写论文能用MODIS的GPP数据吗？

本文介绍MODIS GPP系列产品（MOD17）的基本情况，及其在全球生态学领域的应用价值、精度表现与核心局限，从而探讨其数据是否可靠。

最近有幸和一位大佬交流，提到MODIS的GPP数据产品；大佬说这个GPP产品质量存在争议，最好更换为其他GPP产品使用，或保留MODIS的同时增加其他GPP数据产品作为验证。

所以，MODIS的GPP数据产品是否可靠、到底能不能用？如果不可靠，是哪一个环节出了问题？正好趁着这个机会，稍微研究一下。

先插一句，如果需要详细了解全球还有哪些其他GPP数据产品，可以参考文章全球植被生产力GPP、NPP数据下载平台合集。

MODIS GPP基本情况

如果要做任何与陆地碳循环相关的研究，几乎不可能不接触MODIS GPP数据。这个由美国NASA发布的全球植被总初级生产力（GPP）遥感产品，正式编号为MOD17，搭载于Terra卫星上的中分辨率成像光谱仪（MODIS）传感器，自2000年2月起持续运行至今，是目前历史最长、覆盖最广的全球尺度GPP遥感产品。如下图所示。

而对于使用Aqua卫星数据的用户，对应产品编号为MYD17，算法与MOD17完全一致，两者可配合使用以提高时间采样频率，如下图所示。

产品体系与时空规格

MOD17系列下设若干细分产品，最常用的有两大类。

第一类是8天合成GPP产品，编号MOD17A2H（当前版本V6.1），空间分辨率500米，时间分辨率为每8天一景，采用正弦投影（Sinusoidal）分幅存储，全球共覆盖460余个瓦片（tile），时间范围从2000年2月持续至今。该产品包含GPP波段和净光合量（PSN = GPP − 维持呼吸 MR）波段，以及对应的质量控制（QC）层。需要注意的是，MOD17A2H是近实时产品，云污染导致的低质量LAI/FPAR像元会被保留，用户必须根据QC标记自行过滤，否则会引入可观的噪声。

第二类是对应的Gap-Filled（空缺填补）版本，即8天产品MOD17A2HGF和年度产品MOD17A3HGF，这也是目前学术研究中引用最多的版本。Gap-Filled产品在年底完整获取全年8天LAI/FPAR时间序列后统一生成，对所有未达质量标准的像元进行线性插值填补，从而显著减少云污染造成的数据空缺。MOD17A3HGF同时提供年度GPP和NPP数据，空间分辨率同为500米。顾名思义，Gap-Filled产品无法实时获取，通常需要等到次年初才能访问当年的完整数据集。

总的来说，MOD和MYD是区分卫星的，A2和A3是区分时间分辨率的，无GF和有GF是区分是否Gap-Filled的。

此外，还有一个版本问题，也就是MODIS的6和6.1版本。但是好像GPP这个数据比较特殊，其新版本，也就是6.1版本，时间跨度没那么大，所以对于部分时间，还是得用6版本。

数据单位与注意事项

MOD17A2H的GPP波段以整型数值存储，需乘以比例因子（scale factor）0.0001后才能转换为实际物理量，单位为 kg C m⁻² per 8 days（即每个8天合成期内每平方米固定的碳量，以千克计）。如需换算为日均值，还需再除以8；若希望使用生态学研究中更常见的单位 g C m⁻² d⁻¹，则需将原始数值乘以0.0001×1000÷8，即乘以0.0125。年度产品（MOD17A3HGF）的GPP单位则为 kg C m⁻² yr⁻¹，是该年全部8天GPP值的累加。

此外，不同数据下载来源（比如MODIS官方平台和GEE）对应的比例因子、单位，以及数据格式、波段组成等可能有所不同，需要大家下载时做好攻略。

算法框架

MOD17的核心计算框架是光能利用效率（Light Use Efficiency，LUE）模型。

LUE模型的基本公式为：

其中， 是最大光能利用效率（单位 g C MJ⁻¹），由BPLUT（生物群系参数查找表，Biome Parameter Look-Up Table）根据土地覆盖类型赋值，不同植被功能型对应不同的固定常数； 和 是温度和饱和水汽压差的胁迫标量（取值范围0–1），当日最低温度过低或VPD过高时将线性衰减GPP；FPAR（光合有效辐射吸收比例）来自MOD15A2H产品，基于MODIS反射率波段反演得到；PAR（光合有效辐射）则来自NASA的全球气象再分析数据，Collection 6.1版本使用MERRA-2（Modern-Era Retrospective Analysis for Research and Applications, Version 2）提供的地表短波辐射作为驱动。

这个框架简洁而优雅，计算量小，适合全球业务化运行。但正如后文将详述的，它的每一个组成部分都携带着或大或小的不确定性，而这些不确定性的叠加，造就了MOD17在精度层面相当复杂的问题。

全球应用合理性基础

尽管算法存在局限，MOD17在宏观尺度上的表现仍为其全球应用提供了基本的合理性。全球总GPP与大气CO₂增长率及ENSO指数之间存在显著负相关，本身就证明了MOD17能够捕捉生态系统对气候变异的响应（Running et al., 2004; Zhao et al., 2006）。

从趋势上看，2000至2018年MOD17检测到的全球GPP以约0.47 PgC yr⁻²的速率增长，与基于太阳诱导荧光（SIF）、FLUXCOM等独立数据产品在方向上保持一致，为"全球变绿"这一现象提供了长达二十余年的连续证据（Endsley et al., 2023）。

然而，"可靠"和"准确"是两回事。MOD17在宏观趋势上的表现，掩盖了它在精度层面相当复杂的问题。

精度问题

理解MODIS GPP的精度问题，有一个核心规律值得记住：它倾向于在高生产力区域低估GPP，同时在低生产力区域高估GPP。

在巴西热带生态系统的多站点研究中，MOD17在低产站点的高估偏差高达111%至584%，而在高产站点则低估了2%至18%，且总体上无法捕捉热带生态系统（尤其赤道站点）的GPP季节性动态。针对全球玉米农田的评估显示，年度GPP低估幅度达6%至58%。用FLUXNET2015数据集对最新版本MOD17A2H进行系统验证，年度GPP的决定系数仅为R²=0.62，在8天时间步长下更降至R²=0.52——这对于一个全球通用产品而言，精度并不算高（Wang et al., 2017）。

这一双向误差的根源，在于MOD17采用的"大叶"（big-leaf）模型框架。冠层中阳叶和阴叶对光的响应方式截然不同：阳叶接受直射光容易达到光饱和，而阴叶在散射光下仍能维持较高效率。大叶模型将整个冠层视为一张均匀受光的叶片，这在低LAI（叶面积指数）的稀疏植被下尚可接受，但一旦进入郁闭的高生产力生态系统，阴叶对总GPP的贡献就会被严重低估。Ma等（2024）针对这一问题开发了双叶改进版本CTL-MOD17，在153个全球FLUXNET站点验证，R²提升了0.07，RMSE降低117 g C m⁻² yr⁻¹，并有效消除了高低LAI区域的系统性偏差——这从侧面证实了大叶框架是MOD17精度瓶颈的核心所在。

气象驱动数据的空间尺度错配是另一个不可忽视的误差来源。MOD17使用的MERRA-2再分析气象数据分辨率约为0.5°×0.625°（早期版本约1°×1.25°），而MODIS像元为500米，两者之间存在数十倍乃至上百倍的尺度差异。不同再分析数据集（NCEP、ECMWF、DAO）驱动的全球GPP估算差异可超过20 PgC yr⁻¹，热带地区尤为显著（Zhao et al., 2006）。此外，MODIS FPAR产品在云覆盖条件下受噪声影响明显，在热带雨林（郁闭度高、云频繁）和干旱区（裸土背景信号强）的质量尤其值得警惕（Yan et al., 2025）。

算法局限

精度问题或许可以通过参数优化来改善，但MODIS GPP有几个更深层次的局限，涉及算法框架本身，难以通过"打补丁"解决。

第一个是对CO₂施肥效应的系统性忽视。自工业革命以来，大气CO₂浓度从约280 ppm持续上升至今日超过420 ppm，这对陆地植被光合作用的促进效应（即CO₂施肥）已被多条独立证据链证实。Keenan等（2023）综合陆地生物圈模型、生态优化理论、遥感方法与全球碳收支约束，估计CO₂施肥使1981至2020年间全球年均陆地光合作用增加了约13.5%（15.9 PgC）。然而，MOD17的LUE算法从未将这一生理效应纳入，也没有随CO₂浓度变化动态调整光能利用效率参数。这直接导致它在反映过去几十年全球GPP增长趋势时存在系统性低估——趋势方向对，但幅度被压缩了。基于这一认识，MCI GPP集成产品（2001–2023年全球均值为141.9±4.0 PgC yr⁻¹）通过机器学习方法部分规避了这一问题，在AmeriFlux独立验证中R²达0.72，优于MOD17（Pu et al., 2025）。

第二个是水分胁迫机制的过度简化。MOD17使用VPD（饱和水汽压差）作为大气干旱对光合作用限制的代理变量，但完全忽略了土壤水分的独立约束作用。在干旱和半干旱生态系统中，植被的水分获取受制于土壤有效水含量，而非仅仅大气湿度。正因如此，MODIS GPP在夏季干旱期（如地中海常绿林、东亚季风区干季）会显著高估实际碳吸收，且无法捕捉极端干旱年份对GPP的抑制——东亚山地流域的生态水文模型研究表明，MODIS GPP未能重现2001年严重干旱对年际GPP的明显压制，其根源正是算法对土壤水分胁迫的简化处理。更根本的问题在于，生态学研究已表明植被对水分胁迫的响应具有气候适应性——干旱气候下的生态系统并不简单地套用湿润气候的胁迫函数，但这种适应性在MOD17中完全缺失。

第三个是土地覆盖分类误差的传导放大。MOD17通过BPLUT将土地覆盖类型映射至等关键参数，土地覆盖分类的任何偏差都会被直接传导进GPP估算。夏威夷的案例研究清晰地量化了这一问题：仅将全球土地覆盖产品（MOD12Q1）替换为本地精细数据，区域GPP估算就降低了约8%；同时引入本地高分辨率气候数据又降低了约8%，两者叠加使区域总GPP低估了约16%（Kibler et al., 2017）。在土地覆盖类型复杂多变的热带地区和农业景观，这类误差会更加显著。此外，BPLUT中参数对各生物群系而言是固定常数，无法反映同一植被类型内部因氮素状况、树龄、扰动历史等因素造成的光合能力空间异质性。

全球通量塔网络覆盖偏差

上述所有问题，都因一个更基础的困境而难以被充分校正：全球FLUXNET通量塔网络在地理上存在严重偏倚。北美、欧洲和东亚温带地区的站点相对密集，而非洲、南美洲热带区域和中亚干旱区的站点极度稀缺。这意味着，MOD17算法的BPLUT参数在高度不确定的区域既缺乏充分的校准基础，也缺乏有效的独立验证手段。

Pu等（2025）明确指出，通量塔的稀疏分布导致了显著的地理偏差，严重制约了全球GPP产品的系统性区域验证。正因如此，热带常绿阔叶林的GPP季节性动态至今仍是MOD17最薄弱的环节——那里的雨季旱季转换、林冠更新动态，现有的算法框架和验证体系都难以准确捕捉。

能不能用

MODIS MOD17 GPP并没有被"淘汰"，而且在可预见的未来也不会。它的价值在于：没有其他产品能在2000年以来提供如此长时序、如此一致的全球覆盖。在北半球温带和寒带生态系统的年际到年代际趋势研究中，MOD17仍是最可靠的基础参照数据集。NASA也已推出基于VIIRS传感器的VNP17产品，可将这一记录延续至2030年代乃至更远（Roman et al., 2024; Endsley et al., 2023）。

但如果你的研究关注的是热带生态系统、干旱区的碳通量、长期GPP绝对量的变化幅度，或者需要在区域精细尺度上使用GPP数据，就有必要认真评估MOD17的适用边界，并考虑引入补充或替代方案。基于SIF的GPP产品（GOSIF、OCO-2衍生产品）在捕捉光合生理动态方面具有明显优势；FLUXCOM-X通过机器学习上推提供了与过程模型不同视角的估算；MCI GPP则通过集成方法部分规避了单一LUE框架的系统性偏差。将多源产品交叉验证，并尽可能结合当地通量塔实测数据进行区域校正，是目前相对稳健的研究策略。

实际使用时还有几点工程层面的注意事项：如果研究对数据完整性要求较高（例如计算年际变化时不希望因云污染造成缺失），应优先选用Gap-Filled版本（MOD17A2HGF或MOD17A3HGF），而非原始近实时产品（MOD17A2H）；在进行像元尺度的定量分析前，务必对原始数字量值乘以比例因子（0.0001）并根据QC标记剔除低质量像元；对于年际趋势分析，年度Gap-Filled产品（MOD17A3HGF）是最常用的选择，也是绝大多数全球生态学文献中所用的具体数据版本。

归根结底，MODIS GPP是一个时代的产物——它在数据匮乏的年代为全球碳循环研究提供了第一扇窗口，这份贡献毋庸置疑。但随着新一代传感器、更丰富的通量观测网络和机器学习方法的涌现，我们对GPP的估算正在进入一个更精细、更具机制性认知的新阶段。理解MOD17的边界，正是走向这个新阶段的必要一步。

总结

所以是否可靠？能不能研究的时候用？

其实答案就是开头那位大佬说的：可以用，但别单独用。

不过可以再补一句：如果是想发大一些的研究，那审稿人大概率会问到这个问题，那就别单独用。如果是其他研究，甚至是做课程设计这种小应用，那其实也可以直接无脑单独用。

最后一个问题：那如果想要更换其他的GPP数据产品，可以使用哪些呢——参考文章全球植被生产力GPP、NPP数据下载平台合集即可。

参考文献

• Running, S. W., Nemani, R. R., Heinsch, F. A., Zhao, M., Reeves, M., & Hashimoto, H. (2004). A continuous satellite-derived measure of global terrestrial primary production. BioScience, 54(6), 547–560.
• Running, S., Mu, Q., & Zhao, M. (2021). MOD17A2H MODIS/Terra Gross Primary Productivity 8-Day L4 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MOD17A2H.061
• Running, S., & Zhao, M. (2021). MOD17A2HGF MODIS/Terra Gross Primary Productivity Gap-Filled 8-Day L4 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MOD17A2HGF.061
• Running, S., & Zhao, M. (2021). MOD17A3HGF MODIS/Terra Net Primary Production Gap-Filled Yearly L4 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MOD17A3HGF.061
• Zhao, M., Heinsch, F. A., Nemani, R. R., & Running, S. W. (2005). Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 95(2), 164–176.
• Zhao, M., Running, S. W., & Nemani, R. R. (2006). Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of meteorological reanalyses. Journal of Geophysical Research: Biogeosciences, 111, G01002.
• Endsley, K. A., Zhao, M., Kimball, J. S., & Devadiga, S. (2023). Continuity of global MODIS terrestrial primary productivity estimates in the VIIRS era using model-data fusion. Journal of Geophysical Research: Biogeosciences, 128, e2023JG007457.
• Ma, Y., Guan, X., Chen, J., Ju, W., Huang, W., & Shen, H. (2024). Improving MODIS Gross Primary Productivity by bridging big-leaf and two-leaf light use efficiency models. Journal of Geophysical Research: Biogeosciences, 129(5), e2023JG007737.
• Keenan, T. F., et al. (2023). A constraint on historic growth in global photosynthesis due to rising CO₂. Nature Climate Change, 13, 1376–1381.
• Pu J., et al. (2025). MCI GPP: ensembling a global model- and climate-independent gross primary productivity for 2001–2023. Scientific Data. https://doi.org/10.1038/s41597-025-06218-8
• Roman, M., et al. (2024). Continuity between NASA MODIS Collection 6.1 and VIIRS Collection 2 land products. Remote Sensing of Environment, 302, 113963.
• Yan, K., et al. (2025). HiQ-FPAR: A High-Quality and Value-added MODIS Global FPAR Product from 2000 to 2023. Scientific Data. https://doi.org/10.1038/s41597-025-04391-4
• Wang L., et al. (2017). Evaluation of the latest MODIS GPP products across multiple biomes using global eddy covariance flux data. Remote Sensing, 9(5), 418.
• Kibler, C. L., et al. (2017). Evaluating the role of land cover and climate uncertainties in computing gross primary production in Hawaiian Island ecosystems. PLOS ONE, 12(9), e0184466.

欢迎关注：疯狂学习GIS