用几十年遥感数据讲全球变化：一个致命问题

这几年，几乎每隔一段时间，就会有一篇 Nature 或 Science 的“大文章”，借助几十年的遥感数据告诉我们：地球正在发生某种重要变化——全球植被持续变绿，森林恢复潜力被重新估计，或者生态系统对 CO₂ 的响应正在减弱。但真正决定这些发现能否站得住的，往往并不是结论本身有多宏大，而是一个经常被放在幕后、更基础的问题： 遥感数据的时间一致性。 在很多人的直觉里，遥感像是在天上架了一台长期运转的相机，持续记录地球表面的变化。可真实情况往往复杂得多。 例如，AVHRR 数据序列并非来自单一卫星，而是由 NOAA 系列多颗卫星在不同时间接续观测形成。在后期，又常与 MODIS 等新一代传感器的数据进行拼接或融合。 也就是说，研究者实际面对的，并不是一台仪器连续工作几十年留下的“原始录像”，而是一段由不同传感器、不同轨道条件、不同观测几何和不同融合算法共同构成的长时序数据。 这就意味着，在使用这样一条“几十年的时间序列”之前，我们首先要追问的，不应是它讲出了一个多么震撼的故事，而是一个更朴素的问题： 这些遥感数据在时间上真的前后一致吗？ 如果这个问题没有被认真回答，那么许多看上去连贯而有力的长期变化，未必是在记录地球本身的变化，也可能只是不同观测体系、不同处理路径被拼接之后形成的表观连续性。

一、遥感发现 全球 CO₂ fertilization effect在下降

2020 年，Wang 等在Science发表论文 Recent global decline of CO₂ fertilization effects on vegetation photosynthesis ，提出 1982—2015 年间全球植被光合作用对大气 CO₂ 升高的响应强度，即 CO₂ fertilization effect（CFE），呈下降趋势。 这个结论引发了广泛关注，因为如果植物对 CO₂ 增加的“促进作用”真的在减弱，那么许多关于全球碳循环、陆地碳汇和未来气候反馈的认识，都需要重新评估。 图1｜全球 β 的时间变化及分布差异。基于三种卫星 GPP 代理数据，利用 15 年滑动窗口估计 β 的时间变化（A），并比较 1982–1996 与 2001–2015 两个时期的分布差异（B）。结果显示 β 在全球尺度上呈下降趋势（Wang et al., 2020）。 这个极有价值的发现就是使用长时序遥感数据看到的。但是，不是直接“测到”了 CFE 的下降。它是利用长期遥感指标和环境变量，通过统计回归估计出一个参数 β，并将其解释为植被光合作用对 CO₂ 增长的响应强度，再通过滑动时间窗口比较这个参数在不同时段的变化。 这一点很关键。如果研究对象只是 NDVI、NIRv 或 GPP 这些指标本身的升降，那么问题主要还是“趋势对不对”。但当研究进一步讨论“响应强度是否减弱”时，事情就不一样了。此时研究处理的，不再只是一个观测量的变化，而是一个由观测数据、代理指标和统计模型共同识别出来的“响应变化”。这意味着，对数据前后可比性的要求会明显提高。因为一旦早期和晚期数据之间存在稳定但细微的系统差异，这些差异就可能在回归和滑动窗口处理中被放大，最后表现成一个看起来很像生态机制变化的长期趋势。

二、 Comments: 30年遥 感数据前后是一致的吗？

观测层面

Frankenberg 等首先从观测层提出质疑。 他们指出，AVHRR 长期序列中的小幅系统性偏差，可能足以影响 NIRv 等指标的长期趋势判断，因此应谨慎利用 AVHRR 识别植被指数的年代变化。这个批评并不只是针对某一种传感器，而是长时序遥感最常见的一类风险：一旦研究结论高度依赖早期与晚期数据之间的细微差异，轨道漂移、辐射定标残差和观测几何变化就不再只是背景 噪声，而可能直接进入趋势本身 。

这件事其实不难理解。如果你只是看某一年的空间分布，测量误差也许影响有限。但如果你要比较 30 多年前和今天的细微变化，那么哪怕测量体系只是在不同年代里有一点点不一致，都可能让“长期变化”看起来比实际更强，甚至方向都被带偏。

图2｜β 下降趋势对方法设定高度敏感。改变滑动窗口长度、AVHRR 校正方式和 CO₂ 处理假设后，β 的下降幅度明显变化；在 bootstrap 估计下，趋势不确定性进一步增大。该图说明，原文结论对时间窗口、数据校正和统计处理较为敏感（Frankenberg et al., 2021）。

融合层面

Zhu 等将问题推进到跨传感器融合层面 。他们质疑原文在 AVHRR 与 MODIS 融合中的处理方向，认为若将较新的 MODIS 调整去匹配误差更大的早期 AVHRR，就可能把早期产品的不确定性传递到整个拼接时间序列中。 这样一来，后期趋势看起来发生的变化，未必完全来自生态系统本身，也可能和融合方式有关。这一点就很危险：一旦拼接规则本身会改变结果，那么研究结论就不只是“地球变了”，还可能是“数据被怎么接起来，结果就怎么变”。

图3｜CFE 估计对数据产品与处理方式的敏感性。基于不同 NIRv 和 LAI 数据重新估计 β 后，其时间变化与时期差异并不完全一致，说明 CFE 的长期变化判断会受到数据产品选择及处理方式的影响（Zhu et al., 2021）。

归因层面

Frankenberg 和 Zhu 直接质疑长时序遥感数据前后是否可比，而 Sang 等的批评则指向统计归因。 他们指出， 即使假设观测已经尽量一致、数据也已经拼接好了 ， Wang 等估计得到的 β也未必 能稳定代表 CFE。因为植物光合作用的变化，不只受 CO₂ 影响，也受温度、水分、辐射、养分限制等许多因素共同作用。如果这些因素在统计上没有被足够清楚地分开，那么最后得到的“CO₂ 响应变化”，就可能混入其他驱动因素的影响。

图4｜β 与真实 CFE 的偏离关系。在多个 DGVM 模型中，回归得到的 β 与直接计算的 CFE 并未呈现稳定对应关系，且偏离 1:1 关系。该结果表明，将 β 直接解释为 CFE 可能引入方法性偏差（Sang et al., 2021）。

三、Response: 方向稳健，但幅度依赖方法

面对这些质疑，作者随后发表了 Response。他们并没有简单回避争论，而是补做了多项检验：比如控制太阳天顶角影响，改用不同植被指数，测试 CO₂ 滞后效应，剔除高 β 像元，只分析 intact forests，并引入与原始遥感指标物理基础不同的独立证据。整个Response的最终就是就是：虽然不同处理方式会影响下降幅度，但 β 的下降趋势方向仍然没变。 从争论本身看，这一回应当然重要。 它说明结论并不只依赖某一个单一设定，也不是一改参数就完全消失。

但这个 Response客观上强化了长时序遥感研究对证据质量的要求。为什么这么说？因为如果一个关于长期变化的结论，必须通过不同代理指标、不同处理路径和不同独立证据来反复检验，才能显示出相对稳定的方向，那么这本身就说明：对于长时序研究来说，真正关键的已经不是“某一种设定下结果显著不显著”，而是 换一种合理的数据处理方式，这个结论还在不在？换一套可接受的校正路径，趋势还对不对？

也就是说，对于长时序遥感研究，真正可靠的并不是“某一条处理流程下显著成立的趋势”，而是“在不同时间一致性校正路径下仍近似稳定的趋势”。所以， 以后再看“过去几十年，×××增强了、减弱了、转折了”的结论时，不能只问“结果有没有显著？”，还要追问：

这个结果对传感器更替敏不敏感？ 对产品拼接方式敏不敏感？ 对模型设定敏不敏感？

如果这些问题没有回答清楚，那么即使结果看起来很完整，结论也未必真的稳。

图5｜不同处理设定下 β 下降趋势的稳健性检验。基于 GIMMS NIRv、NDVI 与 kNDVI 数据，比较是否考虑 AVHRR 太阳天顶角（SZA）变化、不同滑动窗口长度以及 CO₂ 滞后处理等设定下 β 的时间变化。结果显示，在多种处理方式下 β 均呈下降趋势，但其幅度和趋势强度存在差异（Wang et al., 2021）。

四、后续研究：从结论争议到方法转向

这场争议之后，相关研究并明显转向了对长期产品时间一致性的系统修正： 怎样让不同年代的数据尽可能处在同一个比较框架里 。 2022 年，Wang 等又发表了 temporally corrected long-term SIF 研究，明确指出多源长期 SIF 产品受传感器退化影响，因而首先需要做时间订正，再进行空间降尺度与多传感器融合。作者以撒哈拉沙漠为基准校正不同传感器的时间变化后，构建了 1995–2018 年的连续一致 SIF 数据集。

图6｜时间校正对全球 SIF 长期趋势的影响。比较时间校正前（a）与校正后（b）的全球 SIF 趋势分布，以及对应的纬向平均变化（c）。结果显示，时间校正会显著改变趋势的空间分布与幅度，部分区域的趋势方向亦发生变化（Wang et al., 2022）。

2024 年，Jeong 等进一步针对 AVHRR LTDR V5 的时间不一致问题，实施了跨 AVHRR 传感器校准、轨道漂移校正以及与 MODIS 的机器学习 harmonization。他们发现，未经这些处理的数据容易呈现“2000 年前增绿较快、2000 年后增绿减弱”的结构。而经三步校正后，全球 NDVI 与 NIRv 显示的是更加持续的四十年增绿趋势。作者特别强调，长期植被指数产品中的时间不一致，会显著改变对全球长期趋势的判断。

图7｜时间一致性校正前后 NDVI 时间序列的差异。比较 AVHRR LTDR、校正后的 AVHRR（harmonized）、GIMMS3g 与 MODIS NDVI 在不同时间段（1982–1999 与 2000–2021）的生长季异常变化。未经校正的 AVHRR 数据呈现明显的阶段性差异，而校正后结果与其他数据集更加一致，说明时间不一致会影响长期趋势结构（Jeong et al., 2024）。

到 2025 年，Fang 等在Scientific Data发表的新数据产品中，已将“去除 AVHRR 轨道效应并用 MODIS 进行交叉校准”作为构建长期连续反射率和光合代理的前提步骤，再据此重建 1982–2023 年的全球 photosynthesis proxy。这里值得注意的，并不是某个具体产品是否最终优于 Wang 等原始使用的数据，而是已经越来越明确地把“时间一致性”视为长时序遥感分析的基础。

图8｜长期光合代理重建以时间一致性校正为前提。AVHRR、MODIS 及原始 LTDR 数据重建的 LCSPP 时间序列存在差异，说明跨传感器校准与轨道效应校正会直接影响长期趋势估计（Fang et al., 2025）。

最后小结

当我们越来越习惯借助遥感数据讲述跨越几十年的“宏大叙事”时，更需要警惕一种常见错觉：只要时间够长、尺度够大、期刊够顶，结论就天然更可靠。事实恰恰相反。对长时序遥感而言，时间跨度本身并不自动转化为证据强度，宏大叙事也不能替代方法上的自洽。若不同年代的数据并非建立在可比的观测基准、稳定的代理关系和一致的推断框架之上，那么看上去连贯的长期变化，很可能只是被拼接出来的连续性，而不是被证明出来的真实性。

Nature反对Nature？问题在遥感 从Nature|Science文章看全球尺度研究中的外推风险 Science 论文遭遇连续质疑：重审全球森林恢复潜力

References

Wang, S., Zhang, Y., Ju, W., Chen, J. M., Ciais, P., Cescatti, A., Sardans, J., Janssens, I. A., Wu, M., Berry, J. A., Campbell, J. E., Fernández-Martínez, M., Alkama, R., Sitch, S., Friedlingstein, P., Smith, W. K., Yuan, W., He, W., Lombardozzi, D., Kautz, M., Zhu, D., Lienert, S., Kato, E., Poulter, B., Sanders, T. G. M., Krüger, I., Wang, R., Zeng, N., Tian, H., Vuichard, N., Jain, A. K., Wiltshire, A., Haverd, V., Goll, D. S., & Peñuelas, J. (2020). Recent global decline of CO₂ fertilization effects on vegetation photosynthesis. Science , 370(6522), 1295–1300.

Frankenberg, C., Yin, Y., Byrne, B., He, L., & Gentine, P. (2021). Comment on “Recent global decline of CO₂ fertilization effects on vegetation photosynthesis”. Science , 373(6562), eabg2947.

Sang, Y., Huang, L., Wang, X., Keenan, T. F., Wang, C., & He, Y. (2021). Comment on “Recent global decline of CO₂ fertilization effects on vegetation photosynthesis”. Science , 373(6562), eabg4420.

Zhu, Z., Zeng, H., Myneni, R. B., Chen, C., Zhao, Q., Zha, J., Zhan, S., & MacLachlan, I. (2021). Comment on “Recent global decline of CO₂ fertilization effects on vegetation photosynthesis”. Science , 373(6562), eabg5673.

Wang, S., Zhang, Y., Ju, W., Chen, J. M., Cescatti, A., Sardans, J., Janssens, I. A., Wu, M., Berry, J. A., Campbell, J. E., Fernández-Martínez, M., Alkama, R., Sitch, S., Smith, W. K., Yuan, W., He, W., Lombardozzi, D., Kautz, M., Zhu, D., Lienert, S., Kato, E., Poulter, B., Sanders, T. G. M., Krüger, I., Wang, R., Zeng, N., Tian, H., Vuichard, N., Jain, A. K., Wiltshire, A., Goll, D. S., & Peñuelas, J. (2021). Response to Comments on “Recent global decline of CO₂ fertilization effects on vegetation photosynthesis”. Science , 373(6562), eabg7484.

Wang, S., Zhang, Y., Ju, W., Wu, M., Liu, L., He, W., & Peñuelas, J. (2022). Temporally corrected long-term satellite solar-induced fluorescence leads to improved estimation of global trends in vegetation photosynthesis during 1995–2018. ISPRS Journal of Photogrammetry and Remote Sensing , 194, 222–234.

Jeong, S., Ryu, Y., Gentine, P., Lian, X., Fang, J., Li, X., Dechant, B., Kong, J., Choi, W., Jiang, C., Keenan, T. F., Harrison, S. P., & Prentice, I. C. (2024). Persistent global greening over the last four decades using novel long-term vegetation index data with enhanced temporal consistency. Remote Sensing of Environment , 311, 114282.

Fang, J., Lian, X., Ryu, Y., Jeong, S., Jiang, C. Y., & Gentine, P. (2025). A long-term reconstruction of a global photosynthesis proxy over 1982–2023. Scientific Data , 12(1), 372.