陆地生态系统植被生产力可以量化大气中CO2向植物生物量的转化，反映植被固定大气CO2的能力，这是估算全球碳收支的重要变量，也是估算地球承载能力和陆地生态系统可持续发展的重要生态指标。植被生产力可分为总初级生产力（Gross Primary Production，GPP）和净初级生产力（Net Primary Production，NPP）。前者指生态系统中绿色植物单位时间通过光合作用途径固定有机碳的总量，决定了进入陆地生态系统的初始能量与物质总量；后者表示从总初级生产力中扣除植物自养呼吸所消耗的有机物后剩余的部分。持续并准确估算全球植被生产力的时空格局变化，对深入理解全球碳循环过程以及对气候变化的反馈作用具有重要意义。

全球GPP和NPP产品是通过改进的植被生产力估算模型 MuSyQ-NPP (Multisource Data Synergized Quantitative-Net Primary Productivity)估算，该模型基于光能利用率（Light use efficiency, LUE）。

许多研究发现，散射辐射的LUE要高于太阳直射辐射的LUE，考虑光照条件对LUE的影响有助于提高GPP和NPP估算的精度。模型中通过引入晴空指数 (Clearness Index, CI)来间接反映入射太阳辐射中直接辐射与散射辐射比例的不同，综合考虑光照、水分、温度条件对光能利用率的影响，在光能利用率估算的基础上实现GPP、NPP的估算，算法框图如图1所示。

图1 算法技术路线图

（1） GPP的估算

                                            （1）

其中LUE是实际的植被光能利用率；PAR为光合有效辐射；FPAR为植被吸收的光合有效辐射比例。PAR由短波下行辐射SWsurface计算得到，计算公式如下：

                                                       （2）

LUE的计算源自参数化方法，其中根据植被类型和晴空指数CI来确定无胁迫下的最大LUE，并通过乘以温度胁迫和水分胁迫来估计实际的LUE，具体计算方法如下所示：

    （3）

                                                                            （4）

其中，LUEmax是通过对阴影叶片(, gC/MJ)和光照叶片(, gC/MJ)的LUEmax加权进行计算。不同植被类型的和是结合FLUXNET GPP数据和SCE-UA优化方法（Duan et al., 1992）优化得到，具体参数如表1所示。CI和 (1-CI) 对应加权系数，其中CI为晴空指数，表示地表太阳入射辐射（SWsurface, MJ/m2d）与大气顶辐射之比（SWtop, MJ/m2d）。其中，SWsurface 是从ERA5数据集获取的短波下行辐射数据。实际光能利用率LUE由最大光能利用率和水分胁迫因子、温度胁迫因子向下调整计算得到。

水分胁迫因子采用实际蒸散E与潜在蒸散Ep进行计算。实际蒸散由改进的Penman-Monteith模型和遥感LAI估算，潜在蒸散采用Priestley-Taylor方程计算。

                                                               （5）

其中，λ为汽化潜热系数，△为饱和水汽压曲线斜率，ρ为空气密度，Cp为空气比热容，VPD为水汽压差，ga为空气动力学导度，γ为干湿表常数，gsx为最大气孔导度，Qh为冠层顶部的可见光辐射，KQ、Q50、D50与植被类型有关，RH为空气相对湿度，gtotc为修正后的总空气动力学导度，φ为Prisestley-Taylor系数，Rns为短波净辐射，Rnl长波净辐射。

温度是影响光能利用率的主要因素之一，温度胁迫因子的计算公式参考CASA模型（Potter et al., 1993），为：

                                  （6）

T（℃）为日平均温度温度，Topt（℃）是植被生长最适温度。本研究首先统计了不同植被类型LAI达到最大值月份的平均温度，然后使用SCE-UA优化算法优化了不同植被类型的Topt值，如表1所示。

表1. 不同植被类型参数

（2） NPP的估算

                                                                    （7）

                                                                         （8）

植物的自养呼吸（Ra）可以分解为维持呼吸（Rm）和生长呼吸（Rg）。植被的维持呼吸与生物量和温度都有关系，而生长呼吸与温度无关，它只与总初级生产力成一定的比例关系。

                                              （9）

式中，Ra为植被的自养呼吸，Rm为植被的维持呼吸，Rg为植被的生长呼吸，i代表植被的不同部分（i=1、2、3，分别代表植物的叶、茎干和根）。维持呼吸是各部分的生物量与温度的函数：

                                                          （10）

其中，Mi是植被i部分参与呼吸的生物量，由LAI或年最大LAI估算；rm,i是植被i部分的维持呼吸系数，Q10,i是植被i部分的温度敏感因子，Tb为基温，T为日平均气温。

假设植物各组织部分的生长呼吸系数（γ）相同，总生长呼吸的计算可表示为：

                                                                （11）

其中取值0.25。

根据以上算法，生产了1981-2018年全球5km、8天分辨率的GPP、NPP产品，以及2000-2019年全球500m、8天分辨率的LUE、GPP、NPP产品。输入数据和输出数据分别见表2和表3。

表2 产品算法输入数据

输入要素	单位	格式	时间分辨率	空间分辨率	获取	投影
叶面积指数LAI	m2/m2	HDF	8d	500 m/5 km	MUSES LAI产品	SIN投影（500m）/等经纬度投影（5km）
FPAR		HDF	8d	500 m/5 km	MUSES FPAR产品	SIN投影（500m）/等经纬度投影（5km）
LAImax	m2/m2	TIFF	year	500 m/5 km	由全年MUSES LAI产品计算得到	SIN投影（500m）/等经纬度投影（5km）
土地覆盖类型		TIFF	year	500 m/5 km	MCD12Q1(500m)/MCD12C1(5km）IGBP分类体系	SIN投影（500m）/等经纬度投影（5km）
经纬度文件	°	TIFF		500 m	仅用于500 m产品，由ENVI计算生成	SIN投影（500m）
DEMH	m	TIFF		500 m/5 km	ASTER GDEM 数据/SRTM地形数据	SIN投影（500m）/等经纬度投影（5km）
DEML	m	TIFF		0.25°	SRTM 地形数据	等经纬度投影
露点温度DT	℃	TIFF	8d	0.25°	ERA5 2m dewpoint temperature 数据集	等经纬度投影
平均温度T	℃	TIFF	8d	0.25°	ERA5 2m temperature 数据集	等经纬度投影
短波净辐射Swnet	W/m²	TIFF	8d	0.25°	ERA5 surface net solar radiation 数据集	等经纬度投影
长波净辐射Lwnet	W/m²	TIFF	8d	0.25°	ERA5 surface net thermal radiation 数据集	等经纬度投影
太阳入射辐射SWsurface	MJ/m²	TIFF	8d	0.25°	ERA5 surface solar radiation downwards 数据集	等经纬度投影

表3 输出数据

产品名称	物理意义	投影方式	时间分辨率	空间分辨率	数据存储格式
全球GPP产品	全球植被总初级生产力	SIN投影（500m）/等经纬度投影（5km）	8d	500 m/5 km	整型
全球NPP产品	全球植被净初级生产力	SIN投影（500m）/等经纬度投影（5km）	8d	500 m/5 km	整型
全球LUE产品	全球植被光能利用率	SIN投影	8d	500 m	整型

图2和图3分别为5km分辨率全球GPP、NPP和500m分辨率全球GPP、NPP、LUE示意图。

GPP缩略图（2004年第249天）

NPP缩略图（2004年第249天）

图2 5km分辨率GPP、NPP产品示意图

GPP缩略图（2000年第185天）

NPP缩略图（2000年第185天）

LUE缩略图（2000年第185天）

图3 500m分辨率GPP、NPP、LEU产品示意图

产品使用时建议引用如下文献：

[1] Wang, J.M.; Sun, R.; Zhang, H.L.; Xiao, Z.Q.; Zhu, A.R.; Wang, M.J.; Yu, T.; Xiang, K.L. New Global MuSyQ GPP/NPP Remote Sensing Products From 1981 to 2018. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14, 5596-5612.

[2] Wang, M.J.; Sun, R.; Zhu, A.R.; Xiao, Z. Q. Evaluation and Comparison of Light Use Efficiency and Gross Primary Productivity Using Three Different Approaches. Remote Sensing. 2020, 12, 1003.

[3] Yu, T.; Sun, R.; Xiao, Z.Q.; Zhang, Q.; Liu, G.; Cui, T.X.; Wang, J.M. Estimation of Global Vegetation Productivity from Global LAnd Surface Satellite Data. Remote sensing. 2018, 10, 327.