利用叶绿素荧光对作物光合作用进行全局和时间分辨监测外文翻译资料

 2022-08-09 03:08

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

利用叶绿素荧光对作物光合作用进行全局和时间分辨监测

利用叶绿素荧光对作物光合作用进行全局和时间分辨监测

全球粮食和生物燃料生产及其在气候变化中的脆弱性具有极其重要的社会意义。然而，目前的全球作物光合作用模型预测是高度不确定的。在这里，我们证明了新的基于太空的叶绿素荧光观测，一种与植物生物化学内在联系的发射，能够准确、全面和长时间分辨率的基础上测量作物光合作用，这是任何其他遥感植被测量都不可能做到的。结果表明，叶绿素荧光数据可以作为一个独特的基准来改进我们的全球模型，从而为农业生产力和气候对作物产量的影响提供更可靠的预测。在不久的将来，荧光观测能力的巨大增长增强了这项研究的相关性。

光合作用是植物吸收阳光，从二氧化碳和水中生产糖类的过程。它是地球上所有生命的主要能量来源。因此，了解这一过程如何应对气候变化和人类影响作出反应是很重要的。然而，基于模型的总初级生产力(GPP，光合作用的产出)估计是高度不确定的，特别是在人类影响很大的农业地区。光谱学的最新进展使天基监测来自陆生植物的太阳诱导叶绿素荧光(SIF)成为可能。在这里，我们证明了星载的SIF反演提供了对农田和草地生态系统的GPP的直接测量。对于传统的遥感植被指数和更复杂的碳循环模型来说，这种与作物光合作用的联系并不明显。我们利用SIF的观察结果提供了一个关于农业生产力的全球视角。例如在美国玉米带和印度-恒河平原，基于SIF的作物GPP估计比最新的碳循环模型的结果高出50-75%，这意味着当前的模型严重低估了管理的作用。我们的结果表明，SIF数据可以帮助我们改进我们的全球模型，以便更准确地预测农业生产率和气候对作物产量的影响。将我们的方法扩展到其他生态系统，以及在不久的将来增加对SIF的观测能力，有可能减少当前和未来碳循环建模中的不确定性。

对粮食和生物燃料的需求迅速增长是未来几十年人类面临的最大挑战之一。据估计，到2050年，我们必须将世界粮食产量翻一番，才能满足日益增长的需要，但“绿色革命”中曾经出现的快速增长已经停滞，甚至过去的进步也受到气候变化的威胁。过去的产量提高主要集中在提高收获指数和抗虫性上。然而，在其他条件相同的情况下，光合作用的数量对我们农业系统提供的食物和燃料存在一个上限。

具有讽刺意味的是，我们目前对世界上粮食产区光合作用的评估能力非常有限。农业生产清单提供了有关作物生产率和产量的重要信息，但这些信息很难在地区之间进行比较，也滞后于实际生产。基于过程导向生物地球化学方法或半经验数据驱动方法的碳循环模型已被用于了解全球总初级生产总值（GPP，相当于生态系统总光合作用）的控制和变化和调查气候对作物产量的影响中。然而，与不准确的输入数据和基于植物功能类型概念的简化过程描述相关的不确定性严重挑战了这些模型在农业系统中的应用。作为北美碳项目的一部分，最近进行的模型相互比较发现，作物面积的GPP估计值提高了2倍。对作物系统GPP的最佳估计是通过农田上的通量塔直接测量二氧化碳交换完成的。然而，这些研究区通常面积很小（lt;1km2）且集中在北美和欧洲。

图1 2009年全球地图每月最大太阳诱导叶绿素荧光(SIF)（0.5°times;0.5°）。SIF反演是在一个以740 nm为中心的光谱窗口中进行的。这张地图显示了在美国玉米带探测到的突出的SIF信号，它显示了所有陆地生态系统中最高的SIF返回。美国玉米带地区最大区域的最大SIF在7月份被检测到。

近几十年来，基于反射系数的植被参数遥感已被用于监测农业资源。所谓光谱植被指数的信号包括叶片叶绿素含量、生物量、冠层结构和地表覆盖等。因此，根据植被指数估计实际生产力需要额外的数据和建模步骤，两者都具有相当大的不确定性。作为对基于反射系数的指数的补充，太阳诱导叶绿素荧光（SIF）的全球天基估计最近开始使用。SIF是一种电磁信号，作为光合作用的副产品，SIF在光谱发射窗口中在650-850nm。利用温室气体观测卫星（GOSAT）的数据绘制出了第一张SIF全球地图。尽管光合SIF关系复杂，信号与冠层结构交叉，SIF反演与全球和年度尺度的数据驱动GPP估计以及亚马逊季节性干旱响应的有趣的具有高度相关性。最近，利用MetOp-A平台上的全球臭氧监测实验卫星（GOME-2）仪器的光谱，提供了一个具有比GOSAT更好的空间和时间采样的全球SIF数据集。

我们关注的是美国玉米带（玉米带）地区显著的高SIF发射地区（图1）。这个高产地区（图2D）占世界大豆和玉米产量（30%）的40%以上。我们假设高SIF表明这一地区的GPP非常高，并在此报告了将SIF反演结果与GPP模型和通量塔数据进行比较的研究，旨在获得作物光合作用的独特全球视角。

结果和讨论

我们发现数据驱动方法在北温带地区（图2）的最大月总碳吸收量的空间格局之间的一致性较好，该方法依赖于全球微气象塔位网络（FLUXNET）的数据，来自Trendy（“1980-2010年期间陆地大气碳交换的净趋势”）项目的10个最新全球动态植被模型的中位数，前者在美国玉米带的一个小区域显示出稍大的值（图2A和B）（见SI附录，基于模型的GPP数据）。必须说明的是，趋势模型不包括明确的作物模型，因此，我们与基于过程的模型的比较结果旨在说明这些作物特定模块对农业区域模拟的潜在影响。另一方面，SIF测量显示，美国玉米带与西欧的农田和草地地区之间存在很大差异，美国玉米带的SIF信号大大增强（图2C）。这种模式与该地区C4作物的分布大致一致，主要是玉米田（图2D）。SIF信号采集过程中的光合作用信号是受到其他因素的干扰，或是美国玉米带确实比西欧任何一个地区更具生产力，到底哪些没有被碳模型捕获呢？

图2 2009年月最高总初级生产量(GPP)的空间格局（0.5°times;0.5°）数据驱动模型（A）和基于过程模型（B）、740nm下最大月度SIF(C)。C4作物面积的比例(主要区域是玉米)描绘了美国玉米带的近似区域(D)。数据驱动GPP数据对应MPI-BGC模型,基于过程的GPP相当于时尚(“1980 - 2010年期间净陆地-大气碳交换的趋势”)项目中10个全球动态植被模型的集合的中位数，SIF来自于GOME-2卫星测量数据。C4作物数据的部分见Ramankutty等人。

我们将美国和欧洲农田和草地基于通量塔的全年月平均GPP估算值与SIF反演值、碳模型的GPP估算值和光谱反射率指数进行了比较（图 3、4和SI附录，基于通量塔的GPP与模型GPP、SIF和植被指数的比较）。数据驱动模型GPP数据来自于马克斯普朗克生物地球化学研究所（MPI-BGC）开发的统计模型（图3B）和半经验中等分辨率成像光谱仪（MODIS）MOD17 GPP模型（SI附录，图S4）。10个陆面模型（28、29）的同一集合用于评估基于过程的模型的性能（图3C）。我们在图3中给出了比较结果，但不包括欧洲的农田，因为我们想说明在最均匀的生态系统中，农田和草地的GPP之间的强烈差异（欧洲农田高度分散，在0.5°分辨率下，可能无法正确采样这是《欧洲安全标准》附录，SIF反演）。包括所有类型的农田和草地的比较在国际标准中提供。

图3 美国玉米带和西欧草原站点农田通量塔站点的月平均GPP估计值的比较。通量塔GPP估计值与740nm（A）处的太阳诱导荧光（SIF）观测值以及MPI-BGC数据驱动模型（B）和基于过程的模型（10个动态全球植被模型集合的中值）的GPP估计值进行了比较。每个符号描述了0.5°网格的月平均值，以及2007-2011年期间通量塔数据可用的月份。所有比较中P值均lt;0.01。B和C中的虚线表示1:1线。类似的比较，但也包括西欧的农田地点。

我们发现，从美国一些玉米带站点的通量塔数据得出的峰值月平均GPP非常高（gt;15gC·m-2·d-1），而对于草地站点，月平均GPP从未超过10（gC·m-2·d-1）（图3）。基于过程的GPP估计值与基于通量塔估计值在草地上的结果比较好，但在美国玉米带上的相关性较差（图3C）。在数据驱动的模型中，通量塔与GPP模型之间存在明显的非线性关系，表明模型对高通量农田的GPP有很强的低估作用。分段线性近似表明，与线性关系的偏差出现在MPI-BGC估计值（图3B）的GPPgt;10 g C·m-2·d-1和MODIS MOD17的GPPgt;8 gC·m-2·d-1（国际单位制附录，图S4）。我们观察到，数据驱动模型对草地和农田产生了类似的峰值GPP值，并且在基于过程的模型结果中，草地的GPP甚至高于农田，而基于塔的估计没有反映出这一点。我们发现，在这些农田和草地上，SIF值与通量塔估算GPP呈现出更强的线性关系（图3A），并且对于农田和草地，单一的线性模型能够将SIF与GPP联系起来。另一方面，基于模型和基于塔的草地点GPP估计值（包括类似的峰值）之间的良好一致性表明，通量塔数据（典型足迹lt;1 km2）与SIF反演和0.5°模型数据之间的直接比较是可接受的。

因此，图3中的比较支持以下主张：（i）SIF捕获从美国玉米带的通量塔观察到的高光合信号，（ii）模型低估了作物GPP，特别是对于美国玉米带的高产作物点。美国玉米带地区基于过程模型的作物GPP估计之间的低相关性可以解释为趋势模型集合中缺乏特定的作物模块。关于数据驱动模型对作物GPP的低估，可以说，这些模型无法捕捉将遥感数据得出的稳定和结构驱动的植被指数与作物光合作用等高度可变的生理指标联系起来所需的复杂动力学。另一方面，这些基于反射率的指数通常低估了具有高绿色生物量水平的非常密集的作物冠层的“绿色度”，例如具有高肥料水平的品种。这可能会导致受这些植被指数约束的数据驱动模型低估GPP。

将基于同一通量塔的GPP数据集与图4中从MODIS MOD13C2产品中提取的SIF反演和增强植被指数（EVI）进行比较。这一比较表明，与GPP模型相似，光谱反射率指数与这些生物群落的GPP不成线性关系，尽管时间模式有很好的代表性：草地点的最高EVI值接近于一些农田点的值，而GPP则非常不同。另一方面，很难为EVI找到一个全球基线值，以表明完全没有绿色植被活动。最小EVI值取决于土壤性质，特别是雪的存在，在没有观察到光合活性的月份，可以观察到EVI的相对高变异性中（图4C和D）。这就给基于反射率的遥感数据的物候学研究中季节开始和结束时间的识别带来了问题。在光合作用之后，SIF的观测值又降到零，这提供了一个明确的光合活性信号。

SIF数据与图3A中观测到的通量塔GPP之间的线性关系可以通过下式进行描述：

其中PAR是接收到的光合有效辐射通量，fPAR是该辐射的吸收转化率，而LUEp是光合作用中使用吸收PAR的效率。SIF的概念可以类似于：

其中 是光谱波长（在我们的GOME-2中是740 nm），是SIF的光利用效率（即，从冠层重新发射的吸收PAR光子的分数作为波长 的SIF光子），解释了从树冠逃逸到空间的SIF光子的分数。这些方程可以组合起来使得其对光的依赖是隐式的：

其中，我们假设，因为在近红外波段进行SIF反演时，叶片在近红外波段的吸收率很低，草和作物的植物结构相对简单，叶面积指数也较高。

在叶片和冠层尺度上的实证研究表明，在卫星测量条件下（35-37），两个光利用效率项趋于线性关系。因此，应力强度因子数据应提供有关光吸收及其用于光合作用的效率的信息。从MODIS等星载仪器的反射率测量得到的植被指数和太阳角和大气条件的知识可以用来估计PARtimes;FPAR（方程1），但LUEPis是一个自由参数。这些来自玉米带的数据与密集管理作物的LUEPbeing相一致，后者远高于本地草地或管理较少的作物。

图4 基于通量塔的GPP时间序列与相同农田和草地位置的SIF反演（A和B）、MODIS MOD13C2 EVI（C和D）的时空平均值进行了比较。（0.5°网格和2007-2011年期间的月平均值）对于农田和草地，用相同的垂直比例尺绘制SIF和EVI。

在叶片和冠层尺度上的实证研究表明，在卫星测量条件下，两个光利用效率项趋于共变。因此，叶绿素荧光数据应提供有关光吸收及光合作用的效率的信息。从MODIS等

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[239030]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章