北京中科医院亲身经历 https://m-mip.39.net/baidianfeng/mipso_5057515.html
摘要

从光谱反射数据中得出的经验性植被指数在生物圈遥感中得到广泛应用，因为它们代表了冠层结构、叶色素含量以及随后的植物光合作用潜力。在这里，我们通过利用所涉及的光谱通道之间的所有高阶关系，对常用的植被指数进行了概括，这导致了对植被生物物理和生理参数的更高敏感性。所提出的归一化差异植被指数(NDVI)的非线性泛化方法，持续提高了监测关键参数的准确性，如叶面积指数、初级生产力和太阳诱导的叶绿素荧光。结果表明，统计方法最大限度地利用了光谱信息，解决了卫星地球观测中长期存在的陆地生物圈问题。非线性归一化差异植被指数将使人们能够更准确地测量陆地碳源/碳汇动态以及稳定大气中二氧化碳和缓解全球气候变化的潜力。

表1.每一生物群落的VIs与参数GPP和SIF之间的时间相关系数。只考虑植被生物群落，IGBP中的类别按括号内所示分组。C1=NF=针叶林(1+3)，C2=EBF=常绿阔叶林(2)，C3=DBF=落叶阔叶林(4)，C4=MF=混合林(5)，C5=SH=灌木林(6+7)，C6=SAV=热带草原(8+9)，C7=GRA=草本(10)，C8=CRO=栽培林(12)。每个生物群落的最佳结果用粗体表示，深绿色表示相关性较高。

图1.植被指数与参数之间的相关性。VIs和参数之间相关系数的直方图:GPP(左)在个FLUXNET站点上计算的相关，SIF(右)在所有张全球图像上的平均值。

图2.指数和GPP之间的拟合度。个FLUXNET站点的指数和双周GPP之间站点一级线性回归的斜率分布（在0和1之间标准化）。

图3.通量塔监测的GPP。常绿针叶林(CA-TP4)、草原(CH-Oe1)、落叶阔叶林(IT-Ro1)和封闭灌丛(US-KS2)四个通量塔的说明性结果。

图4.全球范围内指数与SIF之间的时间相关性。顶部：指数与SIF相关性的彩色复合图，（R，G，B）=（NIRv，NDVI，kNDVI）。蓝色意味着kNDVI优于其他指数，这通常发生在[91.32%的NDVI(左)和69.69%的NIRv(右)]，特别是在极端(低和高)植被覆盖或寒冷和干燥地区。底部:指数kNDVI和NDVI(左)和NIRv(右)在全球和极端地区的相关性与SIF的差异。红色表示kNDVI的相关度较高，蓝色表示kNDVI的相关度较低（相对于其他指数而言）。

图5.对选定的研究区域进行时间分析。不同指数对SIF的散点图(左)和研究区平均时间序列(右)。坐标轴限制被优化以改善所有指标的可视化。

图6.与植被覆盖率的相关性。指数和SIF之间的相关系数随着植被覆盖率的增加而增加(根据NDVI百分比计算)。我们将总近红外、NIRT作为参考。NDVI四分位数的下限如下:0、0.25、0.50和0.75。本