋貢獻(xiàn)率分別為57.03%和19.81%，累計貢獻(xiàn)率為76.83%。各環(huán)境因子在2個主成分中的荷載如表2所示，荷載越高表示貢獻(xiàn)率越高。由表2可知，在第1主成分中各指標(biāo)載荷均為正值，說明環(huán)境因子與第1主成分具有一定相關(guān)性。土壤體積含水量在第2主成分中的載荷最大且為正值，說明第2主成分主要代表土壤體積含水量。

表2 環(huán)境因子在2個主成分中的荷載Tab.2 Environmental factors’load in the two principle components

采用全子集回歸分析法，選擇Ta、Ts、PAR、P、SWC為自變量，Gcc為因變量進(jìn)行分析(各變量數(shù)據(jù)樣本365個)。篩選不同數(shù)目自變量的隨機(jī)組合方式，根據(jù)貝葉斯信息準(zhǔn)則和調(diào)整決定系數(shù)篩選出最優(yōu)組合，結(jié)果如表3所示，當(dāng)組合變量包括Ta、Ts、VPD、PAR時調(diào)整決定系數(shù)最大，此時方程為最優(yōu)模型，最終得到Gcc與環(huán)境因子間的回歸方程如下：

表3 全子集篩選最佳組合統(tǒng)計結(jié)果Tab.3 Best combination result after total subset selection

Gcc=0.34+(1.68Ta-0.39Ts+

0.015PAR-9.89VPD)×0.001。

(3)

2.3 Gcc、GPP和NDVI數(shù)據(jù)提取的物候指標(biāo)對比

物候?qū)W是全球生態(tài)學(xué)和陸地生態(tài)系統(tǒng)碳循環(huán)研究的新線索，在環(huán)境監(jiān)測和管理中具有重要應(yīng)用價值(Berraetal.，2021)。本研究比較基于數(shù)字相機(jī)時間序列數(shù)據(jù)提取的Gcc數(shù)據(jù)、地面實測的通量數(shù)據(jù)和NDVI數(shù)據(jù)的關(guān)鍵物候事件時間序列，關(guān)鍵物候指標(biāo)不僅包括生長季開始和結(jié)束時間，還包括春季生長速率和秋季衰老速率。采用Klosterman方法對Gcc時間序列數(shù)據(jù)、NDVI時間序列數(shù)據(jù)和GPP數(shù)據(jù)進(jìn)行擬合并計算物候指標(biāo)，結(jié)果如圖4所示，可以看出，各時間序列數(shù)據(jù)提取的物候指標(biāo)差異明顯。通過物候模型擬合提取物候指標(biāo)的相對差異對比結(jié)果見表4。Gcc與GPP提取物候指標(biāo)對比，除生長季結(jié)束時間和秋季衰老速率的相對差異小于0.1外，其余物候指標(biāo)的相對差異均大于0.1，說明基于Gcc提取的物候指標(biāo)與GPP差異較大，其中相對差異最大的是春季生長速率，為12.5。這是因為春季植被生長初期光合作用已經(jīng)進(jìn)行，但葉子較小，導(dǎo)致數(shù)字相機(jī)拍攝圖像綠色波段值較低。隨著植被快速生長發(fā)育，綠度值快速增長，基于Gcc提取的生長季開始時間較GPP晚，春季生長速率較大，但是秋季物候指標(biāo)提取結(jié)果十分相近，說明數(shù)字相機(jī)對植被葉子變色過程捕捉敏感，Gcc提取的生長末期物候指標(biāo)精度大于生長初期。NDVI與GPP提取物候指標(biāo)對比，生長季開始時間相差6天，相對差異較小，說明SRS-NDVI 測量儀測定的NDVI數(shù)據(jù)能夠敏感捕捉到植被生長狀態(tài)變化。生長季結(jié)束時間與GPP的相對差異為0.021，說明提取的生長末期物候指標(biāo)精度大于生長季初期，與Gcc提取物候指標(biāo)結(jié)果一致。

表4 Gcc、NDVI和GPP提取物候指標(biāo)的相對差異Tab.4 Relative difference between key phenological indicators derived from Gcc,NDVI and GPP

圖4 利用Gcc(a)、GPP(b)和NDVI(c)反演森林生長曲線和主要物候指標(biāo)Fig.4 Gcc (a),GPP (b)and NDVI (c)were used to invert forest growth curve and key phenological indicators

3 討論

3.1 相對綠度指數(shù)與環(huán)境因子的關(guān)系

本研究中，Gcc與溫度、光合有效輻射等環(huán)境因子間存在較強(qiáng)相關(guān)性，一些研究結(jié)果也表明，植被生長對溫度、光合有效輻射等環(huán)境因子具有正響應(yīng)關(guān)系(劉鑫等，2019；Seyednasrollahetal.，2020)，降雨對Gcc具有“觸發(fā)”作用(周磊等，2012b；Berraetal.，2019)。在逐步回歸分析中，溫度是Gcc的主要解釋變量，這可能是因為溫度升高會使生長季開始時間提前(Huangetal.，2018)。SWC與植被生長間存在復(fù)雜的相互作用，隨降雨發(fā)生出現(xiàn)明顯波動，說明降雨可以有效補(bǔ)充土壤水分。土壤溫度對提高植被生產(chǎn)力具有積極影響(徐滿厚等，2013)，與本研究逐步回歸結(jié)果一致，說明土壤溫度在控制植被綠度方面起著關(guān)鍵作用。飽和水氣壓差可表征空氣干燥程度，VPD與Gcc的Pearson相關(guān)系數(shù)為0.65，說明VPD對Gcc變化具有重要作用。在過去半個世紀(jì)中，溫帶落葉林物種對氣候變化表現(xiàn)出廣泛的物候響應(yīng)(Elmoreetal.，2012；Chenetal.，2020)，但未來溫度變化如何影響關(guān)鍵的物候期事件，如植被葉子出現(xiàn)和衰老的時間，還存在相當(dāng)大的不確定性。

3.2 Gcc、NDVI和GPP數(shù)據(jù)提取物候指標(biāo)的差異

Gcc與GPP的季節(jié)變異模式相似(圖4)，即春季升高，初夏達(dá)到峰值，隨后略有下降，秋季急劇下降。Gcc時間序列數(shù)據(jù)存在不確定性，如光照變化、被分析的ROI有其他物體造成背景效應(yīng)、圖像分辨率、氣象擾動等，這些不確定性影響植被SOS日期(Ahrendsetal.，2008)。通過Gcc數(shù)據(jù)確定的其他物候指標(biāo)日期均與GPP提取的物候指標(biāo)日期相差不大，說明Gcc能夠敏感捕捉到植被生長動態(tài)變化。生長初期與生長末期相比，數(shù)字相機(jī)對生長末期的物候指標(biāo)提取比生長初期更加準(zhǔn)確。之前研究中，通常利用遙感數(shù)據(jù)提取的植被指數(shù)估算生態(tài)系統(tǒng)物候指標(biāo)日期，雖然遙感數(shù)據(jù)存在時間間隔長、云層遮擋等不確定性，但基于遙感數(shù)據(jù)提取的植被指數(shù)仍是物候研究中使用最廣泛的指標(biāo)(Duetal.，2019；Wangetal.，2016)。本研究中，NDVI同樣具有類似的季節(jié)變化，與GPP提取的物候指標(biāo)相比差異較小，生長季開始與結(jié)束日期的相對差異均小于0.1，說明NDVI數(shù)據(jù)能夠有效捕捉植被生長動態(tài)變化，與以往利用遙感數(shù)據(jù)提取的植被指數(shù)監(jiān)測結(jié)果一致(Melaasetal.，2016)。Gcc與NDVI相比，季節(jié)變化趨勢相同，均為先升高，達(dá)到峰值后略有降低，隨后急劇下降。衛(wèi)星植被指數(shù)與數(shù)字相機(jī)提取的物候指標(biāo)比較發(fā)現(xiàn)，Gcc與衛(wèi)星植被指數(shù)具有顯著相關(guān)性，Gcc能夠敏感捕捉生態(tài)系統(tǒng)植被生長變化(Wangetal.，2017)，說明SRS-NDVI測量儀測定的NDVI數(shù)據(jù)用于物候指標(biāo)估算的可行性較高。

3.3 局限與展望

本研究僅針對一個生態(tài)觀測站，且時間序列數(shù)據(jù)較短，后續(xù)應(yīng)繼續(xù)構(gòu)建補(bǔ)充數(shù)據(jù)集。物候?qū)W研究需要跨植物物種和不同時空尺度的植被狀態(tài)長期觀測(Sonnentagetal.，2012)，隨著物候觀測網(wǎng)絡(luò)的進(jìn)一步發(fā)展，更多生態(tài)觀測站將配備物候相機(jī)，因此，更多的環(huán)境變量數(shù)據(jù)和更多的全球觀測點物候圖像會顯著改善物候變化和生態(tài)系統(tǒng)碳循環(huán)研究(Whartonetal.，2016)。未來將收集更多站點的環(huán)境變量數(shù)據(jù)和物候圖像，并添加遙感圖像(如Phenocams、Modis、Landsat 8和Sentinel 2)的長期觀測數(shù)據(jù)，以評估自然因素對不同植被類型、不同生態(tài)系統(tǒng)物候轉(zhuǎn)換日期的影響，提高物候模擬精度。

4 結(jié)論

本研究以北京松山落葉闊葉林生態(tài)系統(tǒng)為例，利用數(shù)字相機(jī)拍攝圖像提取物候信息，結(jié)合當(dāng)?shù)匚庀笥^測系統(tǒng)的環(huán)境因子數(shù)據(jù)，分析二者間的相關(guān)性；將數(shù)字圖像提取的Gcc、NDVI與GPP數(shù)據(jù)進(jìn)行對比，分析其差異性，得到以下結(jié)論：1)在松山落葉闊葉林生態(tài)系統(tǒng)中，基于數(shù)字相機(jī)提取的Gcc與Ta、Ts、PAR、VPD等環(huán)境因子具有很強(qiáng)相關(guān)性，溫度是影響植被生長變化的關(guān)鍵因子，降雨對Gcc具有“觸發(fā)”作用；2)與GPP數(shù)據(jù)提取的物候指標(biāo)相比，基于Gcc數(shù)據(jù)能夠敏感捕捉到植被生長動態(tài)變化，且生長末期物候指標(biāo)捕捉精確度高于生長初期；NDVI數(shù)據(jù)也可以敏感捕捉植被生長動態(tài)變化，與GPP提取物候指標(biāo)的相對差異較小。