[논문 리뷰] Reconstruction of a Long-term spatially Contiguous Solar-Induced Fluorescence (LCSIF) over 1982-2022

Jianing Fang, Xu Lian외 4명|arXiv (Cornell University)|2023. 11. 25.

Atmospheric and Environmental Gas Dynamics인용 수 4

한 줄 요약

이 연구는 1982년에서 2022년까지의 편향 보정된 AVHRR 및 MODIS 반사율 데이터를 사용하여 장기적이고 공간적으로 연속적인 태양 유도 광합성 형광(LCSIF) 데이터셋을 재구성한다. MODIS SIF와 두 반사율 대역(적색 및 적외선)을 기반으로 신경망을 훈련시켜 SIF 추정치를 1982년까지 확장함으로써, 2001년 이후로는 매십년당 0.0038 mW m⁻² nm⁻¹ sr⁻¹의 가속화된 전 지구적 SIF 추세를 규명하였으며, 현장 측정 GPP 및 기존 식생 지표와의 높은 일치도를 보였다.

ABSTRACT

Satellite-observed solar-induced chlorophyll fluorescence (SIF) is a powerful proxy for diagnosing the photosynthetic characteristics of terrestrial ecosystems. Despite the increasing spatial and temporal resolutions of these satellite retrievals, records of SIF are primarily limited to the recent decade, impeding their application in detecting long-term dynamics of ecosystem function and structure. In this study, we leverage the two surface reflectance bands (red and near-infrared) available both from Advanced Very High-Resolution Radiometer (AVHRR, 1982-2022) and MODerate-resolution Imaging Spectroradiometer (MODIS, 2001-2022). Importantly, we calibrate and orbit-correct the AVHRR bands against their MODIS counterparts during their overlapping period. Using the long-term bias-corrected reflectance data, a neural network is then built to reproduce the Orbiting Carbon Observatory-2 SIF using AVHRR and MODIS, and used to map SIF globally over the entire 1982-2022 period. Compared with the previous MODIS-based CSIF product relying on four reflectance bands, our two-band-based product has similar skill but can be advantageously extended to the bias-corrected AVHRR period. Further comparison with three widely used vegetation indices (NDVI, kNDVI, NIRv; all based empirically on red and near-infrared bands) shows a higher or comparable correlation of LCSIF with satellite SIF and site-level GPP estimates across vegetation types, ensuring a greater capacity of LCSIF for representing terrestrial photosynthesis. Globally, LCSIF-AVHRR shows an accelerating upward trend since 1982, with an average rate of 0.0025 mW m-2 nm-1 sr-1 per decade during 1982-2000 and 0.0038 mW m-2 nm-1 sr-1 per decade during 2001-2022. Our LCSIF data provide opportunities to better understand the long-term dynamics of ecosystem photosynthesis and their underlying driving processes.

연구 동기 및 목표

• 최근 10년간에 주로 국한된 위성 SIF 관측의 시간적 범위 제한을 극복하기 위해.
• 장기적이고 편향 보정된 지표면 반사율 데이터를 이용해 AVHRR 및 MODIS에서 1982년까지 고해상도 SIF 추정치를 연장하기 위해.
• 적색 및 적외선 반사율만을 사용하여 SIF를 정확하게 재현할 수 있는 이중 대역 신경망 모델을 개발하여 장기적 연속성을 확보하기 위해.
• 재구성된 LCSIF를 위성 SIF 및 현장 측정 GPP와 비교하여 생태계 모니터링에 대한 신뢰성을 확보하기 위해.
• 지구 식생에 대한 기후 및 환경 변화의 영향을 평가하기 위해 장기적 광합성 추세를 정량화하기 위해.

제안 방법

• 중복 기간(2001–2002) 동안 MODIS 반사율에 대비해 AVHRR 반사율 데이터를 보정하고 궤도 보정하여 편향을 줄이기 위해.
• OCO-2 SIF와 해당하는 MODIS의 적색 및 적외선 반사율을 기반으로 훈련된 신경망 모델을 사용해 SIF를 예측하기 위해.
• 편향 보정된 AVHRR 반사율 데이터에 훈련된 모델을 적용하여 1982년에서 2000년 사이의 SIF 추정치를 생성하기 위해.
• 일致한 입력 반사율 대역을 사용하여 전 세계 모든 육상 표면에 동일한 모델을 적용함으로써 공간 연속성을 확보하기 위해.
• 다양한 식생 유형에서 독립적인 위성 SIF(OCO-2) 및 현장 측정 GPP 측정치와 LCSIF를 비교하여 검증하기 위해.
• LCSIF의 성능을 널리 사용되는 식생 지표(NDSI, kNDVI, NIRv)와 비교하여 광합성 활동을 얼마나 잘 대표하는지 평가하기 위해.

실험 결과

연구 질문

• RQ1 적색 및 적외선 반사율만을 사용하여 이중 대역 반사율 모델이 장기적 SIF를 정확히 재구성할 수 있는가?
• RQ2 재구성된 LCSIF는 다양한 생태계 유형에서 위성 SIF 관측치 및 현장 측정 GPP 측정치와 어떻게 비교되는가?
• RQ3 1982년에서 2022년 사이의 전 지구적 광합성 활동의 장기적 추세는 무엇이며, 시간이 지남에 따라 어떻게 변화해 왔는가?
• RQ4 LCSIF 제품은 전통적인 식생 지표가 광합성 역학을 포착하는 데 비해 성능이 뛰어나거나 유사한가?
• RQ5 AVHRR와 MODIS 데이터의 통합이 SIF 기록의 시간 연속성과 신뢰성 향상에 얼마나 기여하는가?

주요 결과

• LCSIF 제품은 전 지구적 SIF에서 유의미한 가속화된 상승 추세를 보이며, 1982년에서 2000년 사이에는 매십년당 0.0025 mW m⁻² nm⁻¹ sr⁻¹, 2001년에서 2002년 사이에는 매십년당 0.0038 mW m⁻² nm⁻¹ sr⁻¹의 속도로 증가하였다.
• 다양한 식생 유형에서 LCSIF는 전통적인 식생 지표(NDSI, kNDVI, NIRv)보다 유사하거나 더 높은 상관관계를 보이며 위성 SIF 및 현장 측정 GPP 추정치와 일치하였다.
• 편향 보정된 AVHRR 반사율 데이터를 통해 1982년에서 2000년 사이에 신뢰할 수 있는 SIF 재구성이 가능해졌으며, 이는 MODIS 시대를 초월한 SIF 기록 연장에 기여하였다.
• 이중 대역 신경망 모델은 입력 데이터가 감소함에도 불구하고 OCO-2 SIF를 높은 정밀도로 재현하여 접근법의 강건성을 확인하였다.
• 재구성된 LCSIF 데이터셋은 40년에 걸쳐 지속적이고 전 지구적으로 일관된 광합성 활동 기록을 제공하여 장기적 생태계 역학에 대한 새로운 통찰을 가능케 하였다.
• 이 연구는 물리 기반 기계 학습 프레임워크를 통해 고전적 AVHRR 데이터를 현대 SIF 관측치와 통합함으로써 장기적 SIF 모니터링의 새로운 기준을 설정하였다.