葉綠素?zé)晒膺b感反演及其農(nóng)業(yè)監(jiān)測(cè)應(yīng)用研究進(jìn)展

楊妮　鄧樹(shù)林　樊艷紅　謝國(guó)雪

摘要：近年快速發(fā)展起來(lái)的日光誘導(dǎo)葉綠素?zé)晒猓╯olar-induced chlorophyll fluorescence，SIF）可直接量化植被的實(shí)際光合作用，為實(shí)現(xiàn)大面積農(nóng)作物及時(shí)有效監(jiān)測(cè)提供新的手段，在農(nóng)業(yè)監(jiān)測(cè)領(lǐng)域中具有非常重要的應(yīng)用價(jià)值和廣闊的應(yīng)用前景。因此，本文分析近年來(lái)衛(wèi)星SIF遙感的發(fā)展趨勢(shì)，從理論上解釋遙感信息中提取SIF的難度，總結(jié)葉綠素?zé)晒膺h(yuǎn)程檢測(cè)原理及多重影響因素；對(duì)比分析基于輻射傳輸方程的算法、簡(jiǎn)化的物理模型算法和數(shù)據(jù)驅(qū)動(dòng)算法3種反演方法的優(yōu)缺點(diǎn)，系統(tǒng)梳理衛(wèi)星SIF產(chǎn)品及其反演方法；從響應(yīng)敏感性和監(jiān)測(cè)機(jī)理方面探討SIF遙感在監(jiān)測(cè)作物環(huán)境脅迫和生產(chǎn)力與產(chǎn)量評(píng)估應(yīng)用中的主要方法與最新技術(shù)。由于當(dāng)前用于SIF反演的衛(wèi)星傳感器均不是專(zhuān)門(mén)進(jìn)行熒光探測(cè)，SIF產(chǎn)品具有空間不連續(xù)、時(shí)空分辨率較低等缺點(diǎn)，在衛(wèi)星SIF數(shù)據(jù)反演方法、作物脅迫監(jiān)測(cè)、SIF與GPP機(jī)理聯(lián)系、SIF數(shù)據(jù)同化等方面仍有較多待解決的問(wèn)題。今后需繼續(xù)深入研究SIF遙感的作物環(huán)境脅迫響應(yīng)機(jī)理與生產(chǎn)力估算方法，進(jìn)一步集成熒光、熱紅外、微波等多源遙感，進(jìn)而大幅度提高農(nóng)業(yè)監(jiān)測(cè)能力，以保障國(guó)家農(nóng)業(yè)安全生產(chǎn)，為SIF遙感深入應(yīng)用提供一定的理論參考。

關(guān)鍵詞：日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）；農(nóng)業(yè)；環(huán)境脅迫；產(chǎn)量估算；遙感監(jiān)測(cè)

中圖分類(lèi)號(hào)：S127文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）14-0001-12

在全球氣候變化背景下，自然災(zāi)害頻發(fā)且強(qiáng)度增強(qiáng)，對(duì)農(nóng)業(yè)生態(tài)系統(tǒng)穩(wěn)定性及正常的農(nóng)業(yè)生產(chǎn)造成嚴(yán)重威脅［1］。如2009—2010年我國(guó)西南地區(qū)發(fā)生了破紀(jì)錄的重大連續(xù)性干旱災(zāi)害，造成作物的大幅度減產(chǎn)及嚴(yán)重的經(jīng)濟(jì)損失［2］。因此，迫切需要開(kāi)展及時(shí)有效的大面積農(nóng)業(yè)監(jiān)測(cè)，對(duì)國(guó)家糧食安全和氣候變化應(yīng)對(duì)具有非常重要的意義和指導(dǎo)作用。傳統(tǒng)的基于地面試驗(yàn)的農(nóng)業(yè)監(jiān)測(cè)研究可揭示環(huán)境條件變化等對(duì)作物產(chǎn)生的影響。然而，通常各類(lèi)環(huán)境條件對(duì)作物的影響范圍廣、持續(xù)時(shí)間長(zhǎng)。地面試驗(yàn)只能揭示觀測(cè)站點(diǎn)附近很小范圍的作物狀況，無(wú)法進(jìn)行大面積農(nóng)業(yè)系統(tǒng)的診斷與預(yù)警。衛(wèi)星遙感可獲取長(zhǎng)時(shí)間、大范圍、空間連續(xù)的較高空間分辨率的觀測(cè)數(shù)據(jù)，使大范圍、連續(xù)性的農(nóng)業(yè)系統(tǒng)監(jiān)測(cè)與預(yù)警成為可能。目前，歸一化植被指數(shù)（normalized vegetation index，NDVI）、增強(qiáng)型植被指數(shù)（enhanced vegetation index，EVI）等基于反射率（或“基于綠度”）的植被指數(shù)被廣泛用于農(nóng)業(yè)監(jiān)測(cè)［3-6］。環(huán)境變化初期作物光合作用即會(huì)出現(xiàn)異常，但是冠層結(jié)構(gòu)尚未發(fā)生變化，基于反射率的植被指數(shù)無(wú)法及時(shí)捕捉環(huán)境異常初早期作物生長(zhǎng)狀態(tài)異常信號(hào)，對(duì)作物監(jiān)測(cè)具有非常明顯的滯后性［7-9］。近幾年快速發(fā)展的日光誘導(dǎo)葉綠素?zé)晒猓╯olar-induced chlorophyll fluorescence，SIF）被稱(chēng)為植被光合作用的“無(wú)損探針”，為農(nóng)業(yè)及時(shí)監(jiān)測(cè)提供了一種新手段［8，10-11］。章釗穎等認(rèn)為，植被中的光系統(tǒng)Ⅰ和光系統(tǒng)Ⅱ激發(fā)產(chǎn)生SIF，SIF與光合作用和熱耗散是相互競(jìng)爭(zhēng)關(guān)系［12］。熒光作為光合作用的副產(chǎn)品，與基于“綠度”的植被指數(shù)相比，結(jié)果顯示，SIF與植被光合作用有機(jī)理的聯(lián)系，可直接反映植被光合作用的能力。張立福等認(rèn)為，SIF同植被受環(huán)境脅迫狀態(tài)及植被總初級(jí)生產(chǎn)力（gross primary productivity，GPP）密切相關(guān)［13］。SIF遙感是近年快速發(fā)展起來(lái)的新的遙感技術(shù)，自2011年美國(guó)國(guó)家航空航天局（NASA）采用GOSAT衛(wèi)星第1次成功實(shí)現(xiàn)全球尺度衛(wèi)星SIF數(shù)據(jù)的反演［14］。不少衛(wèi)星傳感器也被陸續(xù)獲取了全球衛(wèi)星SIF產(chǎn)品，包括SCIAMACHY、GOME-2、OCO-2和TROPOMI等［15-18］。之后，衛(wèi)星SIF反演及應(yīng)用研究發(fā)展極其迅速，SIF遙感成為近10年來(lái)植被遙感領(lǐng)域最具突破性的研究前沿，極大地促進(jìn)了大面積農(nóng)作物及時(shí)有效監(jiān)測(cè)與預(yù)警、產(chǎn)量評(píng)估等研究。然而，目前缺乏對(duì)SIF遙感在農(nóng)業(yè)監(jiān)測(cè)相關(guān)應(yīng)用研究的系統(tǒng)述評(píng)，尤其對(duì)基于SIF的作物監(jiān)測(cè)方法、產(chǎn)量預(yù)測(cè)等總結(jié)較少。查詢(xún)與統(tǒng)計(jì)2000年以來(lái)衛(wèi)星SIF在農(nóng)業(yè)監(jiān)測(cè)方面的文獻(xiàn)（圖1），發(fā)現(xiàn)近年來(lái)關(guān)于衛(wèi)星SIF在農(nóng)業(yè)監(jiān)測(cè)方面的應(yīng)用研究呈指數(shù)式增長(zhǎng)。因此，有必要對(duì)現(xiàn)階段（2011年以來(lái)）SIF遙感及農(nóng)業(yè)監(jiān)測(cè)應(yīng)用研究進(jìn)行梳理和總結(jié)，以期為及時(shí)有效地大面積農(nóng)業(yè)監(jiān)測(cè)提供一定的參考。

1 葉綠素?zé)晒鈦?lái)源概述

1834年Brewster等發(fā)現(xiàn)，當(dāng)一束陽(yáng)光照射在月桂葉的一種綠色乙醇提取物上時(shí)，會(huì)發(fā)出明亮的紅光［19-20］。同時(shí)，當(dāng)光通過(guò)提取物的連續(xù)“厚度”時(shí)，發(fā)射的顏色從紅色變?yōu)槌壬僮優(yōu)辄S色，這一轉(zhuǎn)變可能是葉綠素重新吸收的第1個(gè)證據(jù)［21］。在1931年Mohammed 等首次發(fā)現(xiàn)活體熒光誘導(dǎo)動(dòng)力學(xué)［21-22］。直到20世紀(jì)70年代中期，Papageorgiou才提出熒光誘導(dǎo)動(dòng)力學(xué)曲線：O（原點(diǎn)）→I（偏轉(zhuǎn)）→D（小坑）或PL（臺(tái)階）→P（高峰）→S（半穩(wěn)態(tài)）→M（次峰）→T（終點(diǎn)）。其中O→P為熒光快速上升階段，可用于研究植物PSⅡ的異質(zhì)性及其原初光化學(xué)反應(yīng)過(guò)程，P→T為熒光慢速淬滅階段［23］。該階段情況較復(fù)雜，不同葉片具有不同的生理狀態(tài)，有時(shí)可能沒(méi)有M峰，有時(shí)則有幾個(gè)M峰，通常情況下，葉片在環(huán)境脅迫下其M峰消失，葉片一般在生理狀態(tài)良好時(shí)會(huì)在P峰之后出現(xiàn)幾個(gè)峰［24］。即當(dāng)光合代謝相關(guān)的代謝庫(kù)受到環(huán)境脅迫因子的干擾，葉片熒光誘導(dǎo)動(dòng)力學(xué)曲線會(huì)因?yàn)榄h(huán)境脅迫而發(fā)生變化，熒光誘導(dǎo)特性可能會(huì)受到間接影響。當(dāng)光合作用的強(qiáng)度下降時(shí)，會(huì)導(dǎo)致熒光的發(fā)射增強(qiáng)，反之亦然。熒光量子產(chǎn)率變化為光合作用機(jī)理的研究提供了一種重要的監(jiān)測(cè)路徑。因此，經(jīng)常將熒光用于監(jiān)測(cè)水分、溫度、光等植物逆境生理脅迫相關(guān)研究。

葉綠素?zé)晒馐侨~綠素分子吸收光能以后，迅速重新釋放的紅光和近紅外波段的光［21］。當(dāng)太陽(yáng)光到達(dá)植被葉片表面時(shí)，往往會(huì)被反射、透射與吸收。其中，葉片對(duì)紅光和藍(lán)光具有較強(qiáng)的吸收作用。當(dāng)葉片吸收的能量超過(guò)植被光合作用所需能量時(shí)，將以熱和熒光等方式進(jìn)行釋放。熒光集中在多個(gè)波段，主要包括藍(lán)光、綠光、紅光和遠(yuǎn)紅光等波段［25］。藍(lán)綠波段的熒光由不含葉綠素的表皮和葉脈細(xì)胞壁的肉桂酸等釋放，紅光和遠(yuǎn)紅光波段的熒光與藍(lán)綠波段的熒光不同，其由葉肉細(xì)胞中葉綠體的葉綠素a所釋放。在單一物種中，由藍(lán)綠波段所釋放的熒光保持恒定的強(qiáng)度，而葉綠素?zé)晒馀c植被光合強(qiáng)度呈相反的關(guān)系。

2 衛(wèi)星葉綠素?zé)晒夥囱菰砗头椒?/p>

2.1 葉綠素?zé)晒膺h(yuǎn)程檢測(cè)原理

葉綠素?zé)晒猥@取方式有主動(dòng)和被動(dòng)2種。激發(fā)光源為太陽(yáng)光，被動(dòng)獲取的葉綠素?zé)晒夥Q(chēng)為日光誘導(dǎo)葉綠素?zé)晒猓⊿IF），自然條件對(duì)它的影響較大［21］。在地面試驗(yàn)中，細(xì)胞尺度、葉片尺度已經(jīng)對(duì)葉綠素?zé)晒庥泻芏喑墒斓难芯浚@些研究?jī)?nèi)容不僅可以在機(jī)理上深入了解植被光合作用的變化，還可以為研究植被光合速率是如何應(yīng)對(duì)環(huán)境脅迫構(gòu)建更精準(zhǔn)的模型。熒光作為一種光學(xué)信號(hào)，可以進(jìn)行遠(yuǎn)程檢測(cè)，通常依賴(lài)于SIF被動(dòng)測(cè)量。利用衛(wèi)星傳感器獲取的SIF的光譜范圍包含植被紅光波段和近紅外波段，一般為650～850 nm［12］，且有2個(gè)峰值：（1）O2-B波段附近690 nm的紅邊范圍；（2）O2-A波段附件740 nm的近紅外范圍［26］。前者由光系統(tǒng)Ⅱ產(chǎn)生，后者則由光系統(tǒng)Ⅰ和光系統(tǒng)Ⅱ共同產(chǎn)生［27］。在自然光照下熒光非常弱，一般僅占總反射能量的1%～2%，因此，精準(zhǔn)的熒光測(cè)量難度非常大［20］。太陽(yáng)光譜在連續(xù)光譜背景中有許多暗線，即夫瑯和費(fèi)暗線［21］，當(dāng)照射到植被后反射出來(lái)，再被太陽(yáng)光削弱的特定波長(zhǎng)，這些暗線被另外一種信號(hào)（即葉綠素?zé)晒猓┧畛洌摪l(fā)現(xiàn)為研究者從衛(wèi)星數(shù)據(jù)反演大尺度的熒光提供了可能［28］。作為一種光學(xué)信號(hào)，SIF可以通過(guò)高分辨率光譜傳感器和最先進(jìn)的算法進(jìn)行遠(yuǎn)程評(píng)估，以區(qū)分反射和散射環(huán)境光的發(fā)射。SIF在地面試驗(yàn)中的成功反演以及高光譜分辨率成像光譜儀技術(shù)的快速發(fā)展，使通過(guò)衛(wèi)星獲取熒光信息成為可能。目前在SIF傳感器技術(shù)、檢索算法、冠層與葉片熒光和光合作用的建模等方面都已經(jīng)取得了突破性的進(jìn)展；SIF可以跨生物、空間和時(shí)間范圍進(jìn)行測(cè)量，以獲取植被光合光響應(yīng)和穩(wěn)態(tài)行為的時(shí)空信息［21，29-31］。

2.2 葉綠素?zé)晒獾挠绊懸蛩胤治?/p>

SIF的產(chǎn)生過(guò)程受到包括太陽(yáng)天頂角、水分、氣溫、飽和水汽壓差（vapor pressure deficit，VPD）等環(huán)境因子和葉綠素含量、冠層和葉片結(jié)構(gòu)等生理參數(shù)的多重因素影響［32］。在葉片、冠層及生態(tài)系統(tǒng)不同尺度，SIF對(duì)環(huán)境和生理因素的響應(yīng)極其復(fù)雜。因此，需要詳細(xì)分析入射光與植被的交互過(guò)程，區(qū)分各類(lèi)因子對(duì)SIF和光合作用的影響過(guò)程，從機(jī)理上更好地解釋SIF信號(hào)與光合作用的聯(lián)系。

2.2.1 環(huán)境因子對(duì)SIF的影響

太陽(yáng)天頂角決定太陽(yáng)輻射穿過(guò)大氣層的路徑長(zhǎng)度，太陽(yáng)天頂角越小，穿行路徑越短，葉片接收的能量越強(qiáng)［33］。2018年Song等認(rèn)為，氣溫和VPD是植被氣孔打開(kāi)程度的決定因素，進(jìn)而影響CO2吸收，植被的蒸騰作用和光合作用接著受到影響，從而導(dǎo)致SIF發(fā)生變化［8］。高溫脅迫會(huì)造成植物光合系統(tǒng)Ⅱ反應(yīng)中心失活，降解捕光葉綠素a/b蛋白復(fù)合物，進(jìn)而減少光合系統(tǒng)Ⅱ獲得的激發(fā)能，最后導(dǎo)致熒光淬滅。低溫脅迫會(huì)對(duì)植物光合作用造成多方面的影響，直接破壞光合作用機(jī)構(gòu)的同時(shí)，還對(duì)相關(guān)酶系統(tǒng)的光合電子傳遞和光合磷酸化及暗反應(yīng)有影響，當(dāng)植物處于低溫脅迫狀態(tài)時(shí)，即使是中、低光照度也會(huì)使植物光抑制，光合系統(tǒng)Ⅱ反應(yīng)中心失活。2019年Chen等認(rèn)為，水分是決定植被正常生長(zhǎng)最重要的因素之一，水分脅迫會(huì)導(dǎo)致氣孔關(guān)閉和細(xì)胞水勢(shì)減小，同時(shí)還會(huì)損害葉肉器官，進(jìn)而抑制植被光合速率并改變SIF的釋放量［34］。通常而言，上述環(huán)境影響因子將同時(shí)存在。如太陽(yáng)天頂角的變化影響入射的能量、地表溫度和飽和水汽壓差，進(jìn)而影響植被蒸騰作用，生理生化反應(yīng)所需的酶的活性、氣孔導(dǎo)度發(fā)生改變，進(jìn)而影響植被的水分吸收與能量運(yùn)輸能力，形成不同程度的水分脅迫，光合速率即會(huì)出現(xiàn)異常，進(jìn)而改變SIF釋放量。

2.2.2 植被生理參數(shù)對(duì)SIF的影響

彭金龍等認(rèn)為，植被通過(guò)調(diào)節(jié)葉片中葉綠素的含量來(lái)改變光或光合活性輻射的吸收比例（absorbed photosynthetic active radiation，APAR）［32］。Adams等認(rèn)為，葉綠素含量與光吸收呈現(xiàn)非線性關(guān)系，在高葉綠素含量下，葉綠素吸收的光能隨葉綠素含量的增加而減少［35］；同時(shí)，植被吸收不同波段的光照度也會(huì)因植被葉綠素含量的變化而變化，從而影響SIF的釋放量。葉片結(jié)構(gòu)是造成植被輻射傳遞過(guò)程中能量差異的主要影響因素，即葉片結(jié)構(gòu)不同，葉片和葉片反射的能量也會(huì)不同，從而對(duì)SIF與光合速率的關(guān)系產(chǎn)生影響［25］。單一物種不同生長(zhǎng)階段以及物種的差異性是造成葉片結(jié)構(gòu)變化的主要原因，在實(shí)際應(yīng)用中應(yīng)考慮不同生長(zhǎng)階段以及混合植被類(lèi)型對(duì)SIF的影響。但由于葉片結(jié)構(gòu)的復(fù)雜性，SIF與其關(guān)系的研究還處于較初級(jí)階段［32］。此外，Meroni等認(rèn)為，在葉片、冠層及高空觀測(cè)過(guò)程中，SIF激發(fā)光的穿透力與SIF的重吸收比例是探測(cè)器接受熒光能量大小的重要影響因素［36］。

SIF釋放量受不同空間尺度的輻射傳輸過(guò)程、不同冠層特征和不同生理特性等自然環(huán)境因子與生理參數(shù)的多重影響。此外，SIF反演在葉片、冠層和生態(tài)系統(tǒng)不同尺度會(huì)存在尺度效應(yīng)問(wèn)題。因此，今后須針對(duì)不同時(shí)空尺度、不同植被類(lèi)型、不同生長(zhǎng)階段的SIF釋放特征及演變規(guī)律進(jìn)行細(xì)化研究。對(duì)于單一物種而言，葉綠素含量、葉片與冠層結(jié)構(gòu)等因素會(huì)造成不同時(shí)序SIF的差異；而混合植被，除了植被不同生長(zhǎng)階段引起的SIF差異外，主要是由于物種間生理結(jié)構(gòu)及光合效率不同引起的SIF空間差異。因此，在不同時(shí)空SIF相關(guān)研究中，植被類(lèi)型、生長(zhǎng)階段、物種混合等對(duì)SIF的影響不可忽略。

2.3 葉綠素?zé)晒獾姆囱菟惴?/p>

在地表反射的光譜信號(hào)中由于SIF占比非常小，因此從遙感信息中提取SIF難度較大［12，37-38］。近地面的SIF遙感反演相對(duì)較容易，余弦接收器通常用于獲取天空觀測(cè)中沒(méi)有被熒光填充的暗線。假設(shè)冠層反射率和暗線內(nèi)外的熒光光譜滿(mǎn)足一定條件，則反演可得到冠層釋放的SIF［12］。而衛(wèi)星SIF反演比近地面方式更加復(fù)雜，其受地球大氣等影響，具有連續(xù)空間分布的多時(shí)相SIF需要依靠衛(wèi)星等平臺(tái)承載傳感器。當(dāng)前，衛(wèi)星SIF遙感反演的主要算法包括基于大氣輻射傳輸方程的反演算法、簡(jiǎn)化的物理模型算法和數(shù)據(jù)驅(qū)動(dòng)算法［39］。

2.3.1 基于大氣輻射傳輸方程的算法

主要由歐洲航天局（European Space Agency，ESA）的FLUX團(tuán)隊(duì)提出基于大氣輻射方程的反演算法，基于地球大氣夫瑯禾費(fèi)暗線提取熒光信息，定量描述太陽(yáng)輻射和太陽(yáng)吸收散射，構(gòu)建耦合熒光發(fā)射和地表發(fā)射的大氣輻射傳輸方程，將大氣層頂SIF反演問(wèn)題轉(zhuǎn)變?yōu)榇髿鈱拥祝詈蟛捎媒乇鞸IF反演算法來(lái)求解熒光［31，40-43］。包括針對(duì)夫瑯禾費(fèi)熒光測(cè)定（fraunhofer line discrimination，F(xiàn)LD）算法、基于多光譜數(shù)據(jù)的3FLD（three bands FLD）算法和cFLD（correct FLD）算法、基于高光譜數(shù)據(jù)的改進(jìn)iFLD（improved FLD）算法和波譜擬合模型法（spectral fitting method，SFM）［30，41-42］。SIF遙感反演算法均來(lái)自夫瑯禾費(fèi)暗線提取算法FLD。在該暗線波段，植被的反射光相對(duì)較弱，而熒光作用較凸顯，適合于SIF的反演。該類(lèi)反演算法盡管對(duì)傳感器光譜分辨率的要求不高，但其反演精度主要依賴(lài)于對(duì)大氣狀態(tài)描述的準(zhǔn)確性及傳輸方程的嚴(yán)密性，易造成系統(tǒng)誤差。在FLD方法中，由于相鄰2個(gè)波段的熒光值和反射率并不完全相同，因此在SIF反演時(shí)會(huì)存在一定誤差。3FLD算法、cFLD算法、iFLD算法、SFM法等系列算法是對(duì)FLD算法改進(jìn)得到的。如Damm等基于3FLD算法對(duì)航空數(shù)據(jù)反演O2-A波段的SIF數(shù)據(jù)［41］。當(dāng)前，SFM的反演精度在基于大氣傳輸模型的算法中最高，被ESA選為FLEX計(jì)劃的備選算法（表1）。

2.3.2 簡(jiǎn)化的物理模型算法

基于簡(jiǎn)化的物理模型算法，通過(guò)大氣觀測(cè)或光譜卷積模擬得到未填充的太陽(yáng)夫瑯禾費(fèi)暗線，可以完全避開(kāi)地球大氣吸收線，并采用大氣窗口內(nèi)1條或多條暗線進(jìn)行熒光反演［13-14］。該算法反演模型簡(jiǎn)單，不需要考慮大氣的影響。但其對(duì)噪聲較敏感，對(duì)傳感器的光譜分辨率要求較高。Khler等認(rèn)為，在755～759 nm波段范圍內(nèi)，大氣散射和地表反射是連續(xù)的，線性函數(shù)可對(duì)其進(jìn)行擬合［18］。劉新杰等利用GOSAT衛(wèi)星的TANSO-FTS超光譜數(shù)據(jù)，采用加權(quán)最小二乘法，反演中國(guó)區(qū)域內(nèi)2010年1月至2011年6月的葉綠素?zé)晒鈹?shù)據(jù)集［44］（表1）。

2.3.3 數(shù)據(jù)驅(qū)動(dòng)算法

數(shù)據(jù)驅(qū)動(dòng)算法主要包括基于SVD［15，17，45］和PCA（非線性PCA算法、線性PCA算法）［18，46-48］的SIF反演算法，通過(guò)綜合734～758 nm 或720～758 nm的擬合窗口，在740 nm處推算SIF［17］。2015年Guanter等最先提出該方法，且成功反演了GOAST衛(wèi)星SIF數(shù)據(jù)［17］。2018年Du等反演的二氧化碳觀測(cè)衛(wèi)星（TanSat）SIF數(shù)據(jù)集采用的也是該算法［49］。以往的數(shù)據(jù)驅(qū)動(dòng)算法基于狹窄的夫瑯禾費(fèi)暗線通道，僅適用于超高光譜分辨率的衛(wèi)星數(shù)據(jù)，而分辨率不足的傳感器需要拓寬反演信道以包含大氣吸收信道。Joine等首次嘗試拓寬通道至大氣吸收通道，實(shí)現(xiàn)GOME-2的SIF反演［47］。目前大多數(shù)SIF產(chǎn)品的生產(chǎn)算法是基于數(shù)據(jù)驅(qū)動(dòng)算法，其可以同時(shí)提取太陽(yáng)和地球的暗線變化特性，熒光反演的精度和反演效率得到較大提升，在一定程度上降低對(duì)光譜分辨率的要求。然而，數(shù)據(jù)驅(qū)動(dòng)算法也會(huì)受到訓(xùn)練數(shù)據(jù)集、反演波段及擬合函數(shù)等條件的限制（表1）。

3 衛(wèi)星SIF產(chǎn)品發(fā)展現(xiàn)狀

3.1 檢測(cè)葉綠素?zé)晒獾男l(wèi)星傳感器

當(dāng)前用于測(cè)量陸地植被的遠(yuǎn)紅外SIF衛(wèi)星傳感器主要包括：環(huán)境衛(wèi)星（EnviSat）-大氣制圖掃描成像吸收光譜儀（SCIAMACHY）和中分辨率成像光譜儀（MERIS）［16］；溫室氣體觀測(cè)衛(wèi)星（GOSAT）-碳觀測(cè)傅里葉變換光譜儀（TANSO-FTS）的熱和近紅外傳感器［13］；2006年10月進(jìn)入預(yù)期軌道的氣象業(yè)務(wù)衛(wèi)星（MetOp）-全球臭氧監(jiān)測(cè)試驗(yàn)-2（GOME-2）傳感器［46］；軌道碳觀測(cè)站（OCO-2）［15］；哨兵5號(hào)衛(wèi)星搭載的TROPOMI傳感器（Sentinel-5P）［17］；二氧化碳觀測(cè)衛(wèi)星（TanSat）-大氣二氧化碳光柵光譜儀（ACGS）［49］。上述衛(wèi)星系統(tǒng)最初目的都不是用于對(duì)SIF的測(cè)量，直到最近才批準(zhǔn)了第1個(gè)專(zhuān)門(mén)用于測(cè)量陸地植被SIF的全球任務(wù)-熒光探測(cè)器（FLEX）［40］。由于上述衛(wèi)星傳感器在O2-A～765 nm處和O2-B～684 nm處具有較高的光譜分辨率，因此可以對(duì)這些衛(wèi)星獲取的數(shù)據(jù)進(jìn)行進(jìn)一步反演，得到SIF遙感產(chǎn)品。此外，衛(wèi)星SIF產(chǎn)品受云和土壤背景的影響小于基于反射率的衛(wèi)星產(chǎn)品（如NDVI、EVI等）［10，15，46］。衛(wèi)星SIF是一種監(jiān)測(cè)植被生理狀態(tài)的有效而直接的手段，已被廣泛應(yīng)用在估算植被光合作用和脅迫效應(yīng)研究上［50-57］。

3.2 衛(wèi)星葉綠素?zé)晒猱a(chǎn)品

受網(wǎng)格數(shù)據(jù)集低時(shí)空分辨率和個(gè)體檢索的高不確定性等因素影響，星載傳感器反演的SIF數(shù)據(jù)空間分辨率通常為0.5°，如GOME-2［46-47］、SCIAMACHY［18］等產(chǎn)品較粗糙，而OCO-2［15］、OCO-3［58-59］、TanSat SIF［49］等產(chǎn)品則幅寬窄、軌道間隔大、僅適用于大空間范圍的粗略應(yīng)用研究，小區(qū)域尺度的SIF精細(xì)應(yīng)用受到極大限制。雖然最新獲取的TROPOMI SIF產(chǎn)品具有空間分辨率較高、重訪周期短、覆蓋連續(xù)等優(yōu)勢(shì)，但其時(shí)序較短［17，60-61］，難以滿(mǎn)足農(nóng)業(yè)遙感監(jiān)測(cè)等應(yīng)用中對(duì)長(zhǎng)時(shí)序、高時(shí)空分辨率、空間連續(xù)等的需求。需要采用改進(jìn)反演算法或降尺度等手段提高衛(wèi)星SIF數(shù)據(jù)空間和時(shí)間分辨率，以增強(qiáng)衛(wèi)星SIF在區(qū)域尺度上的監(jiān)測(cè)能力。2016年Duveiller等構(gòu)建了一種采用光利用效率概念的非線性模型，對(duì)每個(gè)粗SIF像素中包含的信息進(jìn)行空間分解，基于全球2007—2013年逐月0.5°的GOME-2 SIF數(shù)據(jù)，進(jìn)一步生成空間分辨率為0.05°的衛(wèi)星SIF*產(chǎn)品［62］。通過(guò)與通量塔渦流協(xié)方差測(cè)量結(jié)果對(duì)比，進(jìn)一步增強(qiáng)了熒光與GPP的空間相關(guān)性。2018年Zhang等采用訓(xùn)練神經(jīng)網(wǎng)絡(luò)、中分辨率成像光譜儀（MODIS）和軌道碳觀測(cè)衛(wèi)星2號(hào)SIF（OCO-2）的表面反射率，得到2個(gè)連續(xù)的高時(shí)空分辨率全球衛(wèi)星SIF數(shù)據(jù)集（CSIF，0.05°，時(shí)間步長(zhǎng)為4 d）［33］。2019年Li等基于離散的OCO-2 SIF、MODIS遙感數(shù)據(jù)和氣象再分析數(shù)據(jù)，通過(guò)建立SIF預(yù)測(cè)模型，獲取新的2000—2020年全球高時(shí)空分辨率SIF數(shù)據(jù)集（GOSIF，0.05°，8 d間隔）［63］。2022年Ma等使用隨機(jī)森林方法獲得一個(gè)0.05°的預(yù)測(cè)SIF數(shù)據(jù)集；再利用預(yù)測(cè)的SIF數(shù)據(jù)集作為加權(quán)系數(shù)，對(duì)0.5°GOME-2 SIF進(jìn)行原始重分布，使分辨率達(dá)到0.05°，進(jìn)而從2007年2月至2019年3月的GOME-2檢索中生成連續(xù)的0.05° SIF數(shù)據(jù)集；最后通過(guò)比較DSIF與原來(lái)的0.5°GOME-2 SIF來(lái)驗(yàn)證該方法［64］。結(jié)果表明，DSIF能夠準(zhǔn)確捕獲原始信號(hào)的空間和時(shí)間模式，且能很好地反映SIF的結(jié)構(gòu)和生理信息，是評(píng)價(jià)全球植被光合作用的重要指標(biāo)（表2）。

4 基于葉綠素?zé)晒膺b感的農(nóng)業(yè)監(jiān)測(cè)進(jìn)展

4.1 基于熒光遙感的農(nóng)作物脅迫監(jiān)測(cè)

4.1.1 基于傳統(tǒng)植被指數(shù)的農(nóng)作物脅迫監(jiān)測(cè)研究

遙感是全球或地區(qū)大面積長(zhǎng)期和連續(xù)農(nóng)業(yè)監(jiān)測(cè)的重要手段?？梢?jiàn)/近紅外波長(zhǎng)范圍的冠層反射率是反映植被生長(zhǎng)狀況的有效信息，研究人員開(kāi)發(fā)出基于冠層反射率的各種植被指數(shù)，被廣泛應(yīng)用于時(shí)空環(huán)境檢測(cè)及作物監(jiān)測(cè)。其中，NDVI在作物監(jiān)測(cè)中應(yīng)用最廣泛，被稱(chēng)為最簡(jiǎn)單有效的植被指數(shù)［9］。對(duì)[CM（21]于大多數(shù)植被類(lèi)型，NDVI一般在劣勢(shì)脅迫影響下呈下降趨勢(shì)，被廣泛應(yīng)用于全球或區(qū)域范圍的作物脅迫研究［67］。NDVI也可以有效地監(jiān)測(cè)溫度和水分等環(huán)境變化，估算作物的凈初級(jí)產(chǎn)量，探測(cè)天氣影響和其他對(duì)農(nóng)業(yè)、生態(tài)和經(jīng)濟(jì)有重要影響的事件［9］。盡管NDVI應(yīng)用廣泛，但存在雨季數(shù)據(jù)誤差大、植被密度飽和滯后效應(yīng)等缺陷。如在葉面積指數(shù)為2～6之間可以達(dá)到飽和；NDVI對(duì)降水的響應(yīng)一般滯后10 d到2個(gè)月，對(duì)環(huán)境脅迫的響應(yīng)顯著滯后［68］。此外，NDVI是保守的植被條件指標(biāo)，作物在初始缺水后仍然保持良好的狀態(tài)［9，34］。當(dāng)農(nóng)作物發(fā)生水分、溫度、氮等脅迫時(shí)，光合速率下降，進(jìn)而導(dǎo)致作物冠層結(jié)構(gòu)發(fā)生變化，葉綠素含量下降，NDVI才會(huì)降低［69］。因此，NDVI只能反映作物生物量或綠度變化的后期響應(yīng)，而不能捕捉環(huán)境脅迫導(dǎo)致的光合作用的變化［11］，從而限制NDVI在早期環(huán)境脅迫探測(cè)中的適用性。

EVI是另一種傳統(tǒng)植被指數(shù)，基于紅外和近紅外光譜波段的葉邊光譜特征，由可見(jiàn)光-近紅外遙感數(shù)據(jù)衍生而來(lái)，表征植被冠層的信息，也常常被用于植被監(jiān)測(cè)［8，34］。EVI基于NDVI算法基礎(chǔ)上改進(jìn)，受背景、大氣作用及飽和問(wèn)題等影響較?。?］。NDVI主要對(duì)葉綠素含量變化敏感，可較好地反映植被綠度的變化，而EVI對(duì)植被冠層結(jié)構(gòu)變化更敏感。NDVI與EVI互為補(bǔ)充，可以進(jìn)一步改進(jìn)對(duì)冠層生物物理參數(shù)的提取和作物變化的監(jiān)測(cè)。利用傳統(tǒng)植被指數(shù)估算潛在的光合作用，可以有效了解作物生長(zhǎng)對(duì)環(huán)境脅迫的響應(yīng)。然而，基于反射率的傳統(tǒng)植被指數(shù)只與潛在光合作用有關(guān)，而與實(shí)際過(guò)程無(wú)關(guān)。特別是在環(huán)境脅迫的初早期，作物冠層結(jié)構(gòu)尚未發(fā)生明顯變化時(shí)，EVI也不能及時(shí)反映環(huán)境脅迫對(duì)作物光合作用的影響［8］。

4.1.2 衛(wèi)星葉綠素?zé)晒鈱?duì)農(nóng)作物脅迫的響應(yīng)機(jī)理與敏感性

近年來(lái)，衛(wèi)星SIF已成為監(jiān)測(cè)全球或區(qū)域作物生長(zhǎng)狀況及環(huán)境脅迫的新技術(shù)手段［10，57，70-71］。作物光合作用是一個(gè)變化頻繁的過(guò)程，隨著環(huán)境因子的變化，作物生理/生化反應(yīng)效率經(jīng)常會(huì)變化或葉片內(nèi)部的色素含量會(huì)不斷調(diào)整，反射率數(shù)據(jù)無(wú)法監(jiān)測(cè)到上述變化過(guò)程。SIF發(fā)射于光合作用系統(tǒng)本身，當(dāng)作物處于亞健康狀態(tài)，而葉綠素含量或葉面積指數(shù)還沒(méi)有發(fā)生有效變化時(shí)，SIF可以為作物早期脅迫監(jiān)測(cè)提供一個(gè)更加精確可靠的手段［8-9，34］。

在環(huán)境脅迫第一階段，作物通過(guò)氣孔關(guān)閉來(lái)減少水分損失和二氧化碳交換，光合作用立即受到抑制，衛(wèi)星SIF信號(hào)的減弱，可以作為作物脅迫的一個(gè)指標(biāo)［33］。在第二階段，隨著環(huán)境脅迫的延長(zhǎng)或加劇，作物會(huì)循環(huán)利用葉片中的氮，葉片的綠色度（即葉綠素含量）隨即降低，這時(shí)可以利用基于植被指數(shù)進(jìn)行作物脅迫監(jiān)測(cè)。在第三階段，葉片衰老和作物死亡可能隨之而來(lái)。SIF可以探測(cè)到所有脅迫階段的變化，而傳統(tǒng)基于反射率的指數(shù)只能用于第二和第三階段的作物脅迫監(jiān)測(cè)。

當(dāng)前應(yīng)用SIF遙感監(jiān)測(cè)作物環(huán)境脅迫的類(lèi)型主要包括水分脅迫、溫度脅迫、水分+溫度脅迫、鹽脅迫和氮脅迫等非生物脅迫和病蟲(chóng)害等生物脅迫。監(jiān)測(cè)的作物類(lèi)型包括水稻、小麥、大豆等C3作物和玉米、高粱、甘蔗等C4作物［8-9，34］。2018年Liu等探討小麥SIF與NDVI對(duì)干旱脅迫響應(yīng)的差異，并揭示小麥生長(zhǎng)季SIF和NDVI與表層土壤水分的關(guān)系［9］。2018年Song等利用傳統(tǒng)植被指數(shù)與衛(wèi)星SIF探討熱脅迫對(duì)印度西北部冬小麥的影響［8］。2019年Chen等采用SIF遙感對(duì)華北平原夏玉米生育期干旱脅迫進(jìn)行監(jiān)測(cè)［34］。競(jìng)霞等認(rèn)為，在反射率光譜數(shù)據(jù)基礎(chǔ)上加入SIF，能夠增強(qiáng)小麥條銹病的探測(cè)精度［72］。上述研究均發(fā)現(xiàn)SIF比傳統(tǒng)基于反射率的植被指數(shù)對(duì)作物脅迫的響應(yīng)變化幅度更大和/或響應(yīng)更加敏感［73-75］。

4.1.3 基于衛(wèi)星SIF的農(nóng)作物環(huán)境脅迫監(jiān)測(cè)機(jī)理

衛(wèi)星SIF檢測(cè)到的熒光來(lái)自植被冠層發(fā)出的熒光信號(hào)，信號(hào)強(qiáng)度主要由葉綠素吸收瞬時(shí)輻射、光合系統(tǒng)發(fā)射熒光信號(hào)以及發(fā)射的熒光信號(hào)的散射和重吸收3個(gè)過(guò)程決定［76-78］。SIF發(fā)射伴隨著光化學(xué)反應(yīng)和熱耗散，是光系統(tǒng)消耗光的3種途徑之一［79-80］。在有利條件下，大量吸收的光合活性輻射沿光化學(xué)途徑流動(dòng)［81-82］。然而，環(huán)境脅迫會(huì)通過(guò)光化學(xué)反應(yīng)影響植被吸收光合有效輻射，從而改變沿3種途徑流動(dòng)的吸收能量的比例（APAR）［83］。即光合系統(tǒng)對(duì)熒光信號(hào)的發(fā)射取決于作物的生理機(jī)制，該機(jī)制對(duì)葉綠素吸收的光合有效輻射進(jìn)行調(diào)節(jié)，吸收的輻射將會(huì)經(jīng)歷熱耗散、光化學(xué)反應(yīng)、葉綠素?zé)晒獾?個(gè)過(guò)程［84-85］。所以，葉綠素?zé)晒馀c光合作用和環(huán)境脅迫密切相關(guān)［50，55］，衛(wèi)星觀測(cè)的SIF信號(hào)既包含作物冠層的結(jié)構(gòu)信息，也包含作物生理生化信息。

對(duì)SIF中生理信息和生化結(jié)構(gòu)信息進(jìn)行拆分，是否可以進(jìn)一步提高SIF對(duì)作物脅迫響應(yīng)的敏感性？針對(duì)這個(gè)問(wèn)題，Song等提出采用PAR或APAR對(duì)SIF進(jìn)行歸一化，考慮不同作物生化和結(jié)構(gòu)信息引起輻射吸收的差異，將SIF信號(hào)中的非生理信息進(jìn)行分離后得到表征植被生理變化的參數(shù)（葉綠素?zé)晒猱a(chǎn)額SIFyield），進(jìn)而增強(qiáng)SIF與GPP的線性關(guān)系［8，11，86］。按PAR歸一化后的SIF數(shù)據(jù)集（SIFPAR）包含植被結(jié)構(gòu)的綜合信息（如葉綠素含量、葉面積指數(shù)等）和SIFyield［11，86］。SIFyield可以量化單位吸收PAR中用于熒光發(fā)射的能量比例，即SIF的光效。其根據(jù)SIF除以APAR可以得到

4.2 基于SIF遙感的農(nóng)作物生產(chǎn)力與產(chǎn)量評(píng)估

全球范圍內(nèi)可靠的糧食產(chǎn)量估算可以為氣候變化背景下的作物監(jiān)測(cè)提供科學(xué)支撐，因此作物監(jiān)測(cè)對(duì)確保國(guó)家糧食安全至關(guān)重要。作物產(chǎn)量的準(zhǔn)確估算依賴(lài)于充分量化作物光合作用，SIF與作物光合作用密切相關(guān)，當(dāng)前衛(wèi)星SIF數(shù)據(jù)在區(qū)域或全球尺度上評(píng)估作物生產(chǎn)力與預(yù)測(cè)作物產(chǎn)量的能力成為學(xué)者們重點(diǎn)關(guān)注的科學(xué)問(wèn)題之一。

作物產(chǎn)量依賴(lài)于光合作用，將光能轉(zhuǎn)化為有機(jī)物中化學(xué)能的能量，可靠的GPP指標(biāo)是實(shí)現(xiàn)作物估產(chǎn)的關(guān)鍵。衛(wèi)星觀測(cè)可估算區(qū)域或全球尺度的GPP，多數(shù)基于衛(wèi)星觀測(cè)的GPP估算方法采用與綠度或熱或微波波段相關(guān)的可見(jiàn)和近紅外區(qū)域的光譜信息，該波段范圍的信息對(duì)植被/土壤水分含量敏感［88］。預(yù)測(cè)GPP很大程度上依賴(lài)于光利用效率（LUE）的經(jīng)驗(yàn)估計(jì)，具有較高的不確定性。衛(wèi)星SIF為GPP提供基于生理學(xué)的代理，消除對(duì)LUE參數(shù)化的潛在影響。Guanter等認(rèn)為，不同環(huán)境條件下不同植被類(lèi)型的SIF與GPP之間存在極強(qiáng)線性關(guān)系，可以揭示在不同空間尺度上SIF對(duì)GPP的監(jiān)測(cè)潛力［10，13，89］。將SIF與作物生產(chǎn)力聯(lián)系起來(lái)的基本原理可以用以下公式表示［79，90］。

式中：NPP表示凈初級(jí)生產(chǎn)量，將GPP減去植物通過(guò)自養(yǎng)呼吸（Ra）消耗的碳量，Ra則包括維持呼吸及生長(zhǎng)呼吸。在作物生長(zhǎng)期，可以假設(shè)生長(zhǎng)呼吸在Ra項(xiàng)中占主導(dǎo)地位，理論上它應(yīng)該與GPP成比例。CUE表示碳利用效率，因物種和環(huán)境條件而異。P表示作物的生產(chǎn)力；fAG表示地上部生物量占總生物量的比例；HI表示收獲指數(shù)，即收獲作物的質(zhì)量除以地上總生物量。fAG和HI都與作物類(lèi)型和環(huán)境條件有關(guān)，但通常被視為單個(gè)作物的常數(shù)。上述方程可以揭示SIF、NPP、GPP和作物生產(chǎn)力之間的潛在關(guān)系，即使GPP和SIF完全相關(guān)，CUE、fAG和HI的變化仍然會(huì)影響SIF與作物生產(chǎn)力的關(guān)系。

近年來(lái)，已有學(xué)者探討衛(wèi)星SIF在估計(jì)作物生產(chǎn)力方面的潛力，深化其對(duì)作物產(chǎn)量和農(nóng)田碳通量的認(rèn)識(shí)，為全球作物產(chǎn)量估算提供準(zhǔn)確、大規(guī)模、及時(shí)的估算方法。如2017年Liu等對(duì)C3（如冬小麥）和C4（如夏玉米）作物采用SIF進(jìn)行估算GPP的日變化，在C3和C4作物中，SIF760成功捕捉到植物光合的日動(dòng)態(tài)過(guò)程，并發(fā)現(xiàn)其與GPP表現(xiàn)出較強(qiáng)的線性相關(guān)，進(jìn)而證實(shí)遙感SIF信號(hào)作為GPP直接代理的巨大應(yīng)用潛力［87］。2019年Chen等基于SIF評(píng)價(jià)我國(guó)華北平原夏玉米生育期干旱脅迫期的GPP損失，發(fā)現(xiàn)SIF估算的GPP損失與作物產(chǎn)量損失一致性較好，說(shuō)明SIF可以直接用于估算干旱造成的產(chǎn)量損失［34］。2021年Yang等探究玉米葉片、冠層SIF和光合作用關(guān)系的物理和生理基礎(chǔ)，并揭示SIF與GPP之間的確切機(jī)制聯(lián)系［91］。2022年Shen等采用降尺度的衛(wèi)星SIF監(jiān)測(cè)冬小麥干旱脅迫對(duì)GPP的影響，發(fā)現(xiàn)SIF能夠準(zhǔn)確捕捉干旱脅迫下冬小麥GPP的時(shí)空動(dòng)態(tài)變化，量化干旱脅迫下冬小麥GPP損失，對(duì)生育期GPP的變化具有較高的敏感性［92］。

鑒于衛(wèi)星SIF與GPP極強(qiáng)的線性相關(guān)性，學(xué)者進(jìn)一步采用SIF實(shí)現(xiàn)不同作物的產(chǎn)量估算。2017年Guan等將SIF與作物產(chǎn)量聯(lián)系起來(lái)，估算美國(guó)2007—2012年的作物生產(chǎn)率，并總結(jié)光學(xué)、熒光、熱和微波衛(wèi)星數(shù)據(jù)的共同價(jià)值和獨(dú)特價(jià)值，將多個(gè)衛(wèi)星數(shù)據(jù)整合到1個(gè)框架中，估算美國(guó)玉米帶的作物產(chǎn)量［88］。2019年Wei等探討SIF與秋季作物產(chǎn)量在月度和季節(jié)性時(shí)間尺度上的關(guān)系，比較OCO-2 SIF和MODIS植被指數(shù)在秋季作物產(chǎn)量估算中的差異，發(fā)現(xiàn)SIF是一種可行的作物產(chǎn)量預(yù)測(cè)數(shù)據(jù)來(lái)源，其產(chǎn)量預(yù)測(cè)精度高于傳統(tǒng)植被指數(shù)［93］。2020年He等探究衛(wèi)星SIF在多大程度上可以估算美國(guó)各地的作物產(chǎn)量［90］。2020年Gao等評(píng)估OCO-2 SIF對(duì)玉米和大豆產(chǎn)量的監(jiān)測(cè)能力，采用深度神經(jīng)網(wǎng)絡(luò)方法構(gòu)建以O(shè)CO-2 SIF、MODIS EVI、氣候及其不同組合為輸入變量的產(chǎn)量預(yù)測(cè)模型［94］。2020年Zhang等整合光學(xué)、熒光、熱衛(wèi)星和環(huán)境數(shù)據(jù)的特點(diǎn)和優(yōu)勢(shì)，預(yù)測(cè)我國(guó)4個(gè)農(nóng)業(yè)生態(tài)區(qū)的縣級(jí)玉米產(chǎn)量，發(fā)現(xiàn)植物光合作用的替代因子SIF在預(yù)測(cè)玉米產(chǎn)量方面優(yōu)于EVI［95］。2021年Cao等使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，采用SIF數(shù)據(jù)實(shí)現(xiàn)中國(guó)水稻產(chǎn)量預(yù)測(cè)［96］。2022年王來(lái)剛等融合EVI和SIF，構(gòu)建冬小麥產(chǎn)量預(yù)測(cè)模型［97］。

5 展望

在農(nóng)業(yè)遙感監(jiān)測(cè)領(lǐng)域，近20年來(lái)利用基于綠度的植被指數(shù)從宏觀尺度上理解作物生長(zhǎng)與生產(chǎn)，但傳統(tǒng)植被指數(shù)僅能反映作物“潛在光合作用”。然而，SIF與作物光合作用有直接的獨(dú)特聯(lián)系，其有望成為遙感監(jiān)測(cè)作物脅迫狀態(tài)及生產(chǎn)力的全新手段。近年來(lái)，SIF遙感技術(shù)的發(fā)展極大地推動(dòng)了SIF反演方法與農(nóng)業(yè)監(jiān)測(cè)應(yīng)用的迅速發(fā)展。本研究重點(diǎn)討論與分析近年來(lái)衛(wèi)星SIF遙感的發(fā)展趨勢(shì)，主要介紹葉綠素?zé)晒鈦?lái)源、衛(wèi)星遙感探測(cè)原理、影響因素、反演算法、傳感器和SIF產(chǎn)品等現(xiàn)狀，進(jìn)一步總結(jié)目前衛(wèi)星SIF遙感在農(nóng)業(yè)脅迫監(jiān)測(cè)與產(chǎn)量評(píng)估方面應(yīng)用的最新進(jìn)展。由于當(dāng)前用于SIF反演的衛(wèi)星傳感器均不是專(zhuān)門(mén)進(jìn)行熒光探測(cè)，衛(wèi)星SIF產(chǎn)品具有空間不連續(xù)、時(shí)空分辨率較低等問(wèn)題，在其反演方法、作物脅迫監(jiān)測(cè)、SIF與GPP機(jī)理聯(lián)系、同化SIF數(shù)據(jù)等方面仍存在較多待解決的問(wèn)題。綜合目前的研究進(jìn)展及存在的科學(xué)問(wèn)題，SIF在遙感反演及農(nóng)業(yè)監(jiān)測(cè)應(yīng)用方面有以下幾點(diǎn)展望。

5.1 衛(wèi)星SIF的反演趨勢(shì)

隨著衛(wèi)星SIF的快速發(fā)展，特別是衛(wèi)星傳感器時(shí)空分辨率的進(jìn)一步提高，如即將發(fā)射的FLEX傳感器將會(huì)為衛(wèi)星SIF的反演和應(yīng)用提供更可靠的數(shù)據(jù)支持，因?yàn)槠淇臻g分辨率可達(dá)到0.3 km×0.3 km?；谛l(wèi)星數(shù)據(jù)進(jìn)行SIF反演與驗(yàn)證［29］，仍是未來(lái)的研究熱點(diǎn)與難點(diǎn)。對(duì)于空間分辨率較粗的傳感器而言，反演結(jié)果驗(yàn)證一直是一個(gè)巨大的挑戰(zhàn)，目前主要基于渦度通量站點(diǎn)數(shù)據(jù)進(jìn)行站點(diǎn)尺度的驗(yàn)證，無(wú)法進(jìn)行區(qū)域范圍的驗(yàn)證。新一代高分辨率傳感器、手持設(shè)備、固定和移動(dòng)現(xiàn)場(chǎng)系統(tǒng)、無(wú)人機(jī)和其他機(jī)載傳感器以及衛(wèi)星系統(tǒng)的發(fā)展，使得在不同時(shí)空尺度上探測(cè)SIF成為可能，該問(wèn)題有望得到解決［17］。此外，未來(lái)幾年將會(huì)新增多個(gè)具備SIF反演的衛(wèi)星傳感器，而不同傳感器性能及反演算法的差異導(dǎo)致衛(wèi)星SIF產(chǎn)品不同。如何定量化不同衛(wèi)星SIF產(chǎn)品的關(guān)系，實(shí)現(xiàn)不同衛(wèi)星SIF數(shù)據(jù)的同化，發(fā)揮SIF遙感監(jiān)測(cè)能力仍是有待解決的科學(xué)問(wèn)題。

5.2 作物對(duì)SIF遙感的響應(yīng)機(jī)理研究

SIF遙感與傳統(tǒng)基于反射率的植被指數(shù)相比，SIF與作物直接光合作用有關(guān)，對(duì)作物脅迫的監(jiān)測(cè)能力更強(qiáng)，響應(yīng)也更敏感。但有3個(gè)問(wèn)題仍需深入探討：第一，衛(wèi)星SIF數(shù)據(jù)針對(duì)不同類(lèi)型作物對(duì)不同環(huán)境脅迫響應(yīng)的監(jiān)測(cè)以及響應(yīng)的敏感性。第二，不同程度脅迫影響下，SIF和作物產(chǎn)量之間的定量關(guān)系需要確定，特定作物不同生育期在不同環(huán)境脅迫程度的脅迫點(diǎn)及閾值需要明確。第三，需要加強(qiáng)研究衛(wèi)星SIF從光合作用生理響應(yīng)機(jī)理角度進(jìn)一步提高對(duì)作物脅迫的監(jiān)測(cè)預(yù)警能力。目前，已經(jīng)有學(xué)者嘗試對(duì)小麥、玉米等作物或不同生態(tài)系統(tǒng)采用SIF遙感進(jìn)行水分、溫度等脅迫監(jiān)測(cè)［8，34］，但缺乏基于SIF遙感的特定作物對(duì)特定脅迫的響應(yīng)機(jī)理模型。

5.3 基于SIF的環(huán)境脅迫指數(shù)

目前較多學(xué)者提出了不同的脅迫指數(shù)，以定量表征脅迫程度［98-99］。計(jì)算得到的應(yīng)力指數(shù)比原始變量包含更多的信息，更適合區(qū)域尺度的脅迫監(jiān)測(cè)。在過(guò)去的幾十年里，脅迫指數(shù)的發(fā)展已經(jīng)從基于單變量的簡(jiǎn)單方法發(fā)展到基于多種變量復(fù)雜全面的模型［99］。然而，現(xiàn)有集成多因素農(nóng)業(yè)脅迫指數(shù)中的植被狀態(tài)信息多采用基于反射率的傳統(tǒng)植被指數(shù)（如NDVI和EVI）等，基于反射率的植被指數(shù)對(duì)脅迫的響應(yīng)具有明顯的滯后性，導(dǎo)致現(xiàn)有農(nóng)業(yè)脅迫指數(shù)無(wú)法及時(shí)準(zhǔn)確地監(jiān)測(cè)作物脅迫狀況，特別是脅迫的初早期，難以實(shí)現(xiàn)大范圍作物脅迫及時(shí)有效的監(jiān)測(cè)。SIF對(duì)植被早期脅迫敏感且響應(yīng)及時(shí)，有必要嘗試構(gòu)建基于SIF的脅迫指數(shù)，以期提高大面積作物脅迫及時(shí)監(jiān)測(cè)的能力。

5.4 集成多源遙感的脅迫監(jiān)測(cè)預(yù)警和產(chǎn)量預(yù)測(cè)

目前已成功反演海量的光學(xué)、微波、熱紅外等衛(wèi)星遙感數(shù)據(jù)，然而不同衛(wèi)星數(shù)據(jù)包括不同的光譜范圍，可能包含有關(guān)作物生長(zhǎng)和產(chǎn)量的補(bǔ)充信息，各自反映植被生長(zhǎng)的不同側(cè)面，如熒光反映光合作用狀況、熱紅外遙感反演植被地表溫度、微波遙感可反映生物量及植被水分，但目前仍沒(méi)有進(jìn)行深入研究和充分利用。

作物脅迫是一個(gè)非常復(fù)雜的過(guò)程，不同作物對(duì)不同類(lèi)型脅迫的脅迫點(diǎn)各不相同，同一類(lèi)型作物在不同生育期脅迫點(diǎn)亦不相同。需要綜合利用不同遙感觀測(cè)手段，最大程度發(fā)揮各自的優(yōu)勢(shì)，可通過(guò)集成熱紅外遙感（MODIS地表溫度，ALEXI蒸發(fā)產(chǎn)品）、微波遙感（植被光學(xué)厚度指數(shù)、土壤濕度）、SIF遙感等多種手段分別反演表征植被冠層溫度、冠層結(jié)構(gòu)、土壤水分和光合作用等信息，研究不同作物對(duì)環(huán)境脅迫早期、中期、晚期的響應(yīng)，建立區(qū)分這些不同遙感手段在植被生長(zhǎng)狀況監(jiān)測(cè)上的共性信息和特性信息的方法，發(fā)展區(qū)域作物不同類(lèi)型脅迫的遙感監(jiān)測(cè)預(yù)警模型，為大面積作物或生態(tài)系統(tǒng)氣象災(zāi)害監(jiān)測(cè)提供新的理論與方法。

利用不同光譜波段的衛(wèi)星數(shù)據(jù)可以顯著提高區(qū)域作物產(chǎn)量預(yù)測(cè)精度和作物生長(zhǎng)監(jiān)測(cè)水平。此外，使用輔助降水和溫度等氣候數(shù)據(jù)可進(jìn)一步提高模型精度或監(jiān)測(cè)能力。融合多源時(shí)空數(shù)據(jù)構(gòu)建的作物產(chǎn)量預(yù)測(cè)模型，以量化不同數(shù)據(jù)源對(duì)估算作物產(chǎn)量的共同貢獻(xiàn)和獨(dú)特貢獻(xiàn)。用于監(jiān)測(cè)作物產(chǎn)量的各種衛(wèi)星和氣候數(shù)據(jù)的共同/獨(dú)特信息尚不明晰，需要進(jìn)一步整合不同的衛(wèi)星數(shù)據(jù)，以提高不同作物生產(chǎn)力的估算能力，這也是當(dāng)前亟需解決的科學(xué)問(wèn)題。

參考文獻(xiàn)：

［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，F(xiàn)u 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］章釗穎，王松寒，邱 博，等. 日光誘導(dǎo)葉綠素?zé)晒膺b感反演及碳循環(huán)應(yīng)用進(jìn)展［J］. 遙感學(xué)報(bào)，2019，23（1）：37-52.

［13］張立福，王思恒，黃長(zhǎng)平. 太陽(yáng)誘導(dǎo)葉綠素?zé)晒獾男l(wèi)星遙感反演方法［J］. 遙感學(xué)報(bào)，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，武建軍，周洪奎，等. 葉綠素?zé)晒饧捌湓谒置{迫監(jiān)測(cè)中的研究進(jìn)展［J］. 光譜學(xué)與光譜分析，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，F(xiàn)rankenberg 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］彭金龍，李 萌，褚榮浩，等. 日光誘導(dǎo)葉綠素?zé)晒夥囱菁捌湓谥脖画h(huán)境脅迫監(jiān)測(cè)中的研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，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］紀(jì)夢(mèng)豪，唐伯惠，李召良. 太陽(yáng)誘導(dǎo)葉綠素?zé)晒獾男l(wèi)星遙感反演方法研究進(jìn)展［J］. 遙感技術(shù)與應(yīng)用，2019，34（3）：455-466.

［38］張永江，劉良云，侯名語(yǔ)，等. 植物葉綠素?zé)晒膺b感研究進(jìn)展［J］. 遙感學(xué)報(bào)，2009，13（5）：963-978.

［39］王雅楠，韋 瑾，湯旭光，等. 應(yīng)用葉綠素?zé)晒夤浪阒脖豢偝跫?jí)生產(chǎn)力研究進(jìn)展［J］. 遙感技術(shù)與應(yīng)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，劉良云. 葉綠素?zé)晒獾腉OSAT衛(wèi)星遙感反演［J］. 遙感學(xué)報(bào)，2013，17（6）：1518-1532.

［45］Guanter L，F(xiàn)rankenberg 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，F(xiàn)isher 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，F(xiàn)rankenberg 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. 植被指數(shù)及其研究進(jìn)展［J］. 干旱氣象，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］馮建燦，胡秀麗，蘇金樂(lè)，等. 保水劑對(duì)干旱脅迫下刺槐葉綠素a熒光動(dòng)力學(xué)參數(shù)的影響［J］. 西北植物學(xué)報(bào)，2002，22（5）：1144-1149.

［70］Lee J E，F(xiàn)rankenberg 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，F(xiàn)rankenberg 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］競(jìng) 霞，白宗璠，張 騰，等. 3FLD和反射率熒光指數(shù)估測(cè)小麥條銹病病情嚴(yán)重度的對(duì)比分析［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（11）：136-142.

［73］陳思媛，競(jìng) 霞，董瑩瑩，等. 基于日光誘導(dǎo)葉綠素?zé)晒馀c反射率光譜的小麥條銹病探測(cè)研究［J］. 遙感技術(shù)與應(yīng)用，2019，34（3）：511-520.

［74］趙 葉，競(jìng) 霞，黃文江，等. 日光誘導(dǎo)葉綠素?zé)晒馀c反射率光譜數(shù)據(jù)監(jiān)測(cè)小麥條銹病嚴(yán)重度的對(duì)比分析［J］. 光譜學(xué)與光譜分析，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(lái)剛，鄭國(guó)清，郭 燕，等. 融合多源時(shí)空數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測(cè)模型研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：42061071）；廣西科技基地和人才專(zhuān)項(xiàng)（編號(hào)：桂科AD20297027）；廣西自然科學(xué)基金（編號(hào)：2021GXNSFBA220061）；廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目（編號(hào)：2021KY0397）；統(tǒng)計(jì)學(xué)廣西一流學(xué)科建設(shè)項(xiàng)目（編號(hào)：桂教科研〔2022〕1號(hào)）。

作者簡(jiǎn)介：楊 妮（1989—），女，廣西桂平人，博士研究生，副教授，研究方向?yàn)镚IS與遙感應(yīng)用、空間信息技術(shù)應(yīng)用與服務(wù)。E-mail：yangniyyy@163.com。

通信作者：鄧樹(shù)林，博士，助理研究員，研究方向?yàn)橘Y源環(huán)境遙感。E-mail：dengshulin12531@163.com。