净初级生产力（Net Primary Productivity，NPP）是指在单位时间和单位面积上，绿色植物通过光合作用产生的全部有机质总量扣除自养呼吸消耗量而得到的有机物累积量，反映绿色植物在自然条件下生产有机物的能力，受自身特性、降水、气温以及太阳总辐射等气候因子影响（任丽雯等，2023；叶勤玉等，2023）。NPP不仅是估算生态系统固碳释氧、衡量陆地碳循环的主要参数，也是评价生态系统健康状况的主要指标（徐茜等，2012；冯筱等，2024）。目前计算NPP的模型主要有三类，即气候生产力模型、生理生态过程模型和光能利用率模型（遥感数据驱动）。气候统计模型是依赖于有限观测数据的经验方法，由于仅考虑气候因子却忽视其他因素的影响，从而产生很大误差（陈晓杰等，2022）。生理生态过程模型如北部生态系统生产力模型（Boreal Ecosystem Productivity Simulator，BEPS），是在FOREST-BGC（Forest-Bio Geochemical Cycles）模型的基础上发展起来的遥感-过程耦合生态系统模型（柳钦火等，2011），该模型最初用于模拟加拿大北方森林生态系统的生产力，先后用于东亚地区以及中国部分地区的陆地生态系统生产力的模拟，都取得很好的模拟精度和效果（康振山等，2021）。但该模型计算过程较为复杂，所使用的再分析辐射资料分辨率较粗。光能利用率模型可直接利用遥感手段获得所需数据，且该模型在估算中考虑了NPP和植被覆盖度等生态参数的差异，使得测算结果能更真实地反映实际情况，适合全球及区域尺度上的NPP估算（张子凡等，2022）。其中CASA（Carnegie-Ames-Stanford Approach）模型（Potter et al.，1993）运用气象和遥感数据能实现大尺度区域的NPP估算，是不同尺度NPP建模和时空动态演变使用最广泛的模型之一，常应用于NPP及固碳释氧量计算（Fang et al.，2021；Xiao et al.，2022）、区域NPP时空演变及气候响应分析（詹长根和吴金涛，2022；原一荃等，2022；冯婉和谢世友，2022；陈燕丽等，2022）。CASA模型中水分胁迫因子通常从单层预算土壤水分模型获得，但粗糙分辨率的栅格土壤参数会影响水分胁迫因子和NPP的估算精度（张猛等，2023）。参数模型以时空连续的卫星遥感数据为输入，能够反映同一植被类型内部的空间异质性，但对碳循环过程和机理的刻画存在不足。因此结合遥感参数模型和生态过程模型，通过尺度融合可实现更高精度的生态系统碳动态模拟（陈惺等，2023）。随着计算机技术的发展，机器学习方法被越来越多应用于NPP参数反演（Bai et al.，2021；Cho et al.，2021）。但需要大量现场测量数据，才能保证模型的准确度，且单一机器学习算法容易陷入局部最优解，未知样本的泛化能力较差，在不同分类场景中鲁棒性和稳定性稍显不足（张猛等，2023）。

内蒙古草原位于中国北方，地跨干旱和半干旱区，是欧亚大陆草原的重要组成部分，是中国北部重要的生态安全屏障。内蒙古天然草原面积0.88亿hm²，占全国草原总面积的22%，占全区国土面积的74%。内蒙古草原分为8大类，21个亚类，476个型，占全国草原地类的44%，植物种类2 781种。内蒙古草原分布广泛，在地理位置、气候条件方面存在较大的空间差异，因此利用遥感技术评估草地生态状况成为一种重要手段（翟星等，2021）。

20世纪80年代以来我国卫星技术开始迅速发展，其中风云系列气象卫星历经40 a发展历程，目前已发射极轨和静止气象卫星19颗，形成综合对地观测网络。新一代极轨气象卫星FY-3D的研发与运行为全球生态环境监测提供了新的数据支撑（陈辉等，2020）。气象卫星大尺度、多要素、高频次对地观测的特点，是开展生态遥感监测、评估预警和保障服务的关键手段（韩秀珍和唐世浩，2018；曲学斌等，2019）。目前对NPP的研究主要集中在MODIS数据应用上，而国产遥感资料在这方面应用较少。

为充分发掘国产气象卫星在生态环境遥感中的应用潜力，提升国产卫星应用水平，同时减少对国外卫星数据的依赖，确保气象部门在生态遥感领域服务的时效性及准确性，本研究利用FY-3D卫星数据，结合光能利用率模型与生态过程模型构建一套适应于内蒙古草地的晴空净初级生产力估算方法，并结合生态站及其他数据集对结果分析验证，在内蒙古地区进行应用示范。

FY-3D卫星于2019年1月1日正式投入业务运行，成为中国低轨道下午观测的主业务卫星，目前与2013年发射的FY-3C和2021年发射的FY-3E、2023年发射的FY-3F共同组网，形成我国新一代极轨气象卫星上、下午及晨昏星组网观测的业务布局，进一步提高大气探测精度，增强温室气体监测、空间环境综合探测和气象遥感探测能力。其上搭载了10台传感器，其中核心仪器中分辨率成像光谱仪Ⅱ（MERSI2）整合了原MERSI和VIRR两台成像仪的功能，光谱通道扩展至25个，光谱覆盖范围470~12 000 nm，空间分辨率有250 m和1 km两种。本文所用的FY-3D数据及相关产品下载自国家卫星气象中心的风云卫星数据服务网（http://data.nsmc.org.cn/PortalSite/Default.aspx），目前数据下载需通过官方客户端。其格式为HDF5，通过国家卫星气象中心官方软件SMART2.0（官网提供下载），可实现自动投影、辐射定标及角度信息计算等功能。

中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）大气驱动场产品V2.0覆盖亚洲区域（60°E—160°E，0°—65°N），空间分辨率为0.062 5°×0.062 5°，时间分辨率为1 h，包括2 m气温、2 m比湿、10 m风速、地面气压、降水、短波辐射6个要素的等经纬度网格融合分析产品。该数据集利用多种来源的地面、卫星等观测资料，采用多重网格变分同化、最优插值、 概率密度函数匹配、物理反演、地形校正等技术研制而成，在中国区域质量优于国际同类产品，且时空分辨率更高。利用美国国家航空航天局（National Aeronautics and Space Administration，NASA）和美国国家影像与制图局（The National Imagery and Mapping Agency，NIMA）联合测量制作而成的全球区域30 m空间分辨率地形数据产品，采用面积权重方法重采样制作内蒙古区域的数字高程模型（Digital Elevation Model，DEM）地形数据。

地表分类数据采用中国科学院空天信息创新研究院于 2019年9月生产和发布的2015年全球30 m精细地表覆盖产品（GLC_FCS30-2015），该产品包含30种地表覆盖类型，所有格点数据均重采样至0.01°空间分辨率。地面观测数据为内蒙古境内18个生态站（图1）2017—2022年5—8月草地生物量观测数据，观测样方采集按照《草原资源与生态监测技术规程》（NY/T1233—2006）（中华人民共和国农业部，2006）执行，并进行质量控制。

为了能够有效地进行晴空太阳短波辐射估算，需要对卫星数据进行预处理，排除云、大雾、沙尘、霾等干扰因素，获取准确的地表植被指数信息。因此针对需求，采用有一定通用性和针对性的目标物检测算法。

水体检测：根据水体的归一化植被指数（Normalized Difference Vegetation Index，NDVI）小于0的特点进行掩膜处理。冰雪检测：使用归一化雪指数（Normalized Difference Snow Index，NDSI）进行掩膜处理。沙尘检测：对于长波红外辐射而言，它们在空中组成类似云的物质表面，足以改变长波发射辐射的分布。在波长11 μm和12 μm的热红外波段处，水汽吸收存在较大差异。沙尘气溶胶折射率虚部的差异会影响沙尘天气的大气辐射，导致亮温差∆T<0（李彬等，2018），因此11 μm和12 μm的热红外亮温差值小于0即判识为沙尘。云检测：0.51 μm波段3×3窗口表观反射率标准差大于0.006，或蓝波段0.47 μm表观反射率大于0.250，或11 μm亮温低于265 K，则判定为云像元（葛邦宇等，2018）。

植被生产力模型是光能利用率模型和生态过程模型的结合，以同化资料和遥感数据为驱动，该模型既考虑植被自身的生物学特征，也考虑外界环境因子影响，同时也利用FY-3D相关产品，突出遥感技术空间连续性的优势。计算公式（柳钦火，2011）如下：

式中：GPP（Gross Primary Productivity，gC·m^-2）为植被总初级生产力；NPP（gC·m^-2）为净初级生产力；εg（gC·M^-1·J^-1）为最大光能利用率；PAR（Photosynthetically Active Radiation，W·m^-2）为光合有效辐射；FPAR为光合有效辐射吸收比率；f1为温度胁迫因子，参考CASA模型；f2为水分胁迫因子，基于作物缺水指数（Crop Water Stress Index，CWSI）计算；R_a（gC·m^-2）为自养呼吸，草本植物维持呼吸是叶面积指数（Leaf Area Index，LAI）和温度的函数（Bonan，1995）。总体流程如图2所示。

光合有效辐射是重要的输入参数，参考MODIS/PAR的计算方法构建FY-3D太阳短波辐射模型，再根据公式PAR=0.48 E_d （λ）计算（辛晓洲等，2019）。该模型把太阳下行辐射E_d （λ）分为直射光通量E_dd （λ）和散射光通量E_ds （λ）（Yang et al.，2001）：

其中，直射光通量考虑传播过程中瑞利散射、臭氧、气溶胶的吸收和散射等作用，公式（Bird and Riordan，1986）如下：

式中：F₀ （λ）是经过日地距离校正的大气层顶辐射；T_r （λ）为瑞利散射透过率；T_oz （λ）为臭氧透过率；T_o （λ）为氧气透过率；T_w （λ）为水汽透过率；T_a （λ）为气溶胶透过率；θ为太阳天顶角；H₀ （λ）为大气层顶辐射；e为轨道偏心率，取0.016 7；D为日序。

散射辐射考虑了瑞利散射I_r、气溶胶散射I_a，以及地表和大气多次反射I_g（Gueymard，2008）：

由于FY-3D日间过境次数一般为1~2次，过境时间一般为一日内太阳辐射最强时间（12：00—13：00，北京时）。因此实际计算中，为了获取一天的太阳辐射量，以反演时次的辐射值作为最大值，将太阳辐射在日出到日落时间段内进行积分，积分函数参考干洁大气条件下的太阳辐照度函数（张海龙等，2010）。

经验模型是根据已有大量实验获得反演参数与相关参量之间的统计关系建立的，简单明了易于实现（田定方等，2020）。

研究表明在诸多植被指数中NDVI与地上生物量（Above-Ground Biomass，AGB）相关性最高，因此应用多种回归分析方法基于可燃物量实测数据和月合成植被指数产品，可以建立基于典型草原区NDVI各月草地生物量估测模型（赵燕红等，2021）。叶面积指数LAI计算采取地上生物量与比叶面积指数（Specific Leaf Area，SLA）的乘积（LAI=SLA×AGB）。参考北方生态系统生产力模型BEPS，草地SLA取值25 m²·（kgC）^-1（柳钦火等，2011）。

植被冠层光合有效辐射吸收比率FPAR是描述太阳光在冠层辐射传输过程中植被吸收比例的参量，一般定义为波长400~700 nm之间太阳辐射能量的吸收比率。植被指数多为红光/近红外等波段反射率的函数，而植被对太阳辐射的吸收主要在红光，因此可利用NDVI与FPAR之间建立统计关系进行估算（田定方等，2020）。基于NDVI的LAI、AGB、FPAR等参数的反演流程如图3。

作物缺水指数（CWSI）是遥感监测土壤水分的一个重要指标，是由作物冠层温度的测量值转换而来。据土壤水分含量与作物缺水指数的关系，CWSI由热量平衡原理推出：

式中：E_p（mm）为潜在蒸散；E_d（mm）为实际蒸散即日蒸散（申广荣和田国良，1998）。使用气象站点数据、卫星遥感辐射量数据综合计算等传统计算方式，可用于反演作物缺水指数。

内蒙古自治区土地广袤，若通过气象站数据作为基础数据计算空间插值，6要素站密度难以满足全区干旱监测要求，使干旱空间分布计算准确性偏低。CLDAS陆面同化模式发展至今，已具有较高的准确性和时空分辨率，并具有算法所需的6项气象要素与地面辐射信息，可以用于较高时空分辨率的CWSI分布计算，经分析后可进行干旱等级分级评估。此算法计算CWSI所使用的方法主要依据《气象干旱等级》（GB/T20481—2017）（全国气候与气候变化标准化技术委员会，2017），基于研究确定的合理日数区间进行时段内CWSI的空间分布计算。

本研究所使用的云检测算法较为保守，目的是获取绝对无云的晴空数据。为说明该算法的有效性，选取了一景FY-3D数据说明云检测结果。图4为真彩色图像与云检测结果，可以看出该方法对各种类型云都能进行有效检测，但对一些碎云、冰云、卷云的间隙也会判识为云，一定程度上降低了云检测精度，但可保证晴空地表的判识精度。

利用2021年6月内蒙古18个生态站晴空的MCD18A2产品逐3 h光合有效辐射，选取与当日FY-3D最邻近时次的MODIS产品与反演结果进行对比。由图5可以看出，模拟值与MODIS产品拟合度较高，相关系数达0.80，均方根误差RMSE为5.76 W·m^-2。二者在高值区一致性高于低值区，在低值区FY-3D估算结果较MODIS产品偏高。这可能源于所使用的水汽及气溶胶光学厚度（Aerosol Optical Depth，AOD）产品的精度差异；另一方面，所使用的臭氧含量为参数化方法计算所得。

利用3种统计方法建立草地AGB与NDVI的估算模型，建立的所有模型均通过α=0.01的显著性检验。如图6所示，5月拟合效果最好的为指数曲线回归模型（R²=0.691 5）；6月拟合线性回归与二次曲线回归接近（R²=0.716 1）；7月拟合效果最好的为二次曲线回归模型（R²=0.680 8）；8月拟合效果最好的为e指数曲线回归模型（R²=0.655 4）。

根据上述方法反演的LAI与MOD15的LAI进行对比分析，二者的空间分辨率均为1 km。从图7中可以看出，反演的LAI与MODIS产品的数值范围和空间趋势基本一致，河套地区的LAI值较高，而周边荒漠化草原的LAI值相对较低。在局部地区下垫面类型存在一定差异，总体上反演的LAI值在植被茂密区要略低于MODIS产品。本算法的优势在于简单便捷，基于FY-3D的植被指数产品即可进行反演。

基于MODIS数据建立内蒙古草地5—8月FPAR与NDVI的回归关系，根据FY-3D卫星植被指数产品即可估算得到相应的FPAR产品。建立的所有模型均通过α=0.01的显著性检验，FPAR与NDVI的相关性均较高。如图8，5—7月拟合效果最好的均为线性回归模型，R²分别为0.839 5、0.871 5、0.804 1，8月拟合效果最好的为e指数曲线回归模型（R²=0.780 4）。

基于内蒙古自治区2022年7月1—10日作物缺水指数（CWSI）分布数据分析：土壤水分较好（CWSI为0~0.3）区域分布于呼伦贝尔市、兴安盟、通辽市大部、锡林郭勒盟东部、乌兰察布市大部、鄂尔多斯市部分地区；土壤水分一般（CWSI为0.3~0.6）区域分布于通辽市中部、赤峰市西部、锡林郭勒盟中部和南部、乌兰察布市局部、呼和浩特市大部、乌海市、巴彦淖尔市局部、阿拉善盟局部；土壤水分较差（CWSI为0.6~1.0）区域分布于通辽市局部、锡林郭勒盟西部和中部部分地区、包头市西北部、巴彦淖尔市大部、阿拉善盟大部（图9）。根据内蒙古气象局发布的截至到7月14日的旱情信息，内蒙古自治区干旱面积达37.77万km²，占全区农林牧总面积的38.0%，以轻旱为主，中旱以上主要分布在阿拉善盟大部、巴彦淖尔市东北部、包头市大部、锡林郭勒盟中西部和北部、赤峰市西部、呼伦贝尔市西部，与CWSI计算结果分布基本一致。

为对估算的NPP进行精度分析，利用2021年6月内蒙古18个生态气象观测站的观测数据对反演结果进行验证。为了减少数据空间代表性的影响，以地面站经纬度所在像元为中心，从反演的结果中选取周围3×3像元的有效值的平均值作为验证数值，然后与地面观测结果进行相关分析。地面观测结果由5月末观测值与6月末观测值之差换算得到（来强等，2008）。从获得的18对数据对比结果（图10）可以看出，二者具有较好的一致性，表明FY-3D估算的NPP具有一定的可靠性。

采用上述模型反演8月内蒙古草地NPP，得到NPP空间分布（图11）。从反演结果可以看出内蒙古草地NPP分布有明显的空间差异，总体呈现出自西向东逐渐增加的趋势。东部地区草原NPP值较高，西部地区较低。不同草地类型的差异较大：草甸草原NPP值多大于100 gC·m^-2，典型草原一般在50~100 gC·m^-2，中西部荒漠草原多低于50 gC·m^-2。总体来看，利用FY-3D/MERSI2反演的NPP能够完整呈现内蒙古地区植被生产力的一般状态，说明FY-3D卫星在生态环境监测领域能够发挥更大作用。

针对目前国产卫星对草地净初级生产力遥感监测应用较少的情况，为发展风云系列气象卫星在生态环境领域的应用潜力，本文基于FY-3D/MERSI2构建了一套内蒙古草地净初级生产力估算模型。结合光能利用率模型与生态过程模型，以遥感数据和CLDAS同化资料为驱动，得到晴空条件下的NPP。同时还基于观测数据及MODIS产品构建了内蒙古草地不同月份生物量及FPAR与NDVI关系模型，可基于FY-3D数据直接估算LAI及FPAR等过程参数。

模拟PAR值与MODIS产品拟合度较高，相关系数达0.80，均方根误差为5.76 W·m^-2。二者在高值区一致性高于低值区，低值区FY-3D估算结果较MODIS产品偏高。通过生物量反演的LAI与MODIS产品在空间分布及趋势变化上也较为一致。利用2021年6月18个生态气象观测站牧草观测资料与估算NPP进行对比验证，二者具有较好的一致性，相关系数R=0.86。CLDAS同化资料在生态气象中的应用使结果的精细化程度得到提升。

总体而言，本文所述方法在新一代极轨气象卫星生态质量监测中具有良好效果和潜力价值，使得完全基于FY-3D数据即可实现NPP计算，为进一步应用提供新的研究思路。

在计算过程中所使用的参数众多，因此必然存在许多不确定性。比如，所使用的水汽及AOD产品的精度，臭氧含量为参数化方法所得，都存在一定误差；最大光能利用率、比叶面积指数等使用的都是固定参数，相较MODIS产品LAI在大值区要偏低。由于极轨卫星过境次数及时间具有一定的局限性，过境时有云覆盖的区域，其他时间段可能无云覆盖；反之也存在过境时无云，过境后云覆盖的情形。对这些情况下反演所得的日辐射值会存在一定偏差。CLDAS数据的误差将导致温度及水分胁迫因子计算的偏差；针对局地细节分析，CWSI在土壤相对湿度局部分布较好的地区会出现偏干、偏旱的情况，如锡林郭勒盟南部太仆寺旗部分地区因局部降水墒情较好，但CWSI反映土壤水分一般，其对局部降水敏感度偏弱。考虑到极轨卫星过境时间限制以及本研究未考虑的云天辐射所导致的计算偏差，为进一步提升反演精度，发展中国新一代静止气象卫星FY-4B的生态遥感监测是未来的应用方向。