叶绿素荧光遥感反演及其农业监测应用研究进展

杨妮　邓树林　樊艳红　谢国雪

摘要：近年快速发展起来的日光诱导叶绿素荧光（solar-induced chlorophyll fluorescence，SIF）可直接量化植被的实际光合作用，为实现大面积农作物及时有效监测提供新的手段，在农业监测领域中具有非常重要的应用价值和广阔的应用前景。因此，本文分析近年来卫星SIF遥感的发展趋势，从理论上解释遥感信息中提取SIF的难度，总结叶绿素荧光远程检测原理及多重影响因素；对比分析基于辐射传输方程的算法、简化的物理模型算法和数据驱动算法3种反演方法的优缺点，系统梳理卫星SIF产品及其反演方法；从响应敏感性和监测机理方面探讨SIF遥感在监测作物环境胁迫和生产力与产量评估应用中的主要方法与最新技术。由于当前用于SIF反演的卫星传感器均不是專门进行荧光探测，SIF产品具有空间不连续、时空分辨率较低等缺点，在卫星SIF数据反演方法、作物胁迫监测、SIF与GPP机理联系、SIF数据同化等方面仍有较多待解决的问题。今后需继续深入研究SIF遥感的作物环境胁迫响应机理与生产力估算方法，进一步集成荧光、热红外、微波等多源遥感，进而大幅度提高农业监测能力，以保障国家农业安全生产，为SIF遥感深入应用提供一定的理论参考。

关键词：日光诱导叶绿素荧光（SIF）；农业；环境胁迫；产量估算；遥感监测

中图分类号：S127文献标志码：A

文章编号：1002-1302（2023）14-0001-12

在全球气候变化背景下，自然灾害频发且强度增强，对农业生态系统稳定性及正常的农业生产造成严重威胁［1］。如2009—2010年我国西南地区发生了破纪录的重大连续性干旱灾害，造成作物的大幅度减产及严重的经济损失［2］。因此，迫切需要开展及时有效的大面积农业监测，对国家粮食安全和气候变化应对具有非常重要的意义和指导作用。传统的基于地面试验的农业监测研究可揭示环境条件变化等对作物产生的影响。然而，通常各类环境条件对作物的影响范围广、持续时间长。地面试验只能揭示观测站点附近很小范围的作物状况，无法进行大面积农业系统的诊断与预警。卫星遥感可获取长时间、大范围、空间连续的较高空间分辨率的观测数据，使大范围、连续性的农业系统监测与预警成为可能。目前，归一化植被指数（normalized vegetation index，NDVI）、增强型植被指数（enhanced vegetation index，EVI）等基于反射率（或“基于绿度”）的植被指数被广泛用于农业监测［3-6］。环境变化初期作物光合作用即会出现异常，但是冠层结构尚未发生变化，基于反射率的植被指数无法及时捕捉环境异常初早期作物生长状态异常信号，对作物监测具有非常明显的滞后性［7-9］。近几年快速发展的日光诱导叶绿素荧光（solar-induced chlorophyll fluorescence，SIF）被称为植被光合作用的“无损探针”，为农业及时监测提供了一种新手段［8，10-11］。章钊颖等认为，植被中的光系统Ⅰ和光系统Ⅱ激发产生SIF，SIF与光合作用和热耗散是相互竞争关系［12］。荧光作为光合作用的副产品，与基于“绿度”的植被指数相比，结果显示，SIF与植被光合作用有机理的联系，可直接反映植被光合作用的能力。张立福等认为，SIF同植被受环境胁迫状态及植被总初级生产力（gross primary productivity，GPP）密切相关［13］。SIF遥感是近年快速发展起来的新的遥感技术，自2011年美国国家航空航天局（NASA）采用GOSAT卫星第1次成功实现全球尺度卫星SIF数据的反演［14］。不少卫星传感器也被陆续获取了全球卫星SIF产品，包括SCIAMACHY、GOME-2、OCO-2和TROPOMI等［15-18］。之后，卫星SIF反演及应用研究发展极其迅速，SIF遥感成为近10年来植被遥感领域最具突破性的研究前沿，极大地促进了大面积农作物及时有效监测与预警、产量评估等研究。然而，目前缺乏对SIF遥感在农业监测相关应用研究的系统述评，尤其对基于SIF的作物监测方法、产量预测等总结较少。查询与统计2000年以来卫星SIF在农业监测方面的文献（图1），发现近年来关于卫星SIF在农业监测方面的应用研究呈指数式增长。因此，有必要对现阶段（2011年以来）SIF遥感及农业监测应用研究进行梳理和总结，以期为及时有效地大面积农业监测提供一定的参考。

1 叶绿素荧光来源概述

1834年Brewster等发现，当一束阳光照射在月桂叶的一种绿色乙醇提取物上时，会发出明亮的红光［19-20］。同时，当光通过提取物的连续“厚度”时，发射的颜色从红色变为橙色再变为黄色，这一转变可能是叶绿素重新吸收的第1个证据［21］。在1931年Mohammed 等首次发现活体荧光诱导动力学［21-22］。直到20世纪70年代中期，Papageorgiou才提出荧光诱导动力学曲线：O（原点）→I（偏转）→D（小坑）或PL（台阶）→P（高峰）→S（半稳态）→M（次峰）→T（终点）。其中O→P为荧光快速上升阶段，可用于研究植物PSⅡ的异质性及其原初光化学反应过程，P→T为荧光慢速淬灭阶段［23］。该阶段情况较复杂，不同叶片具有不同的生理状态，有时可能没有M峰，有时则有几个M峰，通常情况下，叶片在环境胁迫下其M峰消失，叶片一般在生理状态良好时会在P峰之后出现几个峰［24］。即当光合代谢相关的代谢库受到环境胁迫因子的干扰，叶片荧光诱导动力学曲线会因为环境胁迫而发生变化，荧光诱导特性可能会受到间接影响。当光合作用的强度下降时，会导致荧光的发射增强，反之亦然。荧光量子产率变化为光合作用机理的研究提供了一种重要的监测路径。因此，经常将荧光用于监测水分、温度、光等植物逆境生理胁迫相关研究。

叶绿素荧光是叶绿素分子吸收光能以后，迅速重新释放的红光和近红外波段的光［21］。当太阳光到达植被叶片表面时，往往会被反射、透射与吸收。其中，叶片对红光和蓝光具有较强的吸收作用。当叶片吸收的能量超过植被光合作用所需能量时，将以热和荧光等方式进行释放。荧光集中在多个波段，主要包括蓝光、绿光、红光和远红光等波段［25］。蓝绿波段的荧光由不含叶绿素的表皮和叶脉细胞壁的肉桂酸等释放，红光和远红光波段的荧光与蓝绿波段的荧光不同，其由叶肉细胞中叶绿体的叶绿素a所释放。在单一物种中，由蓝绿波段所释放的荧光保持恒定的强度，而叶绿素荧光与植被光合强度呈相反的关系。

2 卫星叶绿素荧光反演原理和方法

2.1 叶绿素荧光远程检测原理

叶绿素荧光获取方式有主动和被动2种。激发光源为太阳光，被动获取的叶绿素荧光称为日光诱导叶绿素荧光（SIF），自然条件对它的影响较大［21］。在地面试验中，细胞尺度、叶片尺度已经对叶绿素荧光有很多成熟的研究，这些研究内容不仅可以在机理上深入了解植被光合作用的变化，还可以为研究植被光合速率是如何应对环境胁迫构建更精准的模型。荧光作为一种光学信号，可以进行远程检测，通常依赖于SIF被动测量。利用卫星传感器获取的SIF的光谱范围包含植被红光波段和近红外波段，一般为650～850 nm［12］，且有2个峰值：（1）O2-B波段附近690 nm的红边范围；（2）O2-A波段附件740 nm的近红外范围［26］。前者由光系统Ⅱ产生，后者则由光系统Ⅰ和光系统Ⅱ共同产生［27］。在自然光照下荧光非常弱，一般仅占总反射能量的1%～2%，因此，精准的荧光测量难度非常大［20］。太阳光谱在连续光谱背景中有许多暗线，即夫琅和费暗线［21］，当照射到植被后反射出来，再被太阳光削弱的特定波长，这些暗线被另外一种信号（即叶绿素荧光）所填充，该发现为研究者从卫星数据反演大尺度的荧光提供了可能［28］。作为一种光学信号，SIF可以通过高分辨率光谱传感器和最先进的算法进行远程评估，以区分反射和散射环境光的发射。SIF在地面试验中的成功反演以及高光谱分辨率成像光谱仪技术的快速发展，使通过卫星获取荧光信息成为可能。目前在SIF传感器技术、检索算法、冠层与叶片荧光和光合作用的建模等方面都已经取得了突破性的进展；SIF可以跨生物、空间和时间范围进行测量，以获取植被光合光响应和稳态行为的时空信息［21，29-31］。

2.2 叶绿素荧光的影响因素分析

SIF的产生过程受到包括太阳天顶角、水分、气温、饱和水汽压差（vapor pressure deficit，VPD）等环境因子和叶绿素含量、冠层和叶片结构等生理参数的多重因素影响［32］。在叶片、冠层及生态系统不同尺度，SIF对环境和生理因素的响应极其复杂。因此，需要详细分析入射光与植被的交互过程，区分各类因子对SIF和光合作用的影响过程，从机理上更好地解释SIF信号与光合作用的联系。

2.2.1 环境因子对SIF的影响

太阳天顶角决定太阳辐射穿过大气层的路径长度，太阳天顶角越小，穿行路径越短，叶片接收的能量越强［33］。2018年Song等认为，气温和VPD是植被气孔打开程度的决定因素，进而影响CO2吸收，植被的蒸腾作用和光合作用接着受到影响，从而导致SIF发生变化［8］。高温胁迫会造成植物光合系统Ⅱ反应中心失活，降解捕光叶绿素a/b蛋白复合物，进而减少光合系统Ⅱ获得的激发能，最后导致荧光淬灭。低温胁迫会对植物光合作用造成多方面的影响，直接破坏光合作用机构的同时，还对相关酶系统的光合电子传递和光合磷酸化及暗反应有影响，当植物处于低温胁迫状态时，即使是中、低光照度也会使植物光抑制，光合系统Ⅱ反应中心失活。2019年Chen等认为，水分是决定植被正常生长最重要的因素之一，水分胁迫会导致气孔关闭和细胞水势减小，同时还会损害叶肉器官，进而抑制植被光合速率并改变SIF的释放量［34］。通常而言，上述环境影响因子将同时存在。如太阳天顶角的变化影响入射的能量、地表温度和饱和水汽压差，进而影响植被蒸腾作用，生理生化反应所需的酶的活性、气孔导度发生改变，进而影响植被的水分吸收与能量运输能力，形成不同程度的水分胁迫，光合速率即会出现异常，进而改变SIF释放量。

2.2.2 植被生理参数对SIF的影响

彭金龙等认为，植被通过调节叶片中叶绿素的含量来改变光或光合活性辐射的吸收比例（absorbed photosynthetic active radiation，APAR）［32］。Adams等认为，叶绿素含量与光吸收呈现非线性关系，在高叶绿素含量下，叶绿素吸收的光能随叶绿素含量的增加而减少［35］；同时，植被吸收不同波段的光照度也会因植被叶绿素含量的变化而变化，从而影响SIF的释放量。叶片结构是造成植被辐射传递过程中能量差异的主要影响因素，即叶片结构不同，叶片和叶片反射的能量也会不同，从而对SIF与光合速率的关系产生影响［25］。单一物种不同生长阶段以及物种的差异性是造成叶片结构变化的主要原因，在实际应用中应考虑不同生長阶段以及混合植被类型对SIF的影响。但由于叶片结构的复杂性，SIF与其关系的研究还处于较初级阶段［32］。此外，Meroni等认为，在叶片、冠层及高空观测过程中，SIF激发光的穿透力与SIF的重吸收比例是探测器接受荧光能量大小的重要影响因素［36］。

SIF释放量受不同空间尺度的辐射传输过程、不同冠层特征和不同生理特性等自然环境因子与生理参数的多重影响。此外，SIF反演在叶片、冠层和生态系统不同尺度会存在尺度效应问题。因此，今后须针对不同时空尺度、不同植被类型、不同生长阶段的SIF释放特征及演变规律进行细化研究。对于单一物种而言，叶绿素含量、叶片与冠层结构等因素会造成不同时序SIF的差异；而混合植被，除了植被不同生长阶段引起的SIF差异外，主要是由于物种间生理结构及光合效率不同引起的SIF空间差异。因此，在不同时空SIF相关研究中，植被类型、生长阶段、物种混合等对SIF的影响不可忽略。

2.3 叶绿素荧光的反演算法

在地表反射的光谱信号中由于SIF占比非常小，因此从遥感信息中提取SIF难度较大［12，37-38］。近地面的SIF遥感反演相对较容易，余弦接收器通常用于获取天空观测中没有被荧光填充的暗线。假设冠层反射率和暗线内外的荧光光谱满足一定条件，则反演可得到冠层释放的SIF［12］。而卫星SIF反演比近地面方式更加复杂，其受地球大气等影响，具有连续空间分布的多时相SIF需要依靠卫星等平台承载传感器。当前，卫星SIF遥感反演的主要算法包括基于大气辐射传输方程的反演算法、简化的物理模型算法和数据驱动算法［39］。

2.3.1 基于大气辐射传输方程的算法

主要由欧洲航天局（European Space Agency，ESA）的FLUX团队提出基于大气辐射方程的反演算法，基于地球大气夫琅禾费暗线提取荧光信息，定量描述太阳辐射和太阳吸收散射，构建耦合荧光发射和地表发射的大气辐射传输方程，将大气层顶SIF反演问题转变为大气层底，最后采用近地表SIF反演算法来求解荧光［31，40-43］。包括针对夫琅禾费荧光测定（fraunhofer line discrimination，FLD）算法、基于多光谱数据的3FLD（three bands FLD）算法和cFLD（correct FLD）算法、基于高光谱数据的改进iFLD（improved FLD）算法和波谱拟合模型法（spectral fitting method，SFM）［30，41-42］。SIF遥感反演算法均来自夫琅禾费暗线提取算法FLD。在该暗线波段，植被的反射光相对较弱，而荧光作用较凸显，适合于SIF的反演。该类反演算法尽管对传感器光谱分辨率的要求不高，但其反演精度主要依赖于对大气状态描述的准确性及传输方程的严密性，易造成系统误差。在FLD方法中，由于相邻2个波段的荧光值和反射率并不完全相同，因此在SIF反演時会存在一定误差。3FLD算法、cFLD算法、iFLD算法、SFM法等系列算法是对FLD算法改进得到的。如Damm等基于3FLD算法对航空数据反演O2-A波段的SIF数据［41］。当前，SFM的反演精度在基于大气传输模型的算法中最高，被ESA选为FLEX计划的备选算法（表1）。

2.3.2 简化的物理模型算法

基于简化的物理模型算法，通过大气观测或光谱卷积模拟得到未填充的太阳夫琅禾费暗线，可以完全避开地球大气吸收线，并采用大气窗口内1条或多条暗线进行荧光反演［13-14］。该算法反演模型简单，不需要考虑大气的影响。但其对噪声较敏感，对传感器的光谱分辨率要求较高。Khler等认为，在755～759 nm波段范围内，大气散射和地表反射是连续的，线性函数可对其进行拟合［18］。刘新杰等利用GOSAT卫星的TANSO-FTS超光谱数据，采用加权最小二乘法，反演中国区域内2010年1月至2011年6月的叶绿素荧光数据集［44］（表1）。

2.3.3 数据驱动算法

数据驱动算法主要包括基于SVD［15，17，45］和PCA（非线性PCA算法、线性PCA算法）［18，46-48］的SIF反演算法，通过综合734～758 nm 或720～758 nm的拟合窗口，在740 nm处推算SIF［17］。2015年Guanter等最先提出该方法，且成功反演了GOAST卫星SIF数据［17］。2018年Du等反演的二氧化碳观测卫星（TanSat）SIF数据集采用的也是该算法［49］。以往的数据驱动算法基于狭窄的夫琅禾费暗线通道，仅适用于超高光谱分辨率的卫星数据，而分辨率不足的传感器需要拓宽反演信道以包含大气吸收信道。Joine等首次尝试拓宽通道至大气吸收通道，实现GOME-2的SIF反演［47］。目前大多数SIF产品的生产算法是基于数据驱动算法，其可以同时提取太阳和地球的暗线变化特性，荧光反演的精度和反演效率得到较大提升，在一定程度上降低对光谱分辨率的要求。然而，数据驱动算法也会受到训练数据集、反演波段及拟合函数等条件的限制（表1）。

3 卫星SIF产品发展现状

3.1 检测叶绿素荧光的卫星传感器

当前用于测量陆地植被的远红外SIF卫星传感器主要包括：环境卫星（EnviSat）-大气制图扫描成像吸收光谱仪（SCIAMACHY）和中分辨率成像光谱仪（MERIS）［16］；温室气体观测卫星（GOSAT）-碳观测傅里叶变换光谱仪（TANSO-FTS）的热和近红外传感器［13］；2006年10月进入预期轨道的气象业务卫星（MetOp）-全球臭氧监测试验-2（GOME-2）传感器［46］；轨道碳观测站（OCO-2）［15］；哨兵5号卫星搭载的TROPOMI传感器（Sentinel-5P）［17］；二氧化碳观测卫星（TanSat）-大气二氧化碳光栅光谱仪（ACGS）［49］。上述卫星系统最初目的都不是用于对SIF的测量，直到最近才批准了第1个专门用于测量陆地植被SIF的全球任务-荧光探测器（FLEX）［40］。由于上述卫星传感器在O2-A～765 nm处和O2-B～684 nm处具有较高的光谱分辨率，因此可以对这些卫星获取的数据进行进一步反演，得到SIF遥感产品。此外，卫星SIF产品受云和土壤背景的影响小于基于反射率的卫星产品（如NDVI、EVI等）［10，15，46］。卫星SIF是一种监测植被生理状态的有效而直接的手段，已被广泛应用在估算植被光合作用和胁迫效应研究上［50-57］。

3.2 卫星叶绿素荧光产品

受网格数据集低时空分辨率和个体检索的高不确定性等因素影响，星载传感器反演的SIF数据空间分辨率通常为0.5°，如GOME-2［46-47］、SCIAMACHY［18］等产品较粗糙，而OCO-2［15］、OCO-3［58-59］、TanSat SIF［49］等产品则幅宽窄、轨道间隔大、仅适用于大空间范围的粗略应用研究，小区域尺度的SIF精细应用受到极大限制。虽然最新获取的TROPOMI SIF产品具有空间分辨率较高、重访周期短、覆盖连续等优势，但其时序较短［17，60-61］，难以满足农业遥感监测等应用中对长时序、高时空分辨率、空间连续等的需求。需要采用改进反演算法或降尺度等手段提高卫星SIF数据空间和时间分辨率，以增强卫星SIF在区域尺度上的监测能力。2016年Duveiller等构建了一种采用光利用效率概念的非线性模型，对每个粗SIF像素中包含的信息进行空间分解，基于全球2007—2013年逐月0.5°的GOME-2 SIF数据，进一步生成空间分辨率为0.05°的卫星SIF*产品［62］。通过与通量塔涡流协方差测量结果对比，进一步增强了荧光与GPP的空间相关性。2018年Zhang等采用训练神经网络、中分辨率成像光谱仪（MODIS）和轨道碳观测卫星2号SIF（OCO-2）的表面反射率，得到2个连续的高时空分辨率全球卫星SIF数据集（CSIF，0.05°，时间步长为4 d）［33］。2019年Li等基于离散的OCO-2 SIF、MODIS遥感数据和气象再分析数据，通过建立SIF预测模型，获取新的2000—2020年全球高时空分辨率SIF数据集（GOSIF，0.05°，8 d间隔）［63］。2022年Ma等使用随机森林方法获得一个0.05°的预测SIF数据集；再利用预测的SIF数据集作为加权系数，对0.5°GOME-2 SIF进行原始重分布，使分辨率达到0.05°，进而从2007年2月至2019年3月的GOME-2检索中生成连续的0.05° SIF数据集；最后通过比较DSIF与原来的0.5°GOME-2 SIF来验证该方法［64］。结果表明，DSIF能够准确捕获原始信号的空间和时间模式，且能很好地反映SIF的结构和生理信息，是评价全球植被光合作用的重要指标（表2）。

4 基于叶绿素荧光遥感的农业监测进展

4.1 基于荧光遥感的农作物胁迫监测

4.1.1 基于传统植被指数的农作物胁迫监测研究

遥感是全球或地区大面积长期和连续农业监测的重要手段。可见/近红外波长范围的冠层反射率是反映植被生长状况的有效信息，研究人员开发出基于冠层反射率的各种植被指数，被广泛应用于时空环境检测及作物监测。其中，NDVI在作物监测中应用最广泛，被称为最简单有效的植被指数［9］。对[CM（21]于大多数植被类型，NDVI一般在劣势胁迫影响下呈下降趋势，被广泛应用于全球或区域范围的作物胁迫研究［67］。NDVI也可以有效地监测温度和水分等环境变化，估算作物的净初级产量，探测天气影响和其他对农业、生态和经济有重要影响的事件［9］。尽管NDVI应用广泛，但存在雨季数据误差大、植被密度饱和滞后效应等缺陷。如在叶面积指数为2～6之间可以达到饱和；NDVI对降水的响应一般滞后10 d到2个月，对环境胁迫的响应显著滞后［68］。此外，NDVI是保守的植被条件指标，作物在初始缺水后仍然保持良好的状态［9，34］。当农作物发生水分、温度、氮等胁迫时，光合速率下降，进而导致作物冠层结构发生变化，叶绿素含量下降，NDVI才会降低［69］。因此，NDVI只能反映作物生物量或绿度变化的后期响应，而不能捕捉环境胁迫导致的光合作用的变化［11］，从而限制NDVI在早期环境胁迫探测中的适用性。

EVI是另一种传统植被指数，基于红外和近红外光谱波段的叶边光谱特征，由可见光-近红外遥感数据衍生而来，表征植被冠层的信息，也常常被用于植被监测［8，34］。EVI基于NDVI算法基础上改进，受背景、大气作用及饱和问题等影响较小［4］。NDVI主要对叶绿素含量变化敏感，可较好地反映植被绿度的变化，而EVI对植被冠层结构变化更敏感。NDVI与EVI互为补充，可以进一步改进对冠层生物物理参数的提取和作物变化的监测。利用传统植被指数估算潜在的光合作用，可以有效了解作物生长对环境胁迫的响应。然而，基于反射率的传统植被指数只与潜在光合作用有关，而与实际过程无关。特别是在环境胁迫的初早期，作物冠层结构尚未发生明显变化时，EVI也不能及时反映环境胁迫对作物光合作用的影响［8］。

4.1.2 卫星叶绿素荧光对农作物胁迫的响应机理与敏感性

近年来，卫星SIF已成为监测全球或区域作物生长状况及环境胁迫的新技术手段［10，57，70-71］。作物光合作用是一个变化频繁的过程，随着环境因子的变化，作物生理/生化反应效率经常会变化或叶片内部的色素含量会不断调整，反射率数据无法监测到上述变化过程。SIF发射于光合作用系统本身，当作物处于亚健康状态，而叶绿素含量或叶面积指数还没有发生有效变化时，SIF可以为作物早期胁迫监测提供一个更加精确可靠的手段［8-9，34］。

在环境胁迫第一阶段，作物通过气孔关闭来减少水分损失和二氧化碳交换，光合作用立即受到抑制，卫星SIF信号的减弱，可以作为作物胁迫的一个指标［33］。在第二阶段，随着环境胁迫的延长或加剧，作物会循环利用叶片中的氮，叶片的绿色度（即叶绿素含量）随即降低，这时可以利用基于植被指数进行作物胁迫监测。在第三阶段，叶片衰老和作物死亡可能随之而来。SIF可以探测到所有胁迫阶段的变化，而传统基于反射率的指数只能用于第二和第三阶段的作物胁迫监测。

当前应用SIF遥感监测作物环境胁迫的类型主要包括水分胁迫、温度胁迫、水分+温度胁迫、盐胁迫和氮胁迫等非生物胁迫和病虫害等生物胁迫。监测的作物类型包括水稻、小麦、大豆等C3作物和玉米、高粱、甘蔗等C4作物［8-9，34］。2018年Liu等探讨小麦SIF与NDVI对干旱胁迫响应的差异，并揭示小麦生长季SIF和NDVI与表层土壤水分的关系［9］。2018年Song等利用传统植被指数与卫星SIF探讨热胁迫对印度西北部冬小麦的影响［8］。2019年Chen等采用SIF遥感对华北平原夏玉米生育期干旱胁迫进行监测［34］。竞霞等认为，在反射率光谱数据基础上加入SIF，能够增强小麦条锈病的探测精度［72］。上述研究均发现SIF比传统基于反射率的植被指数对作物胁迫的响应变化幅度更大和/或响应更加敏感［73-75］。

4.1.3 基于卫星SIF的农作物环境胁迫监测机理

卫星SIF检测到的荧光来自植被冠层发出的荧光信号，信号强度主要由叶绿素吸收瞬时辐射、光合系统发射荧光信号以及发射的荧光信号的散射和重吸收3个过程决定［76-78］。SIF发射伴随着光化学反应和热耗散，是光系统消耗光的3种途径之一［79-80］。在有利条件下，大量吸收的光合活性辐射沿光化学途径流动［81-82］。然而，环境胁迫会通过光化学反应影响植被吸收光合有效辐射，从而改变沿3种途径流动的吸收能量的比例（APAR）［83］。即光合系統对荧光信号的发射取决于作物的生理机制，该机制对叶绿素吸收的光合有效辐射进行调节，吸收的辐射将会经历热耗散、光化学反应、叶绿素荧光等3个过程［84-85］。所以，叶绿素荧光与光合作用和环境胁迫密切相关［50，55］，卫星观测的SIF信号既包含作物冠层的结构信息，也包含作物生理生化信息。

对SIF中生理信息和生化结构信息进行拆分，是否可以进一步提高SIF对作物胁迫响应的敏感性？针对这个问题，Song等提出采用PAR或APAR对SIF进行归一化，考虑不同作物生化和结构信息引起辐射吸收的差异，将SIF信号中的非生理信息进行分离后得到表征植被生理变化的参数（叶绿素荧光产额SIFyield），进而增强SIF与GPP的线性关系［8，11，86］。按PAR归一化后的SIF数据集（SIFPAR）包含植被结构的综合信息（如叶绿素含量、叶面积指数等）和SIFyield［11，86］。SIFyield可以量化单位吸收PAR中用于荧光发射的能量比例，即SIF的光效。其根据SIF除以APAR可以得到

4.2 基于SIF遥感的农作物生产力与产量评估

全球范围内可靠的粮食产量估算可以为气候变化背景下的作物监测提供科学支撑，因此作物监测对确保国家粮食安全至关重要。作物产量的准确估算依赖于充分量化作物光合作用，SIF与作物光合作用密切相关，当前卫星SIF数据在区域或全球尺度上评估作物生产力与预测作物产量的能力成为学者们重点关注的科学问题之一。

作物产量依赖于光合作用，将光能转化为有机物中化学能的能量，可靠的GPP指标是实现作物估产的关键。卫星观测可估算区域或全球尺度的GPP，多数基于卫星观测的GPP估算方法采用与绿度或热或微波波段相关的可见和近红外区域的光谱信息，该波段范围的信息对植被/土壤水分含量敏感［88］。预测GPP很大程度上依赖于光利用效率（LUE）的经验估计，具有较高的不确定性。卫星SIF为GPP提供基于生理学的代理，消除对LUE参数化的潜在影响。Guanter等认为，不同环境条件下不同植被类型的SIF与GPP之间存在极强线性关系，可以揭示在不同空间尺度上SIF对GPP的监测潜力［10，13，89］。将SIF与作物生产力联系起来的基本原理可以用以下公式表示［79，90］。

式中：NPP表示净初级生产量，将GPP减去植物通过自养呼吸（Ra）消耗的碳量，Ra则包括维持呼吸及生长呼吸。在作物生长期，可以假设生长呼吸在Ra项中占主导地位，理论上它应该与GPP成比例。CUE表示碳利用效率，因物种和环境条件而异。P表示作物的生产力；fAG表示地上部生物量占总生物量的比例；HI表示收获指数，即收获作物的质量除以地上总生物量。fAG和HI都与作物类型和环境条件有关，但通常被视为单个作物的常数。上述方程可以揭示SIF、NPP、GPP和作物生产力之间的潜在关系，即使GPP和SIF完全相关，CUE、fAG和HI的变化仍然会影响SIF与作物生产力的关系。

近年来，已有学者探讨卫星SIF在估计作物生产力方面的潜力，深化其对作物产量和农田碳通量的认识，为全球作物产量估算提供准确、大规模、及时的估算方法。如2017年Liu等对C3（如冬小麦）和C4（如夏玉米）作物采用SIF进行估算GPP的日变化，在C3和C4作物中，SIF760成功捕捉到植物光合的日动态过程，并发现其与GPP表现出较强的线性相关，进而证实遥感SIF信号作为GPP直接代理的巨大应用潜力［87］。2019年Chen等基于SIF评价我国华北平原夏玉米生育期干旱胁迫期的GPP损失，发现SIF估算的GPP损失与作物产量损失一致性较好，说明SIF可以直接用于估算干旱造成的产量损失［34］。2021年Yang等探究玉米叶片、冠层SIF和光合作用关系的物理和生理基础，并揭示SIF与GPP之间的确切机制联系［91］。2022年Shen等采用降尺度的卫星SIF监测冬小麦干旱胁迫对GPP的影响，发现SIF能够准确捕捉干旱胁迫下冬小麦GPP的时空动态变化，量化干旱胁迫下冬小麦GPP损失，对生育期GPP的变化具有较高的敏感性［92］。

鉴于卫星SIF与GPP极强的线性相关性，学者进一步采用SIF实现不同作物的产量估算。2017年Guan等将SIF与作物产量联系起来，估算美国2007—2012年的作物生产率，并总结光学、荧光、热和微波卫星数据的共同价值和独特价值，将多个卫星数据整合到1个框架中，估算美国玉米带的作物产量［88］。2019年Wei等探讨SIF与秋季作物产量在月度和季节性时间尺度上的关系，比较OCO-2 SIF和MODIS植被指数在秋季作物产量估算中的差异，发现SIF是一种可行的作物产量预测数据来源，其产量预测精度高于传统植被指数［93］。2020年He等探究卫星SIF在多大程度上可以估算美国各地的作物产量［90］。2020年Gao等评估OCO-2 SIF对玉米和大豆产量的监测能力，采用深度神经网络方法构建以OCO-2 SIF、MODIS EVI、气候及其不同组合为输入变量的产量预测模型［94］。2020年Zhang等整合光学、荧光、热卫星和环境数据的特点和优势，预测我国4个农业生态区的县级玉米产量，发现植物光合作用的替代因子SIF在预测玉米产量方面优于EVI［95］。2021年Cao等使用机器学习和深度学习方法，采用SIF数据实现中国水稻产量预测［96］。2022年王来刚等融合EVI和SIF，构建冬小麦产量预测模型［97］。

5 展望

在农业遥感监测领域，近20年来利用基于绿度的植被指数从宏观尺度上理解作物生长与生产，但传统植被指数仅能反映作物“潜在光合作用”。然而，SIF与作物光合作用有直接的独特联系，其有望成为遥感监测作物胁迫状态及生产力的全新手段。近年来，SIF遥感技术的发展极大地推动了SIF反演方法与农业监测应用的迅速发展。本研究重点讨论与分析近年来卫星SIF遥感的发展趋势，主要介绍叶绿素荧光来源、卫星遥感探测原理、影响因素、反演算法、传感器和SIF产品等现状，进一步总结目前卫星SIF遥感在农业胁迫监测与产量评估方面应用的最新进展。由于当前用于SIF反演的卫星传感器均不是专门进行荧光探测，卫星SIF产品具有空间不连续、时空分辨率较低等问题，在其反演方法、作物胁迫监测、SIF与GPP机理联系、同化SIF数据等方面仍存在较多待解决的问题。综合目前的研究进展及存在的科学问题，SIF在遥感反演及农业监测应用方面有以下几点展望。

5.1 卫星SIF的反演趋势

随着卫星SIF的快速发展，特别是卫星传感器时空分辨率的进一步提高，如即将发射的FLEX传感器将会为卫星SIF的反演和应用提供更可靠的数据支持，因为其空间分辨率可达到0.3 km×0.3 km。基于卫星数据进行SIF反演与验证［29］，仍是未来的研究热点与难点。对于空间分辨率较粗的传感器而言，反演结果验证一直是一个巨大的挑战，目前主要基于涡度通量站点数据进行站点尺度的验证，无法进行区域范围的验证。新一代高分辨率传感器、手持设备、固定和移动现场系统、无人机和其他机载传感器以及卫星系统的发展，使得在不同时空尺度上探测SIF成为可能，该问题有望得到解决［17］。此外，未来几年将会新增多个具备SIF反演的卫星传感器，而不同传感器性能及反演算法的差异导致卫星SIF产品不同。如何定量化不同卫星SIF產品的关系，实现不同卫星SIF数据的同化，发挥SIF遥感监测能力仍是有待解决的科学问题。

5.2 作物對SIF遥感的响应机理研究

SIF遥感与传统基于反射率的植被指数相比，SIF与作物直接光合作用有关，对作物胁迫的监测能力更强，响应也更敏感。但有3个问题仍需深入探讨：第一，卫星SIF数据针对不同类型作物对不同环境胁迫响应的监测以及响应的敏感性。第二，不同程度胁迫影响下，SIF和作物产量之间的定量关系需要确定，特定作物不同生育期在不同环境胁迫程度的胁迫点及阈值需要明确。第三，需要加强研究卫星SIF从光合作用生理响应机理角度进一步提高对作物胁迫的监测预警能力。目前，已经有学者尝试对小麦、玉米等作物或不同生态系统采用SIF遥感进行水分、温度等胁迫监测［8，34］，但缺乏基于SIF遥感的特定作物对特定胁迫的响应机理模型。

5.3 基于SIF的环境胁迫指数

目前较多学者提出了不同的胁迫指数，以定量表征胁迫程度［98-99］。计算得到的应力指数比原始变量包含更多的信息，更适合区域尺度的胁迫监测。在过去的几十年里，胁迫指数的发展已经从基于单变量的简单方法发展到基于多种变量复杂全面的模型［99］。然而，现有集成多因素农业胁迫指数中的植被状态信息多采用基于反射率的传统植被指数（如NDVI和EVI）等，基于反射率的植被指数对胁迫的响应具有明显的滞后性，导致现有农业胁迫指数无法及时准确地监测作物胁迫状况，特别是胁迫的初早期，难以实现大范围作物胁迫及时有效的监测。SIF对植被早期胁迫敏感且响应及时，有必要尝试构建基于SIF的胁迫指数，以期提高大面积作物胁迫及时监测的能力。

5.4 集成多源遥感的胁迫监测预警和产量预测

目前已成功反演海量的光学、微波、热红外等卫星遥感数据，然而不同卫星数据包括不同的光谱范围，可能包含有关作物生长和产量的补充信息，各自反映植被生长的不同侧面，如荧光反映光合作用状况、热红外遥感反演植被地表温度、微波遥感可反映生物量及植被水分，但目前仍没有进行深入研究和充分利用。

作物胁迫是一个非常复杂的过程，不同作物对不同类型胁迫的胁迫点各不相同，同一类型作物在不同生育期胁迫点亦不相同。需要综合利用不同遥感观测手段，最大程度发挥各自的优势，可通过集成热红外遥感（MODIS地表温度，ALEXI蒸发产品）、微波遥感（植被光学厚度指数、土壤湿度）、SIF遥感等多种手段分别反演表征植被冠层温度、冠层结构、土壤水分和光合作用等信息，研究不同作物对环境胁迫早期、中期、晚期的响应，建立区分这些不同遥感手段在植被生长状况监测上的共性信息和特性信息的方法，发展区域作物不同类型胁迫的遥感监测预警模型，为大面积作物或生态系统气象灾害监测提供新的理论与方法。

利用不同光谱波段的卫星数据可以显著提高区域作物产量预测精度和作物生长监测水平。此外，使用辅助降水和温度等气候数据可进一步提高模型精度或监测能力。融合多源时空数据构建的作物产量预测模型，以量化不同数据源对估算作物产量的共同贡献和独特贡献。用于监测作物产量的各种卫星和气候数据的共同/独特信息尚不明晰，需要进一步整合不同的卫星数据，以提高不同作物生产力的估算能力，这也是当前亟需解决的科学问题。

参考文献：

［1］Vogel E，Donat M G，Alexander L V，et al. The effects of climate extremes on global agricultural yields［J］. Environmental Research Letters，2019，14（5）：1-12

［2］Zhang L，Xiao J F，Li J，et al. The 2010 spring drought reduced primary productivity in southwestern China［J］. Environmental Research Letters，2012，7（4）：1-10.

［3］Liu W T，Kogan F N. Monitoring regional drought using the Vegetation Condition Index［J］. International Journal of Remote Sensing，1996，17（14）：2761-2782.

［4］Huete A，Didan K，Miura T，et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］. Remote Sensing of Environment，2002，83（1/2）：195-213.

［5］Ji L，Peters A J.Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices［J］. Remote Sensing of Environment，2003，87（1）：85-98.

［6］Xu L，Samanta A，Costa M H，et al. Widespread decline in greenness of Amazonian vegetation due to the 2010 drought［J］. Geophysical Research Letters，2011，38（7）：L07402.

［7］Tan Z Q，Tao H，Jiang J H，et al. Influences of climate extremes on NDVI （normalized difference vegetation index） in the Poyang Lake basin，China［J］. Wetlands，2015，35（6）：1033-1042.

［8］Song L，Guanter L，Guan K Y，et al. Satellite sun-induced chlorophyll fluorescence detects early response of winter wheat to heat stress in the Indian Indo-Gangetic Plains［J］. Global Change Biology，2018，24（9）：4023-4037.

［9］Liu L Z，Yang X，Zhou H K，et al. Evaluating the utility of solar-induced chlorophyll fluorescence for drought monitoring by comparison with NDVI derived from wheat canopy［J］. Science of the Total Environment，2018，625：1208-1217.

［10］Guanter L，Zhang Y G，Jung M，et al. Global and time-resolved monitoring of crop photosynthesis with chlorophyll fluorescence［J］. Proceedings of the National Academy of Sciences of the United States of America，2014，111（14）：E1327-E1333.

［11］Sun Y，Fu R，Dickinson R，et al. Drought onset mechanisms revealed by satellite solar-induced chlorophyll fluorescence：Insights from two contrasting extreme events［J］. Journal of Geophysical Research（Biogeosciences），2015，120（11）：2427-2440.

［12］章釗颖，王松寒，邱 博，等. 日光诱导叶绿素荧光遥感反演及碳循环应用进展［J］. 遥感学报，2019，23（1）：37-52.

［13］张立福，王思恒，黄长平. 太阳诱导叶绿素荧光的卫星遥感反演方法［J］. 遥感学报，2018，22（1）：1-12.

［14］Joiner J，Yoshida Y，Vasilkov A P，et al. First observations of global and seasonal terrestrial chlorophyll fluorescence from space［J］. Biogeosciences，2011，8（3）：637-651.

［15］Frankenberg C，ODell C，Berry J，et al. Prospects for chlorophyll fluorescence remote sensing from the orbiting carbon observatory-2［J］. Remote Sensing of Environment，2014，147：1-12.

［16］Joiner J，Yoshida Y，Vasilkov A P，et al. Filling-in of near-infrared solar lines by terrestrial fluorescence and other geophysical effects：simulations and space-based observations from SCIAMACHY and GOSAT［J］. Atmospheric Measurement Techniques，2012，5（4）：809-829.

［17］Guanter L，Aben I，Tol P，et al. Potential of the TROPOspheric Monitoring Instrument （TROPOMI） on board the Sentinel-5 Precursor for the monitoring of terrestrial chlorophyll fluorescence［J］. Atmospheric Measurement Techniques，2015，8（3）：1337-1352.

［18］Khler P，Guanter L，Joiner J. A linear method for the retrieval of sun-induced chlorophyll fluorescence from GOME-2 and SCIAMACHY data［J］. Atmospheric Measurement Techniques，2015，8（6）：2589-2608.

［19］Brewster D. On the colours of natural bodies［J］. Earth and Environmental Science Transactions of The Royal Society of Edinburgh，1834，12（2）：538-545.

［20］Meroni M，Rossini M，Guanter L，et al. Remote sensing of solar-induced chlorophyll fluorescence：review of methods and applications［J］. Remote Sensing of Environment，2009，113（10）：2037-2051.

［21］Mohammed G H，Colombo R，Middleton E M，et al. Remote sensing of solar-induced chlorophyll fluorescence （SIF） in vegetation：50 years of progress［J］. Remote Sensing of Environment，2019，231：111177.

［22］Krause G H，Weis E. Chlorophyll fluorescence and photosynthesis：the basics［J］. Annual Review of Plant Physiology and Plant Molecular Biology，1991，42：313-349.

［23］Papageorgiou G. 6-Chlorophyll fluorescence：an intrinsic probe of photosynthesis［M］//Govindjee. Bioenergetics of photosynthesis. New York：Academic Press，1975：319-371.

［24］Papageorgiou G C. Photosystem Ⅱ fluorescence：slow changes—scaling from the past［J］. Journal of Photochemistry and Photobiology （B：Biology），2011，104（1/2）：258-270.

［25］劉雷震，武建军，周洪奎，等. 叶绿素荧光及其在水分胁迫监测中的研究进展［J］. 光谱学与光谱分析，2017，37（9）：2780-2787.

［26］Frankenberg C，Khler P，Magney T S，et al. The chlorophyll fluorescence imaging spectrometer （CFIS），mapping far red fluorescence from aircraft［J］. Remote Sensing of Environment，2018，217：523-536.

［27］Pfündel E. Estimating the contribution of photosystem Ⅰ to total leaf chlorophyll fluorescence［J］. Photosynthesis Research，1998，56（2）：185-195.

［28］Schlau-Cohen G S，Berry J. Photosynthetic fluorescence，from molecule to planet［J］. Physics Today，2015，68（9）：66-67.

［29］Sun Y，Frankenberg C，Wood J D，et al. OCO-2 advances photosynthesis observation from space via solar-induced chlorophyll fluorescence［J］. Science，2017，358（6360）：eaam5747.

［30］Cogliati S，Rossini M，Julitta T，et al. Continuous and long-term measurements of reflectance and sun-induced chlorophyll fluorescence by using novel automated field spectroscopy systems［J］. Remote Sensing of Environment，2015，164：270-281.

［31］Damm A，Guanter L，Laurent V C E，et al. FLD-based retrieval of sun-induced chlorophyll fluorescence from medium spectral resolution airborne spectroscopy data［J］. Remote Sensing of Environment，2014，147：256-266.

［32］彭金龙，李 萌，褚荣浩，等. 日光诱导叶绿素荧光反演及其在植被环境胁迫监测中的研究进展［J］. 江苏农业科学，2021，49（24）：29-40.

［33］Zhang Y，Joiner J，Alemohammad S H，et al. A global spatially contiguous solar-induced fluorescence （CSIF） dataset using neural networks［J］. Biogeosciences，2018，15（19）：5779-5800.

［34］Chen X J，Mo X G，Zhang Y C，et al. Drought detection and assessment with solar-induced chlorophyll fluorescence in summer maize growth period over North China Plain［J］. Ecological Indicators，2019，104：347-356.

［35］Adams W W，Demmig-Adams B. Carotenoid composition and down regulation of photosystem Ⅱ in three conifer species during the winter［J］. Physiologia Plantarum，1994，92（3）：451-458.

［36］Meroni M，Colombo R. Leaf level detection of solar induced chlorophyll fluorescence by means of a subnanometer resolution spectroradiometer［J］. Remote Sensing of Environment，2006，103：438-448.

［37］纪梦豪，唐伯惠，李召良. 太阳诱导叶绿素荧光的卫星遥感反演方法研究进展［J］. 遥感技术与应用，2019，34（3）：455-466.

［38］张永江，刘良云，侯名语，等. 植物叶绿素荧光遥感研究进展［J］. 遥感学报，2009，13（5）：963-978.

［39］王雅楠，韦 瑾，汤旭光，等. 应用叶绿素荧光估算植被总初级生产力研究进展［J］. 遥感技术与应用，2020，35（5）：975-989.

［40］Drusch M，Moreno J，del Bello U，et al. The fluorescence explorer mission concept-ESAs earth explorer 8［J］. IEEE Transactions on Geoscience and Remote Sensing，2017，55（3）：1273-1284.

［41］Damm A，Guanter L，Paul-Limoges E，et al. Far-red sun-induced chlorophyll fluorescence shows ecosystem-specific relationships to gross primary production：an assessment based on observational and modeling approaches［J］. Remote Sensing of Environment，2015，166：91-105.

［42］Guanter L，Alonso L，Gómez-Chova L，et al. Developments for vegetation fluorescence retrieval from spaceborne high-resolution spectrometry in the O2-A and O2-B absorption bands［J］. Journal of Geophysical Research，2010，115（D19）：D19303.

［43］Guanter L，Alonso L，Gómez-Chova L，et al. Estimation of solar-induced vegetation fluorescence from space measurements［J］. Geophysical Research Letters，2007，34（8）：L08401.

［44］劉新杰，刘良云. 叶绿素荧光的GOSAT卫星遥感反演［J］. 遥感学报，2013，17（6）：1518-1532.

［45］Guanter L，Frankenberg C，Dudhia A，et al. Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements［J］. Remote Sensing of Environment，2012，121：236-251.

［46］Joiner J，Yoshida Y，Guanter L，et al. New methods for the retrieval of chlorophyll red fluorescence from hyperspectral satellite instruments：simulations and application to GOME-2 and SCIAMACHY［J］. Atmospheric Measurement Techniques，2016，9（8）：3939-3967.

［47］Joiner J，Guanter L，Lindstrot R，et al. Global monitoring of terrestrial chlorophyll fluorescence from moderate-spectral-resolution near-infrared satellite measurements：methodology，simulations，and application to GOME-2［J］. Atmospheric Measurement Techniques，2013，6（10）：2803-2823.

［48］Sanders A，Verstraeten W，Kooreman M，et al. Spaceborne sun-induced vegetation fluorescence time series from 2007 to 2015 evaluated with Australian flux tower measurements［J］. Remote Sensing，2016，8（11）：895.

［49］Du S S，Liu L Y，Liu X J，et al. Retrieval of global terrestrial solar-induced chlorophyll fluorescence from TanSat satellite［J］. Science Bulletin，2018，63（22）：1502-1512.

［50］Verma M，Schimel D，Evans B，et al. Effect of environmental conditions on the relationship between solar-induced fluorescence and gross primary productivity at an OzFlux grassland site［J］. Journal of Geophysical Research（Biogeosciences），2017，122（3）：716-733.

［51］Smith W K，Biederman J A，Scott R L，et al. Chlorophyll fluorescence better captures seasonal and interannual gross primary productivity dynamics across dryland ecosystems of southwestern North America［J］. Geophysical Research Letters，2018，45（2）：748-757.

［52］Li X，Xiao J F，He B B，et al. Solar-induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes：first global analysis based on OCO-2 and flux tower observations［J］. Global Change Biology，2018，24（9）：3990-4008.

［53］Khler P，Guanter L，Kobayashi H，et al. Assessing the potential of sun-induced fluorescence and the canopy scattering coefficient to track large-scale vegetation dynamics in Amazon forests［J］. Remote Sensing of Environment，2018，204：769-785.

［54］Zhang Y G，Guanter L，Berry J A，et al. Estimation of vegetation photosynthetic capacity from space-based measurements of chlorophyll fluorescence for terrestrial biosphere models［J］. Global Change Biology，2014，20（12）：3727-3742.

［55］Zhang Y G，Guanter L，Joiner J，et al. Spatially-explicit monitoring of crop photosynthetic capacity through the use of space-based chlorophyll fluorescence data［J］. Remote Sensing of Environment，2018，210：362-374.

［56］Zhang Y G，Guanter L，Berry J A，et al. Can we retrieve vegetation photosynthetic capacity paramter from solar-induced fluorescence？［C］//2016 IEEE International Geoscience and Remote Sensing Symposium.Beijing，2016：1711-1713.

［57］Zhang Y G，Guanter L，Berry J A，et al. Model-based analysis of the relationship between sun-induced chlorophyll fluorescence and gross primary production for remote sensing applications［J］. Remote Sensing of Environment，2016，187：145-155.

［58］Xiao J F，Fisher J B，Hashimoto H，et al. Emerging satellite observations for diurnal cycling of ecosystem processes［J］. Nature Plants，2021，7（7）：877-887.

［59］Eldering A，Taylor T E，ODell C W，et al. The OCO-3 mission：measurement objectives and expected performance based on 1 year of simulated data［J］. Atmospheric Measurement Techniques，2019，12（4）：2341-2370.

［60］Khler P，Behrenfeld M J，Landgraf J，et al. Global retrievals of solar-induced chlorophyll fluorescence at red wavelengths with TROPOMI［J/OL］. Geophysical Research Letters，2020，47（15）.（2020-07-31）［2022-05-10］. https：//agupubs.onlinelibrary.wiley.com/doi/epdf/10.1029/2020GL087541.

［61］Khler P，Frankenberg C，Magney T S，et al. Global retrievals of solar-induced chlorophyll fluorescence with TROPOMI：first results and intersensor comparison to OCO-2［J］. Geophysical Research Letters，2018，45（19）：10456-10463.

［62］Duveiller G，Cescatti A. Spatially downscaling sun-induced chlorophyll fluorescence leads to an improved temporal correlation with gross primary productivity［J］. Remote Sensing of Environment，2016，182：72-89.

［63］Li X，Xiao J F. A global，0.05-degree product of solar-induced chlorophyll fluorescence derived from OCO-2，MODIS，and reanalysis data［J］. Remote Sensing，2019，11（5）：517.

［64］Ma Y，Liu L Y，Liu X J，et al. An improved downscaled sun-induced chlorophyll fluorescence （DSIF） product of GOME-2 dataset［J］. European Journal of Remote Sensing，2022，55：168-180.

［65］Gentine P，Alemohammad S H. Reconstructed solar-induced fluorescence：a machine learning vegetation product based on MODIS surface reflectance to reproduce GOME-2 solar-induced fluorescence［J］. Geophysical Research Letters，2018，45（7）：3136-3146.

［66］Yu L，Wen J，Chang C Y，et al. High-resolution global contiguous SIF of OCO-2［J］. Geophysical Research Letters，2019，46（3）：1449-1458.

［67］郭 鈮. 植被指数及其研究进展［J］. 干旱气象，2003（4）：71-75.

［68］Di L P，Rundquist D C，Han L H. Modelling relationships between NDVI and precipitation during vegetative growth cycles［J］. International Journal of Remote Sensing，1994，15（10）：2121-2136.

［69］冯建灿，胡秀丽，苏金乐，等. 保水剂对干旱胁迫下刺槐叶绿素a荧光动力学参数的影响［J］. 西北植物学报，2002，22（5）：1144-1149.

［70］Lee J E，Frankenberg C，van der Tol C，et al. Forest productivity and water stress in Amazonia：observations from GOSAT chlorophyll fluorescence［J］. Proceedings of the Royal Society （B：Biological Sciences），2013，280（1761）：171.

［71］Sun Y，Frankenberg C，Jung M，et al. Overview of solar-induced chlorophyll fluorescence （SIF） from the orbiting carbon observatory-2：retrieval，cross-mission comparison，and global monitoring for GPP［J］. Remote Sensing of Environment，2018，209：808-823.

［72］竞 霞，白宗璠，张 腾，等. 3FLD和反射率荧光指数估测小麦条锈病病情严重度的对比分析［J］. 中国农机化学报，2019，40（11）：136-142.

［73］陈思媛，竞 霞，董莹莹，等. 基于日光诱导叶绿素荧光与反射率光谱的小麦条锈病探测研究［J］. 遥感技术与应用，2019，34（3）：511-520.

［74］赵 叶，竞 霞，黄文江，等. 日光诱导叶绿素荧光与反射率光谱数据监测小麦条锈病严重度的对比分析［J］. 光谱学与光谱分析，2019，39（9）：2739-2745.

［75］Jing X，Zou Q，Bai Z F，et al. Research progress of crop diseases monitoring based on reflectance and chlorophyll fluorescence data［J］. Acta Agronomica Sinica，2021，47（11）：2067-2079.

［76］Zhang Y，Xiao X M，Wolf S，et al. Spatio-temporal convergence of maximum daily light-use efficiency based on radiation absorption by canopy chlorophyll［J］. Geophysical Research Letters，2018，45（8）：3508-3519.

［77］Yang P Q，van der Tol C. Linking canopy scattering of far-red sun-induced chlorophyll fluorescence with reflectance［J］. Remote Sensing of Environment，2018，209：456-467.

［78］van der Tol C，Berry J A，Campbell P K E，et al. Models of fluorescence and photosynthesis for interpreting measurements of solar-induced chlorophyll fluorescence［J］. Journal of Geophysical Research（Biogeosciences），2014，119（12）：2312-2327.

［79］Guan K Y，Berry J A，Zhang Y G，et al. Improving the monitoring of crop productivity using spaceborne solar-induced fluorescence［J］. Global Change Biology，2016，22（2）：716-726.

［80］Genty B，Briantais J M，Baker N R.The relationship between the quantum yield of photosynthetic electron transport and quenching of chlorophyll fluorescence［J］. Biochimica et Biophysica Acta （General Subjects），1989，990（1）：87-92.

［81］He M H，Shishov V，Kaparova N，et al. Process-based modeling of tree-ring formation and its relationships with climate on the Tibetan Plateau［J］. Dendrochronologia，2017，42：31-41.

［82］Porcar-Castell A，Tyystjrvi E，Atherton J，et al. Linking chlorophyll a fluorescence to photosynthesis for remote sensing applications：mechanisms and challenges［J］. Journal of Experimental Botany，2014，65（15）：4065-4095.

［83］Mathobo R，Marais D，Steyn J M. The effect of drought stress on yield，leaf gaseous exchange and chlorophyll fluorescence of dry beans （Phaseolus vulgaris L.）［J］. Agricultural Water Management，2017，180：118-125.

［84］Maxwell K，Johnson G N. Chlorophyll fluorescence-a practical guide［J］. Journal of Experimental Botany，2000，51（345）：659-668.

［85］Baker N R. Chlorophyll fluorescence：a probe of photosynthesis in vivo［J］. Annual Review of Plant Biology，2008，59：89-113.

［86］Yoshida Y，Joiner J，Tucker C，et al. The 2010 Russian drought impact on satellite measurements of solar-induced chlorophyll fluorescence：insights from modeling and comparisons with parameters derived from satellite reflectances［J］. Remote Sensing of Environment，2015，166：163-177.

［87］Liu L Y，Guan L L，Liu X J. Directly estimating diurnal changes in GPP for C3 and C4 crops using far-red sun-induced chlorophyll fluorescence［J］. Agricultural and Forest Meteorology，2017，232：1-9.

［88］Guan K Y，Wu J，Kimball J S，et al. The shared and unique values of optical，fluorescence，thermal and microwave satellite data for estimating large-scale crop yields［J］. Remote Sensing of Environment，2017，199：333-349.

［89］Joiner J，Yoshida Y，Zhang Y，et al. Estimation of terrestrial global gross primary production （GPP） with satellite data-driven models and eddy covariance flux data［J］. Remote Sensing，2018，10（9）：1346.

［90］He L Y，Magney T，Dutta D，et al. From the ground to space：using solar-induced chlorophyll fluorescence to estimate crop productivity［J/OL］. Geophysical Research Letters，2020，47（7）.（2020-05-20）［2022-05-10］. https：//agupubs.onlinelibrary.wiley.com/doi/pdf/10.1029/2020GL087474.

［91］Yang P Q，van der Tol C，Campbell P K E，et al. Unraveling the physical and physiological basis for the solar-induced chlorophyll fluorescence and photosynthesis relationship using continuous leaf and canopy measurements of a corn crop［J］. Biogeosciences，2021，18（2）：441-465.

［92］Shen Q，Lin J Y，Yang J H，et al. Exploring the potential of spatially downscaled solar-induced chlorophyll fluorescence to monitor drought effects on gross primary production in winter wheat［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2022，15：2012-2022.

［93］Wei J，Tang X G，Gu Q，et al. Using solar-induced chlorophyll fluorescence observed by OCO-2 to predict autumn crop production in China［J］. Remote Sensing，2019，11（14）：1715.

［94］Gao Y，Wang S H，Guan K Y，et al. The ability of sun-induced chlorophyll fluorescence from OCO-2 and MODIS-EVI to monitor spatial variations of soybean and maize yields in the Midwestern USA［J］. Remote Sensing，2020，12（7）：1111.

［95］Zhang L L，Zhang Z，Luo Y C，et al. Combining optical，fluorescence，thermal satellite，and environmental data to predict County-level maize yield in China using machine learning approaches［J］. Remote Sensing，2019，12（1）：21.

［96］Cao J，Zhang Z，Tao F L，et al. Integrating multi-source data for rice yield prediction across China using machine learning and deep learning approaches［J］. Agricultural and Forest Meteorology，2021，297：108275.

［97］王來刚，郑国清，郭 燕，等. 融合多源时空数据的冬小麦产量预测模型研究［J］. 农业机械学报，2022，53（1）：198-204，458.

［98］Hao Z C，Singh V P.Drought characterization from a multivariate perspective：a review［J］. Journal of Hydrology，2015，527：668-678.

［99］Hao Z C，Hao F H，Singh V P，et al. An integrated package for drought monitoring，prediction and analysis to aid drought modeling and assessment［J］. Environmental Modelling & Software，2017，91：199-209.

收稿日期：2022-10-09

基金项目：国家自然科学基金（编号：42061071）；广西科技基地和人才专项（编号：桂科AD20297027）；广西自然科学基金（编号：2021GXNSFBA220061）；广西高校中青年教师科研基础能力提升项目（编号：2021KY0397）；统计学广西一流学科建设项目（编号：桂教科研〔2022〕1号）。

作者简介：杨 妮（1989—），女，广西桂平人，博士研究生，副教授，研究方向为GIS与遥感应用、空间信息技术应用与服务。E-mail：yangniyyy@163.com。

通信作者：邓树林，博士，助理研究员，研究方向为资源环境遥感。E-mail：dengshulin12531@163.com。