黃昌春，姚凌，李俊生，周成虎，郭宇龍，李云梅

1.南京師范大學 地理科學學院,南京210023;

2.中國科學院地理科學與資源研究所,北京100101;

3.南方海洋科學與工程廣東省實驗室（廣州）,廣州511458;

4.中國科學院空天信息創(chuàng)新研究院,北京100094;

5.河南農(nóng)業(yè)大學 資源與環(huán)境學院,鄭州450002

1 引 言

隨著湖泊碳循環(huán)在全球碳循環(huán)中作用和地位的日益突出（Cole 等，2007；Tranvik 等，2009；Tranvik，2018），其相關研究得到了越來越多的關注，并已成為全球碳循環(huán)研究的熱點和前沿。已有研究表明，陸地輸入到湖泊和河流中的有機碳大約為5.7 PgC/a（Le Quéré 等，2015），湖泊水生植物通過光合作用大約可以固定大氣中的二氧化碳1 PgC/a（Lewis，2011），其中大約有68%有機碳（3.88 PgC/a）被轉化為CO2和CH4排放到大氣中（Raymond等，2013），16%（0.95 PgC/a）或更高將被輸入到海洋中（Tranvik等，2009；Raymond等，2013；Le Quéré 等，2015），剩余的約16%（0.95 PgC/a）有機碳將被埋藏在沉積物中。內陸水體通過傳輸、礦化和埋藏大量的有機碳，進而調節(jié)全球碳循環(huán)和氣候變化。盡管2020年全球碳收支平衡報告（Friedlingstein 等，2020）已基本完成了全球大氣、海洋、陸地的碳庫以及相互傳輸量的估算，但是目前仍有-0.1 Pg 碳的不平衡。同時，由于模式空間分辨率的不足，以及排放清單上內陸水體碳排放量的不完善，無論是通過大氣模式自上而下、還是通過排放清單自下而上的估算，內陸水體（包括河流、湖泊、水庫）在全球碳循環(huán)中的作用仍然具有較大的不確定性。因此，作為湖泊碳循環(huán)中較為活躍的成分，有機碳的遷移、存儲和轉化過程的研究將有利于更加全面和系統(tǒng)地認識湖泊碳循環(huán)及其在全球碳循環(huán)中作用，進而制定更加完善的氣候變化調節(jié)策略。

全球湖泊總面積約為5×106km2，其中大于0.002 km2的湖泊約有1.17×108個（Verpoorter 等，2014）。相對于海洋而言，湖泊不僅面積較?。êＱ竺娣e約3.61×108km2，湖泊約占海洋面積的1.38%），而且分布極為破碎。湖泊鑲嵌在陸地生態(tài)系統(tǒng)中，生態(tài)環(huán)境負荷較小，使得湖泊碳循環(huán)體系對流域內輸入的營養(yǎng)鹽、有機碳、無機碳等的變化較為敏感。隨著全球人類活動、水土侵蝕的加劇，大量的有機碳、無機碳和營養(yǎng)鹽通過地表徑流輸入到湖泊中（Galy 等，2015），不僅直接增加了湖泊碳庫中的外源碳輸入，過量的營養(yǎng)鹽也加劇了湖泊富營養(yǎng)化及其引起的藻類“水華”，即增加了內源碳的生成（Schindler 等，2008）。同時，由于湖泊自身生態(tài)環(huán)境（營養(yǎng)鹽、光照、溫度等）、浮游植物種群結構等差異，使得湖泊初級生產(chǎn)力、有機碳的礦化、溫室氣體的排放（微生物的作用、光化學降解等）以及食物鏈的群落結構具有較大的復雜性和時空差異性（Gudasz 等，2010；Kosten 等，2010；Yvon-Durocher 等，2011，2014；Williamson 等，2014；Marsay 等，2015）。湖泊的破碎性、流域和湖泊自身生態(tài)環(huán)境的多樣性使得湖泊碳循環(huán)過程及其影響因素具有較大的時空差異。傳統(tǒng)的樣點觀測，如利用原位頂空法（或靜態(tài)箱法）測量水體中溫室氣體的濃度或通量（Qi 等，2020）、野外采集水樣測量不同形態(tài)碳含量（顆粒有/無機碳、溶解有/無機碳等）（Duan等，2014；Jiang 等，2015）、通過沉積柱中有機碳的沉積速率估算湖泊碳埋藏量（Huang 等，2018a）等，不僅費時費力，而且難以獲取大面積同步觀測結果。因此，迫切需要具有大面積同步連續(xù)觀測優(yōu)勢的遙感技術對湖泊碳循環(huán)中關鍵要素進行觀測。

目前，遙感技術已經(jīng)被廣泛地應用于湖泊生態(tài)環(huán)境的監(jiān)測，在湖泊水質、水體面積、水體光學特性、顆粒有機碳、溶解有機碳等方面都開展了大量的相關工作（Duan等，2014；Jiang等，2015；張杰 等，2015；Huang等，2015，2017a，2017b），本文將從碳循環(huán)角度闡述遙感技術在湖泊碳循環(huán)研究中的作用及其遇到的機遇和挑戰(zhàn)。

2 湖泊碳“管道”模式

早期，湖泊（以及水庫、河流等內陸水體）僅僅是作為全球碳循環(huán)體系中連接內陸與海洋碳庫之間傳輸通道；然而，大氣、陸地和海洋3個碳庫之間的不平衡，使得越來越多的研究將內陸湖泊水體作為獨立單元納入到全球碳循環(huán)研究中（Schlesinger和Melack，1981；Degens 等，1991）。Cole等（2007）在綜述前人研究成果基礎之上，認為陸地輸入到內陸水體的碳量幾乎與陸地的凈初級生產(chǎn)力相當，遠大于河流輸入到海洋中的碳量，并提出內陸水體碳平衡模式“Active Pipe”模型（圖1）。該平衡模式可以簡化為陸地輸入到內陸水體的碳總量（I=1.9 Pg）為內陸水體碳排放量（G=0.75 Pg）、沉積埋藏量（S=0.23 Pg）以及輸出到海洋的輸出量（E=0.9 Pg）之和。相關研究對內陸水體碳循環(huán)進行了詳細的論述https：//aslopubs.onlinelibrary.wiley.com/toc/23782242/20181313［2021-04-16］，指出內陸水體碳循環(huán)從最初的獨立體系已經(jīng)逐步成為全球碳循環(huán)中重要的碳匯（沉積S）和碳源（排放G），并提出湖泊碳循環(huán)研究地理學框架，即應該從湖泊流域屬性和特征出發(fā)對其進行綜合研究。

圖1 內陸水體在全球碳循環(huán)中作用示意圖（改繪于Cole等，2007）Fig.1 Schematic diagram for the role of inland water bodies in global carbon cycle（Redrawn from Cole et al.，2007）

陸地向湖泊水體輸送的碳量受到湖泊流域內包括地形、降雨、土壤屬性等自然條件和土地利用、種植方式等人為因素的影響。同時，大量的營養(yǎng)鹽隨著碳一同被輸入到湖泊中，促進了水體中的生產(chǎn)力，進而增大了水體中的碳庫。遙感技術在湖泊碳循環(huán)研究中的應用主要包含了以下3個方面：（1）直接定量估算水體中各個碳庫的大?。唬?）定量估算影響湖泊碳庫及其轉化的水體理化性質；（3）定量估算流域內影響碳遷移的流域景觀特征（圖2）。GHG，溫室氣體；DIC，溶解無機碳；TSM，總懸浮顆粒物；CDOM，有色溶解有機質，POC，顆粒有機碳；PBC，顆粒黑炭；DOC，溶解有機碳；DBC，溶解黑炭；Chl-a，葉綠素；POCAllo，外源顆粒有機碳；POCAuto，內源顆粒有機碳；POCPhy，浮游植物有機碳；NP，氮磷營養(yǎng)鹽；Kd，漫衰減系數(shù)；PAR，光合有效輻射；T，溫度。

圖2 湖泊碳循環(huán)中湖泊流域特征、水體碳庫和理化性質等遙感監(jiān)測示意圖Fig.2 Schematic diagram of remote sensing monitoring of lake basin characteristics，water body carbon pool and physical and chemical properties in lake carbon cycle

（1）定量估算水體中各個碳庫的大小。由于水體中不同類型和形態(tài)的碳存在較大的生物地球化學特性差異，通常根據(jù)碳的形態(tài)、來源和屬性差異對湖泊碳庫進行一定的區(qū)分。根據(jù)可溶性，水體中的碳庫主要包括顆粒態(tài)（PC）和溶解態(tài)（DC）兩種形式，這兩種形式里面又分別可以劃分為有機碳（POC，DOC）和無機碳（PIC，DIC）兩種類型。根據(jù)來源，有機碳可以分為外源和內源有機碳，其中外源有機碳主要是通過地表侵蝕輸入的陸源有機碳（POCAllo），內源有機碳（POCAuto）主要是與湖泊浮游植物初級生產(chǎn)相關的浮游植物、水生植被等有機碳（POCPhy）和光合細菌等。目前，由于不完全燃燒產(chǎn)生（化石燃料、森林火災等）的黑炭具有高穩(wěn)定性、高芳香性等特性，其生物地球化學特性與有機碳以及無機碳存在顯著差異，黑炭（包括顆粒態(tài)和溶解態(tài)：PBC 和DBC）在全球碳循環(huán)中越來越受到關注。目前，通過遙感可以直接估算水體中POC、DOC、DIC（二氧化碳、甲烷）、內源和外源有機碳的濃度和初級生產(chǎn)力等（Duan 等，2014；Jiang 等，2015；張杰 等，2015；Huang 等，2017a，2017b；Qi 等，2020；Engram等，2020）（圖2）。在獲取湖泊水體不同類型碳濃度后，結合濃度垂直分布模式、水體深度和水域面積，可以計算湖泊水體不同類型碳庫的大小。然而，準確估算內陸渾濁水體的水深以及不同類型碳垂直分布模式仍存在一定的挑戰(zhàn)。目前，水質和有機碳垂直分布模式主要通過垂直分布經(jīng)驗模型（Bi 等，2019；Lei 等，2020）或者水動力模型（黃昌春，2011）來進行分類模擬表達，難以做到逐像元準確計算其垂直分布。

（2）定量估算影響湖泊碳庫及其轉化的水體生態(tài)環(huán)境性質。湖泊水體中各個碳庫之間的遷移轉化較為復雜，如顆粒有機碳和溶解有機碳之間的轉化、有機碳的礦化降解等，難以利用遙感技術監(jiān)測各個碳庫之間的轉換通量；但是，遙感技術可以監(jiān)測對湖泊水體碳庫之間遷移轉化產(chǎn)生重要影響的湖泊理化參數(shù)，如：水體面積、水生植被分布、水體溫度、光線強度、營養(yǎng)鹽等。通過遙感監(jiān)測的具有大面積同步觀測的水體理化性質數(shù)據(jù)，支撐湖泊水體碳循環(huán)模型，進而估算水體不同有機碳庫的大小及其遷移轉化。

（3）定量估算流域內影響碳遷移的流域景觀特征。由于湖泊的破碎性、流域和湖泊自身生態(tài)環(huán)境的多樣性，使得湖泊碳循環(huán)具有較大的時空差異性。充分認識到湖泊碳循環(huán)的多樣性，需要結合流域內的陸地植被初級生產(chǎn)力、植被類型、地形地貌、土壤屬性、人口密度等自然和人為景觀特征，利用地理學生態(tài)空間和景觀格局的自相關性、差異性和相似性（朱阿興等，2020），明確湖泊碳循環(huán)時空異同的內在驅動，建立湖泊碳循環(huán)地理學框架體系（Seekell 等，2018；Klaus 等2019）。利用遙感技術獲取的流域內長時間陸地植被初級生產(chǎn)力、植被類型、土壤有機碳等湖泊流域景觀數(shù)據(jù)，結合流域水文和碳循環(huán)模型，實現(xiàn)地理學框架下湖泊碳循環(huán)模擬，對湖泊碳循環(huán)進行綜合性研究。

3 文獻計量特征

通過Web of science科學引文庫，利用關鍵詞湖泊（Lake）、遙感（Remote sensing）和碳（Carbon）分別組合“Lake”&“Remote sensing”和“Carbon”&“Remote sensing”進行檢索（2000-01—2020-12）發(fā)現(xiàn)遙感技術在湖泊和全球碳循環(huán)兩個方面的研究文獻分別達到了9261 和12461 篇并呈現(xiàn)快速增長的趨勢（圖3），表明遙感技術已經(jīng)在湖泊和碳循環(huán)研究中得到了廣泛應用。利用關鍵詞“Lake”&“Remote sensing”&“Carbon”組合結果搜索遙感技術在湖泊碳循環(huán)中應用的文獻僅525篇，其中2000年—2009年總計僅71 篇（年均7 篇），2013年以后年發(fā)文量年均超過了40 篇，2020年達到了63 篇。與遙感技術應用在碳循環(huán)和湖泊環(huán)境監(jiān)測兩個方面的發(fā)文量相比，遙感技術在湖泊碳循環(huán)方面的應用相對較低，但是引用頻次從2002年的6 次升高到2020年的2460 次，可見遙感技術在湖泊碳循環(huán)中的應用得到了越來越多的關注。

圖3 2000年—2020年遙感技術在湖泊、碳循環(huán)以及湖泊碳循環(huán)中應用的發(fā)文量Fig.3 Distribution of published papers for the remote sensing application in lake and carbon cycle during 2000 to 2020

表1統(tǒng)計了國內在湖泊遙感方面發(fā)文量前10名的單位，貢獻了全球17.7%的發(fā)文量，表明中國在湖泊碳循環(huán)遙感方面的研究在國際上占有重要的地位。前10 名中主要是中國科學院和高校，排在前4 名分別是中國科學院南京地理與湖泊研究所、南京師范大學、武漢大學和中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所，占比都超過了1%；剩下的7個單位發(fā)文量分別占到了0.76%和0.57%。

表1 國內湖泊遙感研究相關論文貢獻前20名單位Table 1 Top 20 domestic organizations for the contributions to related papers in lake remote sensing research

4 遙感在湖泊碳循環(huán)中相關應用現(xiàn)狀

4.1 湖泊水體不同類型碳遙感反演

水體中3大光學活性物質（懸浮顆粒物（TSM）、葉綠素（Chl-a）和有色溶解有機質（CDOM））是水體中碳的主要載體，也是遙感反演碳的重要物質依據(jù)（圖2）。其中，CDOM 是反演DOC 以及DBC 的物質基礎（Song 等，2017a）；TSM 和Chl-a是反演POC 和POCphy的物質基礎（Duan 等，2014；Jiang 等，2015；Huang 等，2019）。湖泊水體懸浮顆粒物和葉綠素濃度算法相對較為成熟，已經(jīng)應用 到 包 括Landsat、 MODIS、 MERIS、 Sentinel、GOCI 等國際衛(wèi)星數(shù)據(jù)和環(huán)境衛(wèi)星（HJ）、高分衛(wèi)星（GF）等國產(chǎn)衛(wèi)星數(shù)據(jù)。

4.1.1 湖泊顆粒有機碳與溶解有機碳遙感反演

針對湖泊，基于POC 與懸浮顆粒物和葉綠素之間的物質關聯(lián)，常用于湖泊水體TSM 和Chl-a反演算法的紅和近紅外波段遙感反射率，被用來建立POC 反演模型，并成功應用于POC 的空間分布特征監(jiān)測（Duan 等，2014；Jiang 等，2015；張杰等，2015；Kutser 等，2015；Huang 等，2015，2017a）。由于湖泊水體光學復雜性，基于有機質和總懸浮顆粒物光學特性分類的POC 半分析算法被嘗試用在MERIS 衛(wèi)星數(shù)據(jù)上反演內陸渾濁湖泊水體中POC 含量（Lyu 等，2017），以期獲得普適性較強的湖泊水體POC 遙感反演模型；然而，其普適性在不同光學特性水體中仍受到一定的限制（Lin 等，2018）。由于湖泊水體DOC 來源的復雜性，使得DOC 經(jīng)驗算法在內陸湖泊的普適性和精度難以得到較大提升；相應的利用DOC 與CDOM之間關系，進行DOC 反演也同樣遇到了DOC 與CDOM 之間關系不穩(wěn)定的瓶頸（Li 等，2017a；Huang 等，2017b；吳銘 等，2021）。無論是通過經(jīng)驗算法還是基于CDOM 的半分析算法在湖泊中應用仍存在一定的限制，因此，仍然需要開展大量的基礎性工作，來提高湖泊CDOM 或DOC 遙感反演算法的精確性和普適性（Song 等，2017a；Huang 等，2017b），如DOC 的來源、不同類型湖泊CDOM 與DOC 的關系等。水體中顆粒態(tài)黑炭（PBC）和溶解態(tài)黑炭（DBC）是POC 和DOC 的重要組成部分，隨著全球黑炭排放量的快速增加，準確估算湖泊中的PBC 和DBC 有助于細化湖泊碳循環(huán)機理研究（吳沁淳等，2016）。已有研究表明DBC 和DOC 以及PBC 和POC 具有較好的相關性（Stubbins等，2015），有望通過DOC和POC來實現(xiàn)對PBC 和DBC 的遙感反演，但是其反演算法和光學機理需要進一步深入研究。

4.1.2 湖泊溫室氣體遙感反演

湖泊不僅通過初級生產(chǎn)力固定了大量CO2，同時，在微生物、光化學降解、呼吸和礦化等作用下，水體釋放了大量的溫室氣體（CO2、CH4）（Raymond等，2013）。靜態(tài)箱、頂空法或者渦度相關等測量方法可以較為方便準確地獲取水體離散樣點和時間連續(xù)的溫室氣體排放特征和排放量，但由于湖泊生物化學和物理過程較為復雜，基于離散樣點水體溫室氣體排放估算仍存在較大的不確定性（Bauer 等，2013；Chen 等，2013）。水體的CO2含量（或與大氣之間的差異，CO2分壓，pCO2）與水體的溫度、pH、葉綠素、混合層深度等理化參數(shù)具有較強的相關性（Stephens 等，1995；Rangama等，2005；Ono 等，2004；Sarma 等，2006）。因此，基于水體溫度、葉綠素濃度、光照條件等遙感經(jīng)驗算法被廣泛應用于水體CO2濃度或其分壓（pCO2）的估算（Lohrenz和Cai，2006；Chierici等，2012；Zhu 等，2009；Chen 等，2016；Lohrenz 等，2018）。由于水體CO2產(chǎn)生較為復雜，各影響因子并非簡單的線性疊加，神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡等機器學習方法被用來解決算法中的非線性問題以提高模型的反演精度（Lefèvre 等，2002；Telszewski 等，2009；Hales 等，2012）。針對CO2產(chǎn)生的生物化學和物理過程和遙感經(jīng)驗算法的不穩(wěn)定性，具有生物地球化學過程機理特征的pCO2半分析模型被開發(fā)并應用于美國路易斯安那和中國東海沿岸水體的pCO2估算（Bai 等，2015；Le等，2019）。內陸湖泊水體CO2（pCO2）遙感反演算法研究相對較少，Qi等（2020）根據(jù)太湖實測水體溶解CO2濃度與葉綠素、水溫、PAR和Kd（PAR）等因子之間的相關性，建立太湖水體CO2濃度多元回歸遙感反演模型，遙感反演CO2結果與太湖野外實測CO2數(shù)據(jù)具有較好的一致性，將該模型應用于MODIS 遙感影像，獲取了2003年—2018年太湖水體CO2濃度長時間序列結果。相對于CO2，CH4主要是由水體和沉積物中甲烷菌分解有機質產(chǎn)生，與水體光學活性物質等水體性質關聯(lián)性較弱，難以用遙感技術針對CH4進行單一準確估算，結合遙感數(shù)據(jù)和流域屬性，通過地統(tǒng)計方法被推薦用來估算CH4排放量（Hondula 等，2021）。水體CH4排放主要分為冒泡和擴散兩種形式，目前遙感（合成孔徑雷達）被嘗試應用于北方冰凍湖泊冒泡CH4的監(jiān)測（Engram 等，2020）。但是，湖泊溫室氣體的遙感監(jiān)測仍具有較大的挑戰(zhàn)性。

4.1.3 湖泊生物有機碳遙感反演

作為無機碳轉化為有機碳的重要途徑，水體的初級生產(chǎn)力和浮游植物有機碳一直是全球碳循環(huán)研究的熱點，也是遙感估算的重要目標。由于湖泊面積相對較小，湖泊初級生產(chǎn)力的研究相對較為遲緩。目前，通過重新率定海洋初級生產(chǎn)力模型參數(shù)，VGPM（Vertically Generalized Productivity Model）模型在湖泊水體中得到了一定的應用（Bergamino等，2010；Kauer等，2015；Deng等，2017；Soomets等，2020）。但是，基于碳生物量和固有光學特性的初級生產(chǎn)力模型在湖泊中應用較少。這主要是由于湖泊水體浮游植物有機碳（POCph）遙感反演模型發(fā)展較慢。Huang等（2019）基于大量葉綠素和顆粒有機碳數(shù)據(jù)，利用實測遙感反射率建立了湖泊水體遙感反射率—葉綠素—POCph濃度反演算法，并在太湖進行了應用，利用MODIS 衛(wèi)星數(shù)據(jù)獲取了太湖POCph長時間序列的分布特征及其驅動因素。Lyu 等（2020）從浮游植物中藻類的種類、數(shù)量及其與浮游植物有機碳之間的關系出發(fā)，建立了太湖水體浮游植物有機碳遙感反演模型，并成功應用于Sentinel-3 OLCI 影像。該算法結果與Huang等（2019）算法結果，結合同位素地球化學方法的遙感反演結果（3種獨立算法）具有好的一致性（圖4）。目前，浮游植物有機碳和湖泊初級生產(chǎn)力在全球尺度上并沒有得到充分的應用，全球湖泊初級生產(chǎn)力的獲取仍然存在一定的困難。

圖4 基于葉綠素—浮游植物有機碳，藻類物理特征—浮游植物有機碳和同位素—內源有機碳估算結果對比，內源POC為同位素估算結果，估算浮游植物POC為遙感反演結果（Zhao等，2021）Fig.4 Comparison of the endogenous POC and estimated phytioplankton POC from remote sensing results by Zhao et al.（2021）

內陸湖泊水體水生植被不僅是重要的碳匯之一，同時也調節(jié)了水體的溫室氣體排放，因此，水生植被信息的提取將有利于進一步準確估算湖泊水生植被生物量和溫室氣體排放（郭佳等，2020）。目前水生植被主要是通過經(jīng)驗、半分析分類模型，光譜分解模型，波段比值等方法來進行識別和提取（Oppelt等，2012；Villa等，2013；Giardino等，2015）。光譜指數(shù)和分類樹（classification tree）被成功應用于太湖水生植被的提取，并且獲得較好的效果（Luo 等，2014，2016）。為了減小水深影響，進一步提高識別和提取精度，利用深度不變指數(shù)（depth-invariant indices）對水生植被進行提取的同時還識別出了其他入侵物種（Roessler 等，2013；Brooks 等，2015）。由于湖泊水體光學特性的復雜性，水生植被生物量測量、水生植被冠層結構等相關研究仍然較弱。一方面，陸地生物量傳統(tǒng)調查方法在水生植被調查中實施的困難性較高；另一方面，受水體及其組分影響，水生植被高度、覆蓋度、冠幅等與生物量相關的參數(shù)難以通過遙感準確獲取，因此導致目前遙感技術在湖泊水生植被生物量估算方面的研究受到較大限制，需要被進一步關注。

4.2 湖泊碳循環(huán)影響因素遙感反演

湖泊水體理化性質（湖泊溫度、深度、水域面積、光照、營養(yǎng)鹽等）對各個碳庫的大小、相互之間的轉化具有強烈的調節(jié)作用（Tranvik 等，2009；Behrenfeld等，2005；Stramska和Cieszyńska，2015；Williamson 等，2014；Marsay 等，2015）。如：水體溫度顯著影響了有機碳的礦化、溫室氣體的排放、浮游植物的初級生產(chǎn)力等；水體深度顯著影響溶解氧和溫度的垂直分布；水體的面積是估算水體溫室氣體排放的基本物理量，其變化也顯著影響了水陸交錯帶的溫室氣體排放等。因此，水體理化性質數(shù)據(jù)的有效獲取將極大支撐湖泊碳循環(huán)的定量研究。

光線在水體中的穿透深度（漫衰減系數(shù)Kd、真光層深度）是影響水體光和熱的重要物理量，也是影響水生植物光合作用的重要生態(tài)因子。漫衰減系數(shù)是有水體固有光學量和水下光場結構決定的，目前漫衰減系數(shù)包含經(jīng)驗算法和基于水體吸收系數(shù)和后向散射系數(shù)的分析反演算法（Shi等，2014；Lee 等，2005a，2005b，2013，2014）。該類型反演算法在內陸湖泊水體中也得到了充分使用，基于分析算法獲取的遙感影像長時間序列數(shù)據(jù)有效支撐了湖泊理化性質、初級生產(chǎn)力和碳循環(huán)的研究（Kauer 等，2015；Huang 等，2017d；Song 等，2017b；Qi 等，2020）。水溫遙感監(jiān)測主要是基于遙感熱紅外數(shù)據(jù)，相關算法（波段比值經(jīng)驗算法、Split-window algorithm，Mono-window Algorithm）較為成熟（Alcantara 等，2010；Chao Rodríguez 等，2014；Simon 等，2014），已經(jīng)具有成熟的產(chǎn)品；其中相關算法在湖泊和水庫中也得到了廣泛的使用（Schneider和Hook，2010；Politi等，2012；Wan等，2018；Liu等，2019；Yu等，2020），并應用于MODIS、AVHRR、AATSR、Landsat 等遙感影像，獲取了包括小時、月和年尺度在內的長時間序列結果。

水體的光學信號與陸地等其他地物具有顯著的差異，因此通過水體光譜指數(shù)（Normalized Difference Water Index；Modified Normalized Difference Water Index）相對較為容易地將水體從影像提取出來。從低分辨率遙感影像（例如MODIS，覆蓋范圍廣、重返周期短）提取和反演內陸湖泊水體水面積、水深和庫容量較為方便（Carroll等，2009），但是從高分辨率影像（例如Landsat，SPOT，Sentinel-2，覆蓋范圍小、重返周期長）獲取精度更高細節(jié)更全的內陸湖泊水體信息需要花費大量的人力物力（Fisher等，2016；Feng等，2016；Du等，2016；Yang 等，2017）。在遙感數(shù)據(jù)處理能力大幅提升和全球科研人員的協(xié)作下，具有更高分辨率和細節(jié)的全球內陸水體（包括河流）及其長時間序列變化數(shù)據(jù)集被成功完成（Pekel等，2016；Allen 和Pavelsky，2018；Grill 等，2019）。利用遙感光學傳感器對水體面積的監(jiān)測和提取，Huang等（2018b）從傳感器、算法等角度進行了較為全面的綜述。全球水系的演變極大地促進和支撐了湖泊和水系沿岸干—濕交替對溫室氣體排放影響的研究（Arce 等，2019；Keller 等，2020）。水深的光學反演主要集中在較為清潔的水體，渾濁水體的水體信號難以傳輸?shù)剿w表面，因此較難以準確反演，但通過合成孔徑雷達（SAR）衛(wèi)星數(shù)據(jù)可以較好地彌補光學遙感的不足（Hong 等，2010；Mason 等，2012；Kim 等，2014）。結合水深和水域面積，水體容量（Water storage volume）能夠較方便的被計算出來（Busker 等，2019）。利用多源衛(wèi)星數(shù)據(jù)，分別反演地形和水域面積同樣能夠達到估算水體容量的目標（Song 等，2013；Crétaux等，2016；Wang 等，2018a），也有通過水域面積與水體容量之間的經(jīng)驗關系，通過提取的水域面積來估算水體容量（Cai 等，2016）。盡管目前影響湖泊碳循環(huán)的水體理化參數(shù)遙感反演算法較多，并且部分成熟的參數(shù)遙感反演算法已經(jīng)用于相關產(chǎn)品生產(chǎn)，但是湖泊理化性質遙感反演結果與湖泊碳循環(huán)之間應用和研究相對較少，如何通過湖泊水域面積、溫度、富營養(yǎng)化等全球大面積同步觀測結果研究其對內陸湖泊水體溫室氣體排放影響等需要進一步深入挖掘和研究。

4.3 湖泊碳循環(huán)地理學框架下流域景觀特征遙感監(jiān)測

湖泊流域不僅直接向湖泊輸入陸源碳，同時還向湖泊水體輸入泥沙、營養(yǎng)鹽等，進而影響湖泊水體的透明度、光熱傳輸和初級生產(chǎn)力。如，由于人類活動、水土侵蝕的加劇，全球近63%的湖庫，歐洲約55%的湖泊，亞太地區(qū)60%的湖泊，非洲30%的湖泊，北美50%的湖泊和南美40%的湖泊都遭遇到了不同程度的富營養(yǎng)化問題（Wang等，2018b），促進了浮游藻類等內源有機碳的增加。內源和外源碳輸入的增加顯著改變了湖泊水體有機碳庫以及湖泊原有碳循環(huán)體系（Tranvik，2018；Seekell 等，2018），并且由于流域以及流域內人類活動的差異，不同流域內的碳庫體系及其遷移轉化具有較大的時空差異性。因此，需要從流域尺度上進行湖泊碳循環(huán)研究。已有研究表明，土壤侵蝕直接決定了陸地向水體輸入的碳量、營養(yǎng)鹽等（Raymond 等，2008；Quinton 等，2010；Regnier等，2013；Galy 等，2015）。目前，針對土壤侵蝕相關研究已經(jīng)從統(tǒng)計分析進入到定量模式，在對土壤侵蝕機理認識的基礎之上已經(jīng)開發(fā)了包括EPIC模型、WEPP模型、LISEM模型、EUROSEM 模型、GUEST模型在內的土壤侵蝕物理模型，其中SWAT模型具有較強的代表性，并被廣泛應用于流域土壤侵蝕、營養(yǎng)鹽流失、有機碳輸出模擬（Kiniry等，2000；沈胤胤，2018；Batista 等，2019）。流域輸入?yún)?shù)的準確、全面和精細化表達是模型準確模擬、深入解析流域過程機理的重要保證。

流域內的陸地植被初級生產(chǎn)力、植被類型、地形地貌、土壤屬性、氣候條件、人口密度等自然和人為景觀特征的獲取和高精度的定量表征將大大提高流域土壤侵蝕、湖泊水體營養(yǎng)鹽和碳輸入的估算精度（周濤 等，2007；Li 等，2017b；Mzobe 等，2020；Fabre 等，2020；Edwards 等，2021）。流域中陸地初級生產(chǎn)力、植被類型等是影響湖泊流域碳輸出的重要影響因素，其不僅影響了流域內有機碳的產(chǎn)量，同時還影響了流域內土壤侵蝕強度。陸地植被及其初級生產(chǎn)力的遙感監(jiān)測技術已經(jīng)較為完善，發(fā)展了大量與陸地植被相關的遙感產(chǎn)品（NDVI、LAI、GPP、NPP 等），這些產(chǎn)品也被廣泛應用于陸地碳循環(huán)和生態(tài)系統(tǒng)研究中（Spruce等，2011；Verma等，2014；Fang等，2019；穆西晗等，2021）；新的研究表明，利用激光雷達數(shù)據(jù)獲取的植被冠層等信息，進一步將傳統(tǒng)的光學傳感器獲取的植被二維特征推向了三維，更加準確地獲取植被的生物量（Armston 等，2013）。土地利用覆蓋、土壤、地形和氣象等條件是影響土壤侵蝕的重要因子。通過遙感技術可以準確地獲取流域內土地利用、植被覆蓋度等情況；同時，地形數(shù)據(jù)、降雨、土壤屬性等影響土壤侵蝕過程的流域屬性數(shù)據(jù)，遙感技術也取得較為豐碩的成果。然而，湖泊流域內的生態(tài)景觀、人類活動等影響因素與陸地輸入到湖泊中碳含量之間的內在驅動機制研究仍較為缺乏。但針對土壤侵蝕及其內在驅動機制的相關研究值得借鑒。相關機制機理研究是落實湖泊碳循環(huán)地理學框架的重要基礎。在湖泊碳循環(huán)地理學框架體系下，一方面，利用流域遙感數(shù)據(jù)反演結果，推動流域要素與湖泊碳循環(huán)之間的內在關聯(lián)機制研究，促進湖泊有機碳沉積、礦化量的估算；另一方面，利用遙感數(shù)據(jù)的宏觀性和同步觀測優(yōu)勢，可以將湖泊碳循環(huán)研究從局域尺度推廣到更大的尺度；同時，多傳感器（光學傳感器、微波、激光雷達等）的交叉融合，以及高分辨率和高光譜數(shù)據(jù)的重訪周期和全球覆蓋能力的提高，將使得遙感技術在流域屬性參數(shù)反演等方面發(fā)揮更大的作用。

5 機遇與挑戰(zhàn)

5.1 遙感與地球化學技術的協(xié)同反演

湖泊碳庫中較年輕的陸源有機碳和內源有機碳將通過異養(yǎng)作用在相對較短時間內被礦化成CO2、CH4和N2O 等（Wilkinson 等，2013；Galy 等，2015），較老的陸源有機碳將優(yōu)先被埋藏到沉積物中，進入長周期的碳循環(huán)體系（Battin 等，2008；Guillemette 等，2017）。然而，由于受到活性有機碳的作用（稱為“激發(fā)效應”），較老的陸源有機碳在沉降和沉積過程中仍會被降解（Kuzyakov 等，2000；Kuzyakov 和Bol，2006；Kuzyakov，2010；Guenet 等，2010，2012；Bianchi，2011）。已有研究表明，“激發(fā)效應”可能可以導致土壤系統(tǒng)中CO2排放量增加400%到1100%（Bianchi，2011），水體系統(tǒng)中CO2排放量增加10%—500%（Guenet等，2010）。有機碳庫的組成變化顯著改變了湖泊水體溫室氣體排放和有機碳的埋藏量。此外，水體有機碳（POC 和DOC）遙感反演算法中，由于有機碳來源的差異性，使得基于遙感反射率的經(jīng)驗反演模型或基于有機碳與水體組分（TSM 和Chl-a）之間組分關系的半分析模型的應用受到一定的限制。因此，湖泊水體有機碳來源的確定不僅可以有助于深入揭示湖泊水體溫室氣體排放和有機碳埋藏特征和機理，同時，也將有助于提高有機碳遙感反演模型的精度和普適性。

有機碳組成較為復雜，但不同來源的有機碳在分子結構、同位素分餾等方面存在較大的差異性，這為區(qū)分有機碳來源提供了物質基礎。有機氮主要存在于有機體的蛋白質和核酸中，而有機碳大量的存在有機體的木質素和纖維素，因此有機質中碳氮比值可以有效地區(qū)分富含木質素和纖維素的高等植物（高有機碳氮比值，一般大于30）和低等植物（低有機碳氮比值，一般小于10）（Müller和Mathesius，1999；Lund-Hansen等，2004；Kendall 等，2001；Yu 等，2010；Meisel 和Struck，2011）。植物在生長過程中對碳、氮同位素分餾作用使得植物有機體內的碳氮同位素自然豐度具有一定的差異（一般陸源高等植物碳同位較低，水生藻類碳同位素較高），通過碳氮同位素可以有效地區(qū)分高等和低等植物（Machiwa，2010）。隨著分子技術的發(fā)展，分子標識物（不飽和脂肪烴、烷烴等）成為一種新的有機質來源示蹤方法。正構烷烴是一種廣泛存在于植物和藻類中的脂類分子，其碳鏈分布可以有效地區(qū)分有機質的來源，其中短鏈部分（n-C14-n-C20）主要來源于藻類、細菌和真菌類，中鏈部分（n-C20-n-C25）主要來源于沉水和挺水的大型植物，而長鏈部分（n-C27-n-C33）主要來源于陸生高等植物（Meyers，2003；Sojinu 等，2010；Rao 等，2014；Ortiz 等，2016）。結合正構烷烴單體碳同位素，可以對C3和C4來源的有機質進一步區(qū)分（Alewell 等，2016）。新的超高分辨率傅立葉變換離子回旋共振質譜技術（FTICR-MS）可以精確測量有機質中碳氮氧硫磷元素的組成，通過有機質的元素組成對有機質的來源進行分析示蹤（Hertkorn 等，2012）。但是，由于不同示蹤因子和示蹤模型具有一定的局限性，利用不同示蹤因子和模型估算有機碳來源的結果具有一定差異（圖5）。同時，地球化學方法不僅耗時（前處理復雜和測量周期長）花費大（測量成本極高），而且難以獲取大范圍空間連續(xù)觀測數(shù)據(jù)。

圖5 利用多源混合模型和貝葉斯混合模型結合不同示蹤因子估算的湖泊內源有機碳結果對比圖（Meng等，2021）Fig.5 comparison the estimation results of endogenous POC from Multi-source mixing and Bayesian mixing models with different trance factors（Meng et al.，2021）

隨著湖泊碳循環(huán)問題的日益突出、機理的日益明確和技術的日益成熟，湖泊碳循環(huán)對湖泊水體碳庫、來源組成及其時空動態(tài)分布的遙感觀測需求日益迫切。將具有大面積同步連續(xù)觀測優(yōu)勢的遙感技術與地球化學方法相結合，不僅可以縮短測量時間節(jié)省測量成本，還可以大范圍空間連續(xù)觀測有機碳的來源組成。遙感技術與同位素聯(lián)合示蹤估算方法已經(jīng)在POC 來源和含量反演中得到了應用（Xu等，2020，2021），主要是利用碳氮同位素端元法計算有機碳來源組成比例，再利用各組成和來源與水體固有光學量或葉綠素之間的內在關聯(lián)，建立遙感反射率—固有光學量（葉綠素）—有機碳來源組成定量遙感反演模型。利用遙感技術獲取的不同來源有機碳量及其空間分布將極大的促進不同類型有機碳庫之間相互作用機制研究及其對碳循環(huán)的影響（Zhao 等，2021）。然而通過單一指標方法難以準確定量識別有機碳的來源，需要進一步利用有機質端源的分子標識物、碳氮氧硫磷元素組成以及碳氮同位素等多源指標，結合復合指紋、質量守恒優(yōu)化模型等數(shù)學方法可以定量評估有機質來源（Huang 等，2017c，2017e；Meng等，2021）。同時需要對有機碳端元的結構和組成特征進行深入研究，進一步明確有機碳來源與水體組分和生物光學特性的內在機理。針對不同來源有機碳的衍生物和標識物（黑炭、烷烴類等），由于其在水體中濃度含量較低，以及其對應的響應波段與傳統(tǒng)水質存在一定的差異，因此，對遙感數(shù)據(jù)的光譜分辨率和輻射分辨率提出了新的要求。具有更高輻射分辨率的高光譜遙感數(shù)據(jù)，以及具有相位信息的合成孔徑雷達數(shù)據(jù)具有較大的優(yōu)勢，值得關注和應用。

5.2 遙感大數(shù)據(jù)和人工智能

湖泊零星地分布在陸地上，相對較為分散，面積范圍跨度較大（0.1—100000 km2），存在較大的空間尺度差異。因此全面監(jiān)測全球湖泊水體及其碳循環(huán)需要更高空間分辨率的遙感數(shù)據(jù)。針對內陸湖泊水體碳循環(huán)的動態(tài)變化特征，特別是溫室氣體的排放，對于遙感數(shù)據(jù)的時間分辨率提出了較高要求；同時，要定量獲取湖泊水體理化性質、定量反演水體物質含量和不同類型碳含量，在光譜分辨率和輻射分辨率上需要滿足更高條件（圖6）。然而，高空間分辨率遙感數(shù)據(jù)（如Landsat、Sentinel 等）通常覆蓋范圍較小，重訪周期較長，覆蓋全球湖泊的長時間遙感數(shù)據(jù)需要大量的遙感影像，這將會對數(shù)據(jù)存儲、處理和計算提出新的要求。在全球遙感大數(shù)據(jù)平臺，如Google Earth Engine （Gorelick 等，2017；Parente 等，2019；Tamiminia 等，2020；Wang 等，2020a）等支持下（Landsat、Sentinel、MODIS 等），大尺度湖泊水域面積提取、理化性質反演等獲得了較快的發(fā)展（Busker 等，2019；Gong 等，2019；Yin 等，2021；Paul 等，2021）。人工智能（深度學習、隨機森林等）算法的快速發(fā)展進一步遙感大數(shù)據(jù)在湖泊相關研究中的應用（Teluguntla 等，2017；Luo 等，2019；Zhou等，2019；Yao等，2019；Mahdianpari等，2019；Wang 等，2020b）。盡管目前遙感大數(shù)據(jù)和人工智能針對湖泊碳循環(huán)遙感研究相對較少，但是，借助遙感大數(shù)據(jù)平臺和人工智能技術，可以更加快速推進全球湖泊碳循環(huán)的相關研究。此外，遙感大數(shù)據(jù)和人工智能技術可以進一步推動遙感數(shù)據(jù)融合等遙感影像處理技術，在一定程度上彌補了單一遙感數(shù)據(jù)在湖泊碳循環(huán)應用時的光譜、空間和時間分辨率不足等缺陷（Guo等，2020）。

圖6 目前衛(wèi)星傳感器時間、空間、光譜分辨率分布圖Fig.6 Distributions of satellite sensors with different temporal，spatial and spectral resolutions

6 結 語

目前，針對湖泊水體碳庫的遙感反演算法在反演精度、普適性等方面存在較大不確定性，湖泊水體有機碳的遙感算法精度和普適性有待進一步提高，無機碳（CO2，CH4）等遙感反演算法需要進一步完善，而新類型碳（黑炭等）遙感反演算法的研究需要被重視。湖泊不同類型有機碳的組成和來源對湖泊碳循環(huán)以及遙感反演精度的影響較大，對于有機碳的來源估算，需要結合生物地球化學技術，進一步深入研究；同時，不同類型有機碳之間的相互作用機制也需要進一步明確。湖泊分布廣泛，類型豐富，湖泊碳循環(huán)研究屬于湖泊流域綜合性研究，開展湖泊碳循環(huán)研究需要大量的野外實測數(shù)據(jù)、遙感衛(wèi)星數(shù)據(jù)等，獲取完整和豐富的數(shù)據(jù)是一個系統(tǒng)性工程，有必要建立全國性的湖泊數(shù)據(jù)共享平臺和研究聯(lián)盟，合理推進湖泊碳循環(huán)和遙感研究。