首页 > 分享 > 基于卫星遥感的植被NDVI对气候变化响应的研究进展

基于卫星遥感的植被NDVI对气候变化响应的研究进展

花匠小妙招
2024-10-07 08:32

摘要：回顾了以往植被对气候响应的有关研究,从此类研究常使用的数据、方法及获取的结论3个方面进行了分析,重点阐述了归一化植被指数(Normalized Difference Vegetation Index,NDVI)对降水、温度和辐射等气候因子的响应特征,并探讨了未来的发展趋势。结果表明,植被NDVI对降水的显著响应往往出现在干旱半干旱地区和干湿季气候差异明显地区,且具有一定的滞后特征,滞后的时间尺度与局地条件关系密切;温度成为植被NDVI控制因子的情况常出现在温带或寒温带地区,与对降水的滞后响应相比,植被对于温度的滞后响应并不是特别明显;辐射对于植被的主导影响主要出现在低纬度的部分区域、高云量区域和高纬度地区的特定时间段内。认为量化人类在植被对气候变化响应过程中的作用,全球变暖情形下植被对气候响应特征的深入分析,以及植被受气候影响的多尺度特征可能是以后此类研究的发展方向。

Vegetation Responses to Climate Change by Using the Satellite-Derived Normalized Difference Vegetation Index：A Review

Abstract: Climate is one of the most important environmental factors affecting spatial and temporal vegetation dynamics. The different responses of vegetation to global warming tend to change over different time and space scales. The rapid development of remote sensing has made it possible to examine vegetation changes at the regional and global scales. Two basic approaches to characterizing vegetation responses to changing climates are to use statistics and modeling. New statistical methods and improved vegetation models have recently been successfully applied to assessing the effects of climate change on vegetation dynamics. The data and analytical methods used and the discoveries made in previous studies of vegetation responses to climate are summarized in this paper, with a focus on vegetation responses to different climate parameters, including precipitation, temperature, and radiation. It is generally accepted that precipitation significantly affects the normalized difference vegetation index (NDVI) in arid and semiarid regions and in regions with distinct dry and wet seasons. The time lag in the response of vegetation to precipitation, and the way the time lag depends on local conditions. Temperature is the dominant climate parameter that affects the NDVI in temperate and boreal regions. The time lag in the vegetation response to temperature is somewhat less pronounced than the time lag in response to precipitation. Solar radiation is the predominant factor limiting vegetation growth in some low latitude areas and areas that have lots of cloud cover, and at certain times in high latitude regions. Future research should focus on 1) quantifying the human role in the response of vegetation to climate change, 2) remeasuring the vegetation responses to different climate parameter changes associated with global warming, and 3) considering the multi-scale assessment of climate change impacts on vegetation.

Key words:Vegetation Normalized difference vegetation index (NDVI) Climate change Remote sensing

1 引言

IPCC第四次评估报告指出，全球范围内许多生态系统正在受到气候变化的影响，特别是温度升高的影响(IPCC，2007)。作为陆地生态系统最重要的组成部分，植被对气候变化的响应尤为显著。例如，气候变暖使得北方高纬度区域植被的光合活动变强(Myneni et al., 1997)、阿尔卑斯山植被分布的海拔范围比以往更高(Grabherr et al., 1994)。由于植被对气候变化的敏感性，植被变化在一定程度上被认为是全球变化的指示器(马明国等，2006)，因而也受到了研究者长期的持续关注(Tucker et al., 1986；Fu and Wen， 1999；Stenseth et al., 2002；Zeng and Yoon， 2009)。

气候变化对植被的影响涉及了从物种到生态系统的不同尺度水平，传统的收集于小时空尺度的野外数据一般难以监测区域或全球尺度的变化(Pettorelli et al., 2005)。因此，早在20世纪70年代，卫星遥感就开始用于陆地植被监测，到20世纪80年代末，Goward(1989)提出了“卫星生物气候学”的概念。近几年来，高光谱遥感技术的迅速发展，使得植被遥感的准确性和灵敏性有了大幅提高。至今，遥感影像已成为最重要的植被数据源，在评价植被覆盖、物候学、生产力及一些生物物理过程方面取得了巨大成功(Glenn et al., 2008)，是监测全球和区域尺度植被动态的最有效工具(Pouliot et al., 2009)。

驱动植被变化的各种气候变量中，最基本和最重要的变量是太阳辐射、温度和降水，它们提供了植被生长所必需的光、热、水条件。辐射是植物光合作用的能量来源，只有在合适的光照条件下植物的光合作用才能顺利进行；温度影响了光合作用和呼吸作用的速率，以及植物对养分的利用效率；降水是植物水分需求的主要来源(Bachelet et al., 2001; Wang et al., 2001; Tan，2007)。本文将从以往研究所使用的数据、分析方法以及温度、降水和辐射等不同气候变量对植被产生影响的角度出发，综述植被对气候变化的响应特征，并探讨此类研究未来的发展趋势。

2 数据源

在植被对气候响应的研究中，所采用的数据可分为植被数据和气候数据两大类。气候数据不是本文关注的重点，其来源一般是气象站的站点观测资料。另外，来自英国东安格利亚大学气候研究中心(Climatic Research Unit，CRU)、戈达德空间研究所(Goddard Institute for Space Studies，GISS)、全球降水气候学计划(Global Precipitation Climatology Project，GPCP)、全球综合分析降水集(CPC Merged Analysis of Precipitation，CMAP)等栅格类型的数据也有部分使用(Camberlin et al., 2007)，这里不再专门阐述。

植被数据多采用基于卫星遥感的植被指数。近30年来，国内外学者已经发展了几十种不同的遥感植被指数，包括归一化植被指数(Normalized Difference Vegetation Index，NDVI)、简单比值指数(Simple Ratio Vegetation Index，SR)、差值植被指数(Difference Vegetation Index，DVI)、土壤调节植被指数(Soil-Adjusted Vegetation Index，SAVI)、全球环境监测指数(Global Environmental Monitoring Index，GEMI)、气溶胶不敏感植被指数(Aerosol Free Vegetation Index，AFVI)、增强型植被指数(Enhanced Vegetation Index，EVI)等(Tucker，1979; Pinty and Verstraete， 1992; Liang，2004)。不同植被指数具有不同的优势，也存在不同的局限。例如，SAVI可以抵抗土壤背景干扰，AFVI、EVI能够抵抗大气干扰，但计算这些指数需要知道更多的参数或波段信息。

根据以往研究，在各种植被指数中，NDVI不仅计算简便，而且能在很大程度上反映地表植被状况，其应用也最为广泛(Julien and Sobrino， 2009)。NDVI与植被总初级生产力(Gross Primary Production，GPP)、光合有效辐射分量(Fraction of Photosynthetically Active Radiation，FPAR)、叶面积指数(Leaf Area Index，LAI)等重要的植被特征存在显著关系，能够成功地反映植被覆盖和植被光合能力(Tucker and Sellers， 1986; Lo Seen et al., 1995)。

表 1列出了目前可以利用的覆盖全球的不同时空分辨率的NDVI数据集，其中，始于1981年的基于NOAA AVHRR的NDVI数据具有最长的时间覆盖范围，它的应用最为广泛。在PAL、GVI、GVI-x、LTDR、FASIR、GIMMS等皆基于NOAA AVHRR的不同NDVI数据集中，GIMMS因为同时具有较好的质量和较佳的时空分辨率、免费获取等优势而成为其中最为常用的NDVI数据集(Herrmann et al., 2005)。但是，AVHRR传感器最初的设计目的不是用来监测植被特征的，在其NDVI产品生成过程中存在一些固有的问题(例如宽的光谱波段造成的水汽吸收)，导致NDVI数据存在潜在噪声(Steven et al., 2003；Fensholt et al., 2009)。MODIS和SPOT VGT两种传感器的波段设置特别考虑了植被监测目的(Fensholt et al., 2009)，数据质量要明显高于AVHRR，因此当研究较小空间尺度的问题或者不需要1998年以前的数据时，应尽量使用MODIS或SPOT VGT数据(Pettorelli et al., 2005)。值得注意的是，表 1最后列出的分别产生于POLDER-3和METOP-AVHRR传感器的两种NDVI产品是最新的可利用NDVI数据，目前的使用非常少，尽管其时间覆盖范围短，但具有重要的应用前景。其他两种传感器SeaWiFS和MISR的主要目的也不是监测植被，提供的NDVI产品分辨率相对较粗，在时间覆盖长度上也不具优势，在以往研究中也很少使用。

表 1 目前可利用的全球归一化植被指数数据集Table 1 The current available global Normalized Difference Vegetation Index(NDVI)datasets

尽管NDVI是最为常用的植被指数，然而其局限不可忽视，例如它容易饱和，易受水汽、沙尘气溶胶的污染等等(Martiny et al., 2005)。增强型植被指数(EVI)的出现弥补了NDVI的一些缺点，EVI的优势在于减少了由土壤背景和残留气溶胶影响造成的污染，而且不容易饱和，可以容忍更大的冠层密度变化，适于雨林及其它有大量植被覆盖的高生物量区域(Huete et al., 2002；王正兴等，2003)。但由于EVI的发展基于MODIS数据，因此其数据仅在2000年以后可以利用。

3 研究方法

研究气候变化对基于遥感的植被指数的影响通常分为两个步骤，一是植被指数或气候数据的预处理，二是植被对气候变化响应特征的确定。

3.1 植被指数或气候数据的预处理方法

植被指数、气候数据均为时空序列数据，包含了时间、空间上的海量信息，分析起来不够简便灵活。因此，研究者多采用可以反映时空格局、周期信号及其他与时空场变化有关的分析方法，以提取植被或气候数据的有效变化特征，同时达到浓缩信息的目的。表 2列出了从植被或气候数据中提取主要变化信号的有关方法。

表 2 植被或气候时空序列数据的预处理方法Table 2 The pre-treatment methods for temporal–spatial sequence of vegetation or climate data

经验正交函数(Empirical Orthogonal Function，EOF)或主成分分析(Principal Component Analysis，PCA)方法可以用来提取植被或气候序列的时空变化特征。由于植被和气候数据集往往包含了大量的时空信息，利用EOF或PCA方法可以将大部分信息集中到少数的彼此独立的主分量上。卢玲等(2002)利用PCA方法将NDVI的时间和空间变化特征分离开来。聚类分析方法是一种常见的多元统计方法，利用该方法可以将具有相似的植被或气候变化特征的区域进行类别划分。自相关分析用来评价植被或气候序列的随机性特征，它可分为时间和空间上的自相关。例如，NDVI在空间上的强烈自相关意味着相邻像元的NDVI变化不是由随机过程引起的(Zhou et al., 2001)，而气候序列在时间上的自相关可能放大了气候的变化趋势( 陶杰等，2008)。因此，在使用植被或气候数据之前，评价其自相关特征是十分有必要的。

多窗谱分析是一种处理时间序列的谱分析方法，与其他谱分析方法相比，尤其适合于短序列、高噪声背景下准周期信号的诊断分析，具体算法见江志红等(2001)。Jarlan et al.(2005)使用多窗谱分析方法发现了Sahel地区植被NDVI的准两年和准四年波动特征。总体来讲，多窗谱分析方法在气候信号检测上的应用要多于在植被上的应用。小波分析基于窗口傅里叶变换的思想，是一种窗口大小固定但形状可以改变的时频局域化分析方法，可以有效细致地分析时间序列的时频结构(魏凤英，2007)。植被和气候序列通常包括不同时间尺度上的(例如短期的、季节的、长期的)丰富变化信息，使用小波分析可以对这些信息进行多尺度的细化分析。Martínez and Gilabert(2009)利用Meyer小波分析方法，将NDVI序列分解到年内和年际间两个时间尺度上，并提取到了植被物候循环的重要信息。

时间序列谐波分析(Harmonic Analysis of Time Series，HANTS)是基于傅里叶变换改进后的一种算法，它可以处理时间序列数据不等间隔的问题，重建无缝的时间序列，同时可以显著降低云对植被数据的干扰。具体算法可参见Julien et al.(2006)。王丹和姜小光(2006)利用HANTS方法对1995～2000年的中国NDVI时间序列进行了去云处理，并分析出中国植被覆盖变化的周期。Z-score方法是一种基于均值和标准差的数据标准化方法，常用于气象数据的处理(Tan et al., 2001)。将Z-score方法应用于植被NDVI序列中的最大优点是可以去除植被数据的季节循环趋势(侯美亭等，2013)，这有利于寻找季节波动掩盖下的植被真实变化信息。

3.2 植被指数对气候变化响应特征的确定方法

分析植被对气候变化的响应，通常基于统计方法和数值模拟两类途径。统计方法大致包括相关分析、回归分析、Granger因果检验、典型相关分析(Canonical Correlation Analysis，CCA)、奇异值分解(Singular Value Decomposition，SVD)、耦合流形技术(Coupled Manifold Technique)、残差趋势分析等。数值模拟是指通过静态和动态植被模型来模拟气候对植被产生的影响(Foley et al., 2000)。

在所使用的众多统计方法中，相关和回归是最常用、最基本的分析方法。如，Del Grosso et al.(2008)使用线性回归方法研究了全球植被净初级生产力与年降水、年均温之间的关系。Li et al.(2002)使用Spearman相关分析方法研究了中国不同气象站的NDVI与月生长度日(Growing Degree Days，GDD)、月降水之间的关系。Prasad et al.(2008)使用偏最小二乘多元回归方法分析了印度Ghats西部的植被与降水、温度、地形等环境变量的关系。Zhou et al.(2001)认为植被数据或者气候变量的变化可能包含了随机趋势，通过在回归模型中添加一个确定性变量的方法，减少了植被与气候关系的可能误判。

然而，传统的相关或回归分析存在一些固有的缺点，如它们不能说明变量间的关系是否是一种巧合，或者因变量是否一定依赖于自变量的变化(Kaufmann and Stern， 1997)。Granger因果检验方法可以恰当地解释不同变量间是否具有因果关系(曹鸿兴等，2008)。Kaufmann et al.(2003)使用Granger因果检验方法较好地说明了大陆尺度上北美和欧亚植被与地表温度之间的关系。Philippon et al.(2005)同时使用交叉相关和Granger因果检验解释了西非地区降水对植被和土壤水分的影响。

CCA和SVD都是用来研究两组变量或两个变量场之间的相关信号、以及各变量对相关场贡献的诊断技术(魏凤英，2007)。Lotsch et al.(2003)使用CCA方法研究了全球尺度的植被和标准化降水指数协同变化的时空格局。王永立等(2009)使用SVD方法研究了中国东部植被NDVI与气温、降水的关系。耦合流形技术是近几年发展的一种寻找两变量场交互关系的新方法(Navarra and Tribbia， 2005)，广义上类似于CCA或SVD方法，该方法的优点在于能够清楚找出两个变量场间的相互强迫部分。Alessandri and Navarra(2008)使用该方法评价了陆地区域的季节性植被动态和降水年际异常的关系。

残差趋势分析是用来寻找除气候造成的植被变化之外，其它因素对植被可能产生的影响。Archer(2004)将NDVI残差描述为观测到的NDVI与由植被－气候回归关系得到的理想NDVI之间的差异，在散点图上，NDVI残差表示每一个观测点与回归线之间的距离，这种差异被认为是由气候之外的其他因素造成的。Evans and Geerken(2004)使用NDVI残差消除了植被对降水的响应，分析了人类活动对植被带来的可能影响。然而，植被的残差可能受到了除主导气候因子以外的各种噪声的影响，因此，尽管利用植被残差可以明显地识别出与气候无关的植被变化，但是确定引起这种残差的具体原因时一般需要辅以野外调查或更高分辨率的数据(Wessels et al., 2007)。

气候对植被影响的数值模拟经历了一个从早期静态生物地理模型到目前全球动态植被模型(Dynamic Global Vegetation Model，DGVM)的发展过程，相继出现了Holdridge生命地带模型、Box模型、CCVM、BIOME4、Lund-Potsdam-Jena DGVM(LPJ)等不同类型的植被模型(Peng，2000)。早期的生物地理模型(例如Holdridge、Box模型)基于统计、非机理的角度来描述气候和自然植被分布之间的关系(毛嘉富等，2006)，难以反映植被对气候变化的瞬时响应，因此这类模型是相当局限的。

目前，研究者多采用DGVM模拟气候对植被产生的影响(王旭峰等，2009)。动态植被模型运用生理学、生物地球物理学和生物地球化学的过程来解释和动态的模拟植被对气候变化的响应。孙艳玲等(2007)使用CRU05资料和改进后的LPJ模型模拟了中国20世纪不同气候阶段的潜在植被类型的分布变化。而植被动态模型与气候模式耦合，不但可分析植被对气候系统的响应，而且还可用来研究植被对气候系统的反馈(Bonan，2002)。Bonan and Levis(2006)评价了耦合了CLM-DGVM的CAM3的模拟效果。

4 植被NDVI对不同气候变量的响应特征

从植被生长所需的光温水等基本气候要素的角度出发，以往研究已经在降水、温度、辐射等气候因子对植被产生的影响方面取得了长足的进展。

4.1 植被对降水的响应

植被与降水的显著关系往往出现在干旱半干旱地区和干湿季气候差异明显地区，尤其是干旱半干旱生态系统植被生长的开始期和持续时间一般受降水控制(Spano et al., 1999)。Ichii et al.(2002)分析了年际尺度上全球植被与气候的关系，发现植被与降水的正相关出现在中亚、撒哈拉沙漠南部、南非、澳大利亚、南美洲南部，尽管温度对这些区域的植被也有一定的影响，但是降水的影响占据了主导。Anyamba et al.(2002)使用GIMMS NDVI数据分析了Sahel地区1981～2003年间逐月和生长季(7～10月)的植被动态，发现1982～1993年间的NDVI呈现负距平、1994～2003年间的NDVI呈现正距平，而这种格局与该地区同时段内的降水变化趋势具有很好的一致性(Nicholson，2001)。Philippon et al.(2005)发现，在Sahel和几内亚，NDVI与降水的关系存在明显的季节依赖性，它们之间的相关主要出现在雨季(通常也是植被的生长季)。信忠保等(2007)发现中国黄土高原地区的植被NDVI对降水有着敏感的响应，认为降水对该地区的植被空间分布起着决定性作用。索玉霞等(2009)发现，中亚地区植被受降水的影响明显大于气温，年降水量尤其是春季降水是中亚地区植被生长的主要限制因子。另外，干旱半干旱过渡地区的植被变化在响应于降水的同时，也对降水具有一定的正反馈作用(Dekker et al., 2007)。张井勇等(2003)指出，中国东部干旱－半干旱区春季的植被NDVI对当年夏季的降水有正的影响。而在更长的时间尺度上，自然植被向农田的转变、草地向半荒漠的转变以及大规模的土地退化可能导致了近3000年来中国北方的干旱化趋势，特别是黄河中下游流域的夏季降水出现了明显减少趋势(Fu，2003)。

植被对降水的响应具有一定的滞后特征，尤其是干旱半干旱区域的生态系统动态，通常与季节或更长时间尺度上的降水变化有关(Lotsch et al., 2003)。Sivakumar(1988)认为生长季开始时期的降水可能是植被峰值生长期长度和强度的主要控制因素。植被活动对于降水响应的滞后，有时也被称作植被的 “记忆效应”(Philippon et al., 2005)。例如，Davenport and Nicholson(1993)发现在东非的一些区域，3月的NDVI与1～3月的平均降水(而不是3月同期降水)具有最好的相关。Philippon et al.(2005)指出Sahel地区的植被对降水的响应存在大约一个月的滞后。Capecchi et al.(2008)也发现，在Sahel的一些区域，8月的NDVI会出现显著增长，而这种增长与前期(特别是7月)的降水存在相当的一致。信忠保等(2007)发现在植被生长季节，黄土高原植被NDVI对降水的滞后也大概为一个月。在美国中部大平原，植被变化也受到同期或前期降水的强烈影响(Wang et al., 2003)。

植被对降水的滞后响应也可能出现在更长的时间尺度上。Martiny et al.(2005)发现，在非洲的一些半干旱区域，植被活动除了与同一年的降水有关外，甚至与上一年的降水存在一定程度的相关，植被对前一个特别干旱或湿润的年份都存在显著的记忆效应。不过，植被对降水滞后一年的响应可能受到了所采用空间尺度的影响(Camberlin et al., 2007)。另外，植被对降水的长时间尺度的记忆也可能更多的与植物本身的生物学机制有关，如深根植物对降水变化的记忆时间可能更长(Philippon et al., 2005)。Richard et al.(2008)分析了非洲南部半干旱区域不同植被类型NDVI对降水的滞后响应，发现早夏季节(9～11月)一些植被的NDVI对于前期7～10个月、12～14个月的降水分别存在负、正的记忆效应，研究认为这种相反的记忆可能取决于植被种子形成、干物质积累与萌芽等不同阶段的水分条件。总体来说，植被对于降水的滞后响应，有助于预测植被未来的变化。然而从定量的角度上，植被对于降水的响应时间是不易确定的，因为从降水转化为植被可利用水经过了一系列过程，这个过程与土壤类型、土地利用、气候条件、植被生理和形态学特征有关(Schwinning and Sala， 2004)。例如，徐兴奎等(2003)发现，在中国不同气候区域，植被NDVI对降水的滞后时间存在明显差异，在较为干旱的西北区域，一次大的降水就可能改变地表的植被状况，因此滞后时间比较短，而对于降水相对较多的南方湿润地区，植被对降水的滞后时间尺度相对较长。

植被对于降水的量的响应是有限的，当降水量超过某阈值时，NDVI会达到“饱和” 状态，从而基本维持不变。Davenport and Nicholson(1993)分析了东非的包括森林、灌丛及草地等不同植被类型在内的NDVI变化特征，发现虽然不同植被类型的水分利用效率存在差异，然而当年降水小于1000 mm、月降水不超过200 mm时，各种植被类型的NDVI与降水具有明显的相关关系，而且对于降水的年际变化非常敏感；当降水超过这个阈值时，就算降水的年际变化很大，年累计NDVI也几乎没有明显的改变。Martiny et al.(2006)发现热带非洲(撒哈拉南部)的降水与NDVI之间具有非线性的相关关系，当年降水在200～600 mm时，NDVI与降水的关系最为显著；当年降水在800～1000 mm时，NDVI趋向于饱和；当年降水超过1600 mm时，NDVI与降水量基本没有相关存在，这些阈值也与Nicholson and Farrar(1994)、Fuller and Prince(1996)、Camberlin et al.(2007)的发现基本一致。Camberlin et al.(2007)解释，在非常干旱的区域，植被NDVI具有低的信噪比，而在更为湿润的森林区域，降水不是植被生长的限制因子，因此，NDVI与降水的显著相关没有出现在降水偏少或偏多的区域。

4.2 植被对温度的响应

温度成为植被活动控制因子的情况通常出现在湿润的温带或寒温带地区(Zhang et al., 2004)。在全球变暖背景下，北方高纬度区域，特别是冬春季节的阿拉斯加、加拿大北部和欧亚大陆北部的温度上升尤为显著(Hansen et al., 1999)，因而这些区域的植被活动受温度变化的影响最为明显。Zhou et al.(2001)利用1981～1999年间的全球GIMMS NDVI数据，发现在40°N～70°N之间，植被与温度变化存在显著的相关关系。Ichii et al.(2002)进一步指出，北方中高纬区域的植被活动与温度变化的关系呈现出一定的季节变化特征，在3～5月植被与温度的正相关首先出现在偏南的区域，到了夏季正相关北移至苔原带，植被活动可能受到了生长季初期温度的强烈影响。

植物的一些物候特征，例如生长季长度的改变，一般对温度的变化具有高度的敏感性。Myneni et al.(1997)利用1981～1991年间的AVHRR NDVI数据，发现在全球尺度上，随温度的升高，45°N～75°N之间的植物的生长季延长最为显著，该区域雪消融时间的提前也暗示了春季的变暖。Menzel and Fabian(1999)分析了1959～1993年的欧洲植被观测数据，发现由于温度的上升，植被生长季在30余年间延长了10.8 d。Kimball et al.(2006)发现在阿拉斯加、加拿大西北区域，由特别微波辐射/成像计(SSM/I)反演的春季消融事件与春夏季的LAI最大值、GPP以及植被净初级生产力(Net Primary Production，NPP)异常具有很好的相关，在消融时间较早的年份，LAI和年生产力都要高于正常年。余振等(2010)使用1982～2006年间的GIMMS NDVI数据，发现中国东部南北样带上大部分植被类型的生长季长度都有所延长，温度对植被物候的影响要大于降水，但不同植被类型对温度的响应存在差异。侯美亭和延晓冬(2012)发现1982～2006年间中国东部长江以南区域的林地生长季长度的延长、华北区域有灌溉旱地生长开始期的提前皆主要与气温升高有关。

积温、GDD/AGDD(Accumulated GDD)、温暖指数等具有热量累积意义的生态气候参数更能体现温度对植被活动的影响，其中，温暖指数的计算基于积温，GDD的计算与日最高温度、最低温度和植物生长发育所需的基准温度有关(Li et al., 2002)。Suzuki et al.(2000)利用大于0 °C的月平均温度的积温调整了温暖指数，以表征温度的特征，发现在110°E的西伯利亚泰加林—苔原带的南北样带上，温度是决定植被活动的最关键因素。Li et al.(2002)分析了中国160个气象站的温度和AVHRR NDVI之间的关系，发现其中155个站的NDVI与GDD都具有显著的相关，而且NDVI与GDD的相关要强于NDVI与降水的相关。de Beurs and Henebry(2005)使用二次曲线模型拟合了哈萨克斯坦15类植物群落的NDVI与AGDD之间的关系，划分了4种不同的基于温度的植被物候类型。Jia et al.(2002)使用大于0 °C 的月均温的合计值来反映阿拉斯加北部植被生长的热量条件，发现其与该区域的NDVI存在显著的相关。

与植被对降水的滞后响应相比，植被对于温度的滞后响应并不明显。温刚和符淙斌(2000)利用1982～1993年的PAL NDVI数据，发现在多年平均意义上，中国东部的植被在各生长阶段都同步响应于温度的季节变化。Piao et al.(2003)分析了1982～1999年间中国的月平均NDVI的变化，发现仅4月或5月的NDVI对温度的响应滞后了大约3个月的时间，即与2月的温度存在显著的相关，其余月份的NDVI与温度变化并无显著的滞后相关。

4.3 植被对辐射的响应

尽管辐射对植被活动具有重要影响，但与植被响应于降水、温度的研究相比，使用遥感数据关注植被受辐射影响的研究相对较少。辐射数据的可利用性弱于降水、温度数据(例如，辐射观测站点明显稀少)，可能是导致此类研究较少的原因。卫星反演提供的辐射产品(Karnieli et al., 2010)，或直接利用云量数据替代辐射(何勇等，2007)，在以往此类研究中有所使用。

在低纬度的降水不是限制因子的区域，植被会表现出对辐射变化的显著响应。Graham et al.(2003)通过人为增加光照试验发现，在热带森林的雨季期间，与降水和温度相比，由于云量增加导致的太阳辐射减少可能是阻碍植物生长的主要原因，他们认为云以及气溶胶导致的太阳辐射变化主要是通过影响植被对CO2的吸收，从而对植物生长发育产生影响的，并且这种影响是正负两方面的，因为云虽然减少了太阳的直接辐射，但是也增加了散射辐射，因此可能存在植被活动最为旺盛的最佳的云覆盖状态。Huete et al.(2006)指出，在晴朗的旱季，太阳辐射对于亚马逊雨林物候和生产力的影响要大于降水的影响，这主要是由于土壤深层水分保证了亚马逊雨林对水分的需求。何勇等(2007)发现，辐射对中国陆地植被的影响主要分布于华南地区。

一些高云量区域，如热带地区、西伯利亚西部、澳大利亚和海岸带附近的部分区域，植被NDVI与辐射也呈现显著的相关(Suzuki，2007)。Hu et al.(2009)认为高的云量覆盖引起的太阳辐射减少，可能造成了华南亚热带区域植被夏季的FPAR、EVI低于春季末期。而在高纬度地区，太阳辐射在特定时间段内是植被生长的控制因子。Karnieli et al.(2010)研究了温度、降水和太阳辐射对北美大陆地表温度(L and Surface Temperature，LST)和NDVI相关关系的影响，发现在北美的高纬度和高海拔地区，当能量成为植物生长限制因子时，特别是在生长季的开始(4～5月)和结束时期(8～9月)，LST和NDVI具有正相关，太阳辐射是LST和NDVI相关关系的主要控制因素；在仲夏期间(6～7月)，北方高纬地区的太阳辐射基本不会成为植被生长的限制因子，该时间段内LST和NDVI相关关系的主要控制因素是气温。

尽管云量数据可在一定程度上替代辐射，但云以及气溶胶对植被遥感数据的质量造成的负面影响不可忽视。Kobayashi and Dye(2005)发现，在亚马逊雨林的东部和南部区域，植被NDVI的时间变化受到了大气条件(例如生物质燃烧气溶胶和云)的强烈影响，其中4～7月获取的NDVI数据较为可靠，9～11月期间持续的生物质燃烧气溶胶严重干扰了NDVI的可信度，而在亚马逊中部，生物质燃烧气溶胶的影响有所减少，云的季节变化占据了主导，云的存在导致无法从NDVI数据中获取植被的季节动态信息。这也许是难以利用长期植被遥感数据研究辐射与植被关系的原因之一。

5 未来发展趋势 5.1 量化人类活动在植被及气候变化中的作用

虽然植被变化通常与气候限制因子有关，但是在受人类干扰强烈的区域，植被与气候的关系往往不够明显，Durante et al.(2009)发现位于地中海附近一些区域的农作物NDVI的变化在年内和年际尺度上比自然植被的变化更为稳定，受当地气候变化的影响更小。

人类活动对植被的影响一般包括两种方式，一是通过诸如人工造林、森林砍伐、农作物种植或收获、人为土地利用变化等方式对植被带来的直接人为改变，另一种是对植被的间接影响，比如人为土地利用变化、温室气体排放可能引起局地、区域甚至全球的气候变化，气候变化又进一步影响了植被活动。Kaufmann et al.(2007)发现，珠江三角洲的城市化过程引起了局地降水的减少，从而对植被活动产生影响。然而，目前关于人类活动究竟在多大程度上影响了植被多是出于定性的判断，Piao et al.(2003)定性地认为迅速的城市化进程导致了长江三角洲和珠江三角洲的NDVI的急剧下降，而农业活动(灌溉和施肥)可能有助于华北地区NDVI的迅速增长。如何有效的量化人类活动在植被变化中的作用是一个亟待解决的问题，以及人类活动在多大程度上影响了局地的植被—气候反馈，也是值得关注的问题。

5.2 全球变暖背景下的植被对气候响应特征的深入分析

根据以往的研究，在大的时空尺度上，植被对气候的响应一般具有以下特征：在寒冷区域，温度通常是植被生长的限制因子；在温带区域，植被生长一般受到温度和降水两方面的影响；在相对温暖的热带区域，温度一般不会影响到植被的季节循环，因为这些区域的温度通常已经超过了植被生长所必需的最低温度；在那些降水量超出了植被所需要最低降水量阈值的区域，植被对于降水变化也是不敏感的。

然而，全球气候变暖背景下，植被对除温度外其它气候变量的响应特征可能会因为温度的上升而发生变化。例如，对于热带雨林，一般如果年降水低于1300～1500 mm，则热带雨林可能会被热带草原代替(Salzmann and Hoelzmann， 2005)，但是温度升高可能会提高植被对降水量需求的阈值(Phillips et al., 2008)。

由于植被对各气候变量的响应不是孤立的，因此，在当前全球变暖情形下，分析植被对不同气候变量的响应特征时，需特别注意温度所起的作用。

5.3 植被对气候响应的多尺度特征

植被对气候的响应，包括了不同时空尺度的生物物理和化学过程，大尺度上的效应并不一定发生在小尺度上。例如，尽管在大陆尺度上，温度是北方中高纬地区植被活动的主导控制因子，但Suzuki et al.(2000)发现，西伯利亚地区植被与气候的关系存在明显的经向差异，在75°E经向梯度上，降水的作用明显比温度更为重要，而在110°E 经向梯度上，温度是最关键的决定因子。因此，全球、区域和局地尺度上植被对气候响应的差异是值得重视的。

随着遥感技术的不断发展，出现和积累了越来越多的不同时间分辨率上的植被NDVI产品，NDVI的时间覆盖长度也在不断增加。高时间分辨率如逐日尺度上的NDVI可能容易受到云及其他因素的干扰，常用的最大值合成(Maximum Value Composite，MVC)方法虽然消除了云的影响，但也丢失了时间上植被变化的细节信息，这些细节信息可能对于植被变化的一些关键特征(例如植被物候变化)是非常重要的，如何更好的利用不同时间分辨率的植被遥感数据是需要进一步探讨的问题。基于不同卫星数据源的、时间跨度逐渐加长的NDVI产品，也为研究和对比植被在年代际尺度上对气候变化的响应提供了便利。

总之，尽管基于遥感手段的很多研究已经提高了我们对植被响应于气候变化的理解，但需要更多的研究以确定类似的关系是否存在于与以往研究不同的时间和空间尺度，以表明已有的发现是否具有推广意义或者能否得出新的或更细节的植被响应特征。