楊妮　鄧樹林　樊艷紅　謝國雪

摘要：近年快速發(fā)展起來的日光誘導葉綠素熒光（solar-induced chlorophyll fluorescence，SIF）可直接量化植被的實際光合作用，為實現(xiàn)大面積農作物及時有效監(jiān)測提供新的手段，在農業(yè)監(jiān)測領域中具有非常重要的應用價值和廣闊的應用前景。因此，本文分析近年來衛(wèi)星SIF遙感的發(fā)展趨勢，從理論上解釋遙感信息中提取SIF的難度，總結葉綠素熒光遠程檢測原理及多重影響因素；對比分析基于輻射傳輸方程的算法、簡化的物理模型算法和數(shù)據(jù)驅動算法3種反演方法的優(yōu)缺點，系統(tǒng)梳理衛(wèi)星SIF產品及其反演方法；從響應敏感性和監(jiān)測機理方面探討SIF遙感在監(jiān)測作物環(huán)境脅迫和生產力與產量評估應用中的主要方法與最新技術。由于當前用于SIF反演的衛(wèi)星傳感器均不是專門進行熒光探測，SIF產品具有空間不連續(xù)、時空分辨率較低等缺點，在衛(wèi)星SIF數(shù)據(jù)反演方法、作物脅迫監(jiān)測、SIF與GPP機理聯(lián)系、SIF數(shù)據(jù)同化等方面仍有較多待解決的問題。今后需繼續(xù)深入研究SIF遙感的作物環(huán)境脅迫響應機理與生產力估算方法，進一步集成熒光、熱紅外、微波等多源遙感，進而大幅度提高農業(yè)監(jiān)測能力，以保障國家農業(yè)安全生產，為SIF遙感深入應用提供一定的理論參考。

關鍵詞：日光誘導葉綠素熒光（SIF）；農業(yè)；環(huán)境脅迫；產量估算；遙感監(jiān)測

中圖分類號：S127文獻標志碼：A

文章編號：1002-1302（2023）14-0001-12

在全球氣候變化背景下，自然災害頻發(fā)且強度增強，對農業(yè)生態(tài)系統(tǒng)穩(wěn)定性及正常的農業(yè)生產造成嚴重威脅［1］。如2009—2010年我國西南地區(qū)發(fā)生了破紀錄的重大連續(xù)性干旱災害，造成作物的大幅度減產及嚴重的經(jīng)濟損失［2］。因此，迫切需要開展及時有效的大面積農業(yè)監(jiān)測，對國家糧食安全和氣候變化應對具有非常重要的意義和指導作用。傳統(tǒng)的基于地面試驗的農業(yè)監(jiān)測研究可揭示環(huán)境條件變化等對作物產生的影響。然而，通常各類環(huán)境條件對作物的影響范圍廣、持續(xù)時間長。地面試驗只能揭示觀測站點附近很小范圍的作物狀況，無法進行大面積農業(yè)系統(tǒng)的診斷與預警。衛(wèi)星遙感可獲取長時間、大范圍、空間連續(xù)的較高空間分辨率的觀測數(shù)據(jù)，使大范圍、連續(xù)性的農業(yè)系統(tǒng)監(jiān)測與預警成為可能。目前，歸一化植被指數(shù)（normalized vegetation index，NDVI）、增強型植被指數(shù)（enhanced vegetation index，EVI）等基于反射率（或“基于綠度”）的植被指數(shù)被廣泛用于農業(yè)監(jiān)測［3-6］。環(huán)境變化初期作物光合作用即會出現(xiàn)異常，但是冠層結構尚未發(fā)生變化，基于反射率的植被指數(shù)無法及時捕捉環(huán)境異常初早期作物生長狀態(tài)異常信號，對作物監(jiān)測具有非常明顯的滯后性［7-9］。近幾年快速發(fā)展的日光誘導葉綠素熒光（solar-induced chlorophyll fluorescence，SIF）被稱為植被光合作用的“無損探針”，為農業(yè)及時監(jiān)測提供了一種新手段［8，10-11］。章釗穎等認為，植被中的光系統(tǒng)Ⅰ和光系統(tǒng)Ⅱ激發(fā)產生SIF，SIF與光合作用和熱耗散是相互競爭關系［12］。熒光作為光合作用的副產品，與基于“綠度”的植被指數(shù)相比，結果顯示，SIF與植被光合作用有機理的聯(lián)系，可直接反映植被光合作用的能力。張立福等認為，SIF同植被受環(huán)境脅迫狀態(tài)及植被總初級生產力（gross primary productivity，GPP）密切相關［13］。SIF遙感是近年快速發(fā)展起來的新的遙感技術，自2011年美國國家航空航天局（NASA）采用GOSAT衛(wèi)星第1次成功實現(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產品，包括SCIAMACHY、GOME-2、OCO-2和TROPOMI等［15-18］。之后，衛(wèi)星SIF反演及應用研究發(fā)展極其迅速，SIF遙感成為近10年來植被遙感領域最具突破性的研究前沿，極大地促進了大面積農作物及時有效監(jiān)測與預警、產量評估等研究。然而，目前缺乏對SIF遙感在農業(yè)監(jiān)測相關應用研究的系統(tǒng)述評，尤其對基于SIF的作物監(jiān)測方法、產量預測等總結較少。查詢與統(tǒng)計2000年以來衛(wèi)星SIF在農業(yè)監(jiān)測方面的文獻（圖1），發(fā)現(xiàn)近年來關于衛(wèi)星SIF在農業(yè)監(jiān)測方面的應用研究呈指數(shù)式增長。因此，有必要對現(xiàn)階段（2011年以來）SIF遙感及農業(yè)監(jiān)測應用研究進行梳理和總結，以期為及時有效地大面積農業(yè)監(jiān)測提供一定的參考。

1 葉綠素熒光來源概述

1834年Brewster等發(fā)現(xiàn)，當一束陽光照射在月桂葉的一種綠色乙醇提取物上時，會發(fā)出明亮的紅光［19-20］。同時，當光通過提取物的連續(xù)“厚度”時，發(fā)射的顏色從紅色變?yōu)槌壬僮優(yōu)辄S色，這一轉變可能是葉綠素重新吸收的第1個證據(jù)［21］。在1931年Mohammed 等首次發(fā)現(xiàn)活體熒光誘導動力學［21-22］。直到20世紀70年代中期，Papageorgiou才提出熒光誘導動力學曲線：O（原點）→I（偏轉）→D（小坑）或PL（臺階）→P（高峰）→S（半穩(wěn)態(tài)）→M（次峰）→T（終點）。其中O→P為熒光快速上升階段，可用于研究植物PSⅡ的異質性及其原初光化學反應過程，P→T為熒光慢速淬滅階段［23］。該階段情況較復雜，不同葉片具有不同的生理狀態(tài)，有時可能沒有M峰，有時則有幾個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)良好時會在P峰之后出現(xiàn)幾個峰［24］。即當光合代謝相關的代謝庫受到環(huán)境脅迫因子的干擾，葉片熒光誘導動力學曲線會因為環(huán)境脅迫而發(fā)生變化，熒光誘導特性可能會受到間接影響。當光合作用的強度下降時，會導致熒光的發(fā)射增強，反之亦然。熒光量子產率變化為光合作用機理的研究提供了一種重要的監(jiān)測路徑。因此，經(jīng)常將熒光用于監(jiān)測水分、溫度、光等植物逆境生理脅迫相關研究。

葉綠素熒光是葉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］。當太陽光到達植被葉片表面時，往往會被反射、透射與吸收。其中，葉片對紅光和藍光具有較強的吸收作用。當葉片吸收的能量超過植被光合作用所需能量時，將以熱和熒光等方式進行釋放。熒光集中在多個波段，主要包括藍光、綠光、紅光和遠紅光等波段［25］。藍綠波段的熒光由不含葉綠素的表皮和葉脈細胞壁的肉桂酸等釋放，紅光和遠紅光波段的熒光與藍綠波段的熒光不同，其由葉肉細胞中葉綠體的葉綠素a所釋放。在單一物種中，由藍綠波段所釋放的熒光保持恒定的強度，而葉綠素熒光與植被光合強度呈相反的關系。

2 衛(wèi)星葉綠素熒光反演原理和方法

2.1 葉綠素熒光遠程檢測原理

葉綠素熒光獲取方式有主動和被動2種。激發(fā)光源為太陽光，被動獲取的葉綠素熒光稱為日光誘導葉綠素熒光（SIF），自然條件對它的影響較大［21］。在地面試驗中，細胞尺度、葉片尺度已經(jīng)對葉綠素熒光有很多成熟的研究，這些研究內容不僅可以在機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對環(huán)境脅迫構建更精準的模型。熒光作為一種光學信號，可以進行遠程檢測，通常依賴于SIF被動測量。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產生，后者則由光系統(tǒng)Ⅰ和光系統(tǒng)Ⅱ共同產生［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，精準的熒光測量難度非常大［20］。太陽光譜在連續(xù)光譜背景中有許多暗線，即夫瑯和費暗線［21］，當照射到植被后反射出來，再被太陽光削弱的特定波長，這些暗線被另外一種信號（即葉綠素熒光）所填充，該發(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］。作為一種光學信號，SIF可以通過高分辨率光譜傳感器和最先進的算法進行遠程評估，以區(qū)分反射和散射環(huán)境光的發(fā)射。SIF在地面試驗中的成功反演以及高光譜分辨率成像光譜儀技術的快速發(fā)展，使通過衛(wèi)星獲取熒光信息成為可能。目前在SIF傳感器技術、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)取得了突破性的進展；SIF可以跨生物、空間和時間范圍進行測量，以獲取植被光合光響應和穩(wěn)態(tài)行為的時空信息［21，29-31］。

2.2 葉綠素熒光的影響因素分析

SIF的產生過程受到包括太陽天頂角、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、冠層和葉片結構等生理參數(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對環(huán)境和生理因素的響應極其復雜。因此，需要詳細分析入射光與植被的交互過程，區(qū)分各類因子對SIF和光合作用的影響過程，從機理上更好地解釋SIF信號與光合作用的聯(lián)系。

2.2.1 環(huán)境因子對SIF的影響

太陽天頂角決定太陽輻射穿過大氣層的路徑長度，太陽天頂角越小，穿行路徑越短，葉片接收的能量越強［33］。2018年Song等認為，氣溫和VPD是植被氣孔打開程度的決定因素，進而影響CO2吸收，植被的蒸騰作用和光合作用接著受到影響，從而導致SIF發(fā)生變化［8］。高溫脅迫會造成植物光合系統(tǒng)Ⅱ反應中心失活，降解捕光葉綠素a/b蛋白復合物，進而減少光合系統(tǒng)Ⅱ獲得的激發(fā)能，最后導致熒光淬滅。低溫脅迫會對植物光合作用造成多方面的影響，直接破壞光合作用機構的同時，還對相關酶系統(tǒng)的光合電子傳遞和光合磷酸化及暗反應有影響，當植物處于低溫脅迫狀態(tài)時，即使是中、低光照度也會使植物光抑制，光合系統(tǒng)Ⅱ反應中心失活。2019年Chen等認為，水分是決定植被正常生長最重要的因素之一，水分脅迫會導致氣孔關閉和細胞水勢減小，同時還會損害葉肉器官，進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)境影響因子將同時存在。如太陽天頂角的變化影響入射的能量、地表溫度和飽和水汽壓差，進而影響植被蒸騰作用，生理生化反應所需的酶的活性、氣孔導度發(fā)生改變，進而影響植被的水分吸收與能量運輸能力，形成不同程度的水分脅迫，光合速率即會出現(xiàn)異常，進而改變SIF釋放量。

2.2.2 植被生理參數(shù)對SIF的影響

彭金龍等認為，植被通過調節(jié)葉片中葉綠素的含量來改變光或光合活性輻射的吸收比例（absorbed photosynthetic active radiation，APAR）［32］。Adams等認為，葉綠素含量與光吸收呈現(xiàn)非線性關系，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，植被吸收不同波段的光照度也會因植被葉綠素含量的變化而變化，從而影響SIF的釋放量。葉片結構是造成植被輻射傳遞過程中能量差異的主要影響因素，即葉片結構不同，葉片和葉片反射的能量也會不同，從而對SIF與光合速率的關系產生影響［25］。單一物種不同生長階段以及物種的差異性是造成葉片結構變化的主要原因，在實際應用中應考慮不同生長階段以及混合植被類型對SIF的影響。但由于葉片結構的復雜性，SIF與其關系的研究還處于較初級階段［32］。此外，Meroni等認為，在葉片、冠層及高空觀測過程中，SIF激發(fā)光的穿透力與SIF的重吸收比例是探測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)不同尺度會存在尺度效應問題。因此，今后須針對不同時空尺度、不同植被類型、不同生長階段的SIF釋放特征及演變規(guī)律進行細化研究。對于單一物種而言，葉綠素含量、葉片與冠層結構等因素會造成不同時序SIF的差異；而混合植被，除了植被不同生長階段引起的SIF差異外，主要是由于物種間生理結構及光合效率不同引起的SIF空間差異。因此，在不同時空SIF相關研究中，植被類型、生長階段、物種混合等對SIF的影響不可忽略。

2.3 葉綠素熒光的反演算法

在地表反射的光譜信號中由于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遙感反演相對較容易，余弦接收器通常用于獲取天空觀測中沒有被熒光填充的暗線。假設冠層反射率和暗線內外的熒光光譜滿足一定條件，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雜，其受地球大氣等影響，具有連續(xù)空間分布的多時相SIF需要依靠衛(wèi)星等平臺承載傳感器。當前，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、簡化的物理模型算法和數(shù)據(jù)驅動算法［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團隊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暗線提取熒光信息，定量描述太陽輻射和太陽吸收散射，構建耦合熒光發(fā)射和地表發(fā)射的大氣輻射傳輸方程，將大氣層頂SIF反演問題轉變?yōu)榇髿鈱拥祝詈蟛捎媒乇鞸IF反演算法來求解熒光［31，40-43］。包括針對夫瑯禾費熒光測定（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遙感反演算法均來自夫瑯禾費暗線提取算法FLD。在該暗線波段，植被的反射光相對較弱，而熒光作用較凸顯，適合于SIF的反演。該類反演算法盡管對傳感器光譜分辨率的要求不高，但其反演精度主要依賴于對大氣狀態(tài)描述的準確性及傳輸方程的嚴密性，易造成系統(tǒng)誤差。在FLD方法中，由于相鄰2個波段的熒光值和反射率并不完全相同，因此在SIF反演時會存在一定誤差。3FLD算法、cFLD算法、iFLD算法、SFM法等系列算法是對FLD算法改進得到的。如Damm等基于3FLD算法對航空數(shù)據(jù)反演O2-A波段的SIF數(shù)據(jù)［41］。當前，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計劃的備選算法（表1）。

2.3.2 簡化的物理模型算法

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

2.3.3 數(shù)據(jù)驅動算法

數(shù)據(jù)驅動算法主要包括基于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)驅動算法基于狹窄的夫瑯禾費暗線通道，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，實現(xiàn)GOME-2的SIF反演［47］。目前大多數(shù)SIF產品的生產算法是基于數(shù)據(jù)驅動算法，其可以同時提取太陽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光譜分辨率的要求。然而，數(shù)據(jù)驅動算法也會受到訓練數(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產品發(fā)展現(xiàn)狀

3.1 檢測葉綠素熒光的衛(wèi)星傳感器

當前用于測量陸地植被的遠紅外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］；溫室氣體觀測衛(wèi)星（GOSAT）-碳觀測傅里葉變換光譜儀（TANSO-FTS）的熱和近紅外傳感器［13］；2006年10月進入預期軌道的氣象業(yè)務衛(wèi)星（MetOp）-全球臭氧監(jiān)測試驗-2（GOME-2）傳感器［46］；軌道碳觀測站（OCO-2）［15］；哨兵5號衛(wèi)星搭載的TROPOMI傳感器（Sentinel-5P）［17］；二氧化碳觀測衛(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SIF的測量，直到最近才批準了第1個專門用于測量陸地植被SIF的全球任務-熒光探測器（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，因此可以對這些衛(wèi)星獲取的數(shù)據(jù)進行進一步反演，得到SIF遙感產品。此外，衛(wèi)星SIF產品受云和土壤背景的影響小于基于反射率的衛(wèi)星產品（如NDVI、EVI等）［10，15，46］。衛(wèi)星SIF是一種監(jiān)測植被生理狀態(tài)的有效而直接的手段，已被廣泛應用在估算植被光合作用和脅迫效應研究上［50-57］。

3.2 衛(wèi)星葉綠素熒光產品

受網(wǎng)格數(shù)據(jù)集低時空分辨率和個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］等產品較粗糙，而OCO-2［15］、OCO-3［58-59］、TanSat SIF［49］等產品則幅寬窄、軌道間隔大、僅適用于大空間范圍的粗略應用研究，小區(qū)域尺度的SIF精細應用受到極大限制。雖然最新獲取的TROPOMI SIF產品具有空間分辨率較高、重訪周期短、覆蓋連續(xù)等優(yōu)勢，但其時序較短［17，60-61］，難以滿足農業(yè)遙感監(jiān)測等應用中對長時序、高時空分辨率、空間連續(xù)等的需求。需要采用改進反演算法或降尺度等手段提高衛(wèi)星SIF數(shù)據(jù)空間和時間分辨率，以增強衛(wèi)星SIF在區(qū)域尺度上的監(jiān)測能力。2016年Duveiller等構建了一種采用光利用效率概念的非線性模型，對每個粗SIF像素中包含的信息進行空間分解，基于全球2007—2013年逐月0.5°的GOME-2 SIF數(shù)據(jù)，進一步生成空間分辨率為0.05°的衛(wèi)星SIF*產品［62］。通過與通量塔渦流協(xié)方差測量結果對比，進一步增強了熒光與GPP的空間相關性。2018年Zhang等采用訓練神經(jīng)網(wǎng)絡、中分辨率成像光譜儀（MODIS）和軌道碳觀測衛(wèi)星2號SIF（OCO-2）的表面反射率，得到2個連續(xù)的高時空分辨率全球衛(wèi)星SIF數(shù)據(jù)集（CSIF，0.05°，時間步長為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)，通過建立SIF預測模型，獲取新的2000—2020年全球高時空分辨率SIF數(shù)據(jù)集（GOSIF，0.05°，8 d間隔）［63］。2022年Ma等使用隨機森林方法獲得一個0.05°的預測SIF數(shù)據(jù)集；再利用預測的SIF數(shù)據(jù)集作為加權系數(shù)，對0.5°GOME-2 SIF進行原始重分布，使分辨率達到0.05°，進而從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；最后通過比較DSIF與原來的0.5°GOME-2 SIF來驗證該方法［64］。結果表明，DSIF能夠準確捕獲原始信號的空間和時間模式，且能很好地反映SIF的結構和生理信息，是評價全球植被光合作用的重要指標（表2）。

4 基于葉綠素熒光遙感的農業(yè)監(jiān)測進展

4.1 基于熒光遙感的農作物脅迫監(jiān)測

4.1.1 基于傳統(tǒng)植被指數(shù)的農作物脅迫監(jiān)測研究

遙感是全球或地區(qū)大面積長期和連續(xù)農業(yè)監(jiān)測的重要手段?？梢?近紅外波長范圍的冠層反射率是反映植被生長狀況的有效信息，研究人員開發(fā)出基于冠層反射率的各種植被指數(shù)，被廣泛應用于時空環(huán)境檢測及作物監(jiān)測。其中，NDVI在作物監(jiān)測中應用最廣泛，被稱為最簡單有效的植被指數(shù)［9］。對[CM（21]于大多數(shù)植被類型，NDVI一般在劣勢脅迫影響下呈下降趨勢，被廣泛應用于全球或區(qū)域范圍的作物脅迫研究［67］。NDVI也可以有效地監(jiān)測溫度和水分等環(huán)境變化，估算作物的凈初級產量，探測天氣影響和其他對農業(yè)、生態(tài)和經(jīng)濟有重要影響的事件［9］。盡管NDVI應用廣泛，但存在雨季數(shù)據(jù)誤差大、植被密度飽和滯后效應等缺陷。如在葉面積指數(shù)為2～6之間可以達到飽和；NDVI對降水的響應一般滯后10 d到2個月，對環(huán)境脅迫的響應顯著滯后［68］。此外，NDVI是保守的植被條件指標，作物在初始缺水后仍然保持良好的狀態(tài)［9，34］。當農作物發(fā)生水分、溫度、氮等脅迫時，光合速率下降，進而導致作物冠層結構發(fā)生變化，葉綠素含量下降，NDVI才會降低［69］。因此，NDVI只能反映作物生物量或綠度變化的后期響應，而不能捕捉環(huán)境脅迫導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，由可見光-近紅外遙感數(shù)據(jù)衍生而來，表征植被冠層的信息，也常常被用于植被監(jiān)測［8，34］。EVI基于NDVI算法基礎上改進，受背景、大氣作用及飽和問題等影響較小［4］。NDVI主要對葉綠素含量變化敏感，可較好地反映植被綠度的變化，而EVI對植被冠層結構變化更敏感。NDVI與EVI互為補充，可以進一步改進對冠層生物物理參數(shù)的提取和作物變化的監(jiān)測。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對環(huán)境脅迫的響應。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，而與實際過程無關。特別是在環(huán)境脅迫的初早期，作物冠層結構尚未發(fā)生明顯變化時，EVI也不能及時反映環(huán)境脅迫對作物光合作用的影響［8］。

4.1.2 衛(wèi)星葉綠素熒光對農作物脅迫的響應機理與敏感性

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

在環(huán)境脅迫第一階段，作物通過氣孔關閉來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信號的減弱，可以作為作物脅迫的一個指標［33］。在第二階段，隨著環(huán)境脅迫的延長或加劇，作物會循環(huán)利用葉片中的氮，葉片的綠色度（即葉綠素含量）隨即降低，這時可以利用基于植被指數(shù)進行作物脅迫監(jiān)測。在第三階段，葉片衰老和作物死亡可能隨之而來。SIF可以探測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。

當前應用SIF遙感監(jiān)測作物環(huán)境脅迫的類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害等生物脅迫。監(jiān)測的作物類型包括水稻、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對干旱脅迫響應的差異，并揭示小麥生長季SIF和NDVI與表層土壤水分的關系［9］。2018年Song等利用傳統(tǒng)植被指數(shù)與衛(wèi)星SIF探討熱脅迫對印度西北部冬小麥的影響［8］。2019年Chen等采用SIF遙感對華北平原夏玉米生育期干旱脅迫進行監(jiān)測［34］。競霞等認為，在反射率光譜數(shù)據(jù)基礎上加入SIF，能夠增強小麥條銹病的探測精度［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)對作物脅迫的響應變化幅度更大和/或響應更加敏感［73-75］。

4.1.3 基于衛(wèi)星SIF的農作物環(huán)境脅迫監(jiān)測機理

衛(wèi)星SIF檢測到的熒光來自植被冠層發(fā)出的熒光信號，信號強度主要由葉綠素吸收瞬時輻射、光合系統(tǒng)發(fā)射熒光信號以及發(fā)射的熒光信號的散射和重吸收3個過程決定［76-78］。SIF發(fā)射伴隨著光化學反應和熱耗散，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途徑流動［81-82］。然而，環(huán)境脅迫會通過光化學反應影響植被吸收光合有效輻射，從而改變沿3種途徑流動的吸收能量的比例（APAR）［83］。即光合系統(tǒng)對熒光信號的發(fā)射取決于作物的生理機制，該機制對葉綠素吸收的光合有效輻射進行調節(jié)，吸收的輻射將會經(jīng)歷熱耗散、光化學反應、葉綠素熒光等3個過程［84-85］。所以，葉綠素熒光與光合作用和環(huán)境脅迫密切相關［50，55］，衛(wèi)星觀測的SIF信號既包含作物冠層的結構信息，也包含作物生理生化信息。

對SIF中生理信息和生化結構信息進行拆分，是否可以進一步提高SIF對作物脅迫響應的敏感性？針對這個問題，Song等提出采用PAR或APAR對SIF進行歸一化，考慮不同作物生化和結構信息引起輻射吸收的差異，將SIF信號中的非生理信息進行分離后得到表征植被生理變化的參數(shù)（葉綠素熒光產額SIFyield），進而增強SIF與GPP的線性關系［8，11，86］。按PAR歸一化后的SIF數(shù)據(jù)集（SIFPAR）包含植被結構的綜合信息（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遙感的農作物生產力與產量評估

全球范圍內可靠的糧食產量估算可以為氣候變化背景下的作物監(jiān)測提供科學支撐，因此作物監(jiān)測對確保國家糧食安全至關重要。作物產量的準確估算依賴于充分量化作物光合作用，SIF與作物光合作用密切相關，當前衛(wèi)星SIF數(shù)據(jù)在區(qū)域或全球尺度上評估作物生產力與預測作物產量的能力成為學者們重點關注的科學問題之一。

作物產量依賴于光合作用，將光能轉化為有機物中化學能的能量，可靠的GPP指標是實現(xiàn)作物估產的關鍵。衛(wèi)星觀測可估算區(qū)域或全球尺度的GPP，多數(shù)基于衛(wèi)星觀測的GPP估算方法采用與綠度或熱或微波波段相關的可見和近紅外區(qū)域的光譜信息，該波段范圍的信息對植被/土壤水分含量敏感［88］。預測GPP很大程度上依賴于光利用效率（LUE）的經(jīng)驗估計，具有較高的不確定性。衛(wèi)星SIF為GPP提供基于生理學的代理，消除對LUE參數(shù)化的潛在影響。Guanter等認為，不同環(huán)境條件下不同植被類型的SIF與GPP之間存在極強線性關系，可以揭示在不同空間尺度上SIF對GPP的監(jiān)測潛力［10，13，89］。將SIF與作物生產力聯(lián)系起來的基本原理可以用以下公式表示［79，90］。

式中：NPP表示凈初級生產量，將GPP減去植物通過自養(yǎng)呼吸（Ra）消耗的碳量，Ra則包括維持呼吸及生長呼吸。在作物生長期，可以假設生長呼吸在Ra項中占主導地位，理論上它應該與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)，即收獲作物的質量除以地上總生物量。fAG和HI都與作物類型和環(huán)境條件有關，但通常被視為單個作物的常數(shù)。上述方程可以揭示SIF、NPP、GPP和作物生產力之間的潛在關系，即使GPP和SIF完全相關，CUE、fAG和HI的變化仍然會影響SIF與作物生產力的關系。

近年來，已有學者探討衛(wèi)星SIF在估計作物生產力方面的潛力，深化其對作物產量和農田碳通量的認識，為全球作物產量估算提供準確、大規(guī)模、及時的估算方法。如2017年Liu等對C3（如冬小麥）和C4（如夏玉米）作物采用SIF進行估算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態(tài)過程，并發(fā)現(xiàn)其與GPP表現(xiàn)出較強的線性相關，進而證實遙感SIF信號作為GPP直接代理的巨大應用潛力［87］。2019年Chen等基于SIF評價我國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損失與作物產量損失一致性較好，說明SIF可以直接用于估算干旱造成的產量損失［34］。2021年Yang等探究玉米葉片、冠層SIF和光合作用關系的物理和生理基礎，并揭示SIF與GPP之間的確切機制聯(lián)系［91］。2022年Shen等采用降尺度的衛(wèi)星SIF監(jiān)測冬小麥干旱脅迫對GPP的影響，發(fā)現(xiàn)SIF能夠準確捕捉干旱脅迫下冬小麥GPP的時空動態(tài)變化，量化干旱脅迫下冬小麥GPP損失，對生育期GPP的變化具有較高的敏感性［92］。

鑒于衛(wèi)星SIF與GPP極強的線性相關性，學者進一步采用SIF實現(xiàn)不同作物的產量估算。2017年Guan等將SIF與作物產量聯(lián)系起來，估算美國2007—2012年的作物生產率，并總結光學、熒光、熱和微波衛(wèi)星數(shù)據(jù)的共同價值和獨特價值，將多個衛(wèi)星數(shù)據(jù)整合到1個框架中，估算美國玉米帶的作物產量［88］。2019年Wei等探討SIF與秋季作物產量在月度和季節(jié)性時間尺度上的關系，比較OCO-2 SIF和MODIS植被指數(shù)在秋季作物產量估算中的差異，發(fā)現(xiàn)SIF是一種可行的作物產量預測數(shù)據(jù)來源，其產量預測精度高于傳統(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各地的作物產量［90］。2020年Gao等評估OCO-2 SIF對玉米和大豆產量的監(jiān)測能力，采用深度神經(jīng)網(wǎng)絡方法構建以OCO-2 SIF、MODIS EVI、氣候及其不同組合為輸入變量的產量預測模型［94］。2020年Zhang等整合光學、熒光、熱衛(wèi)星和環(huán)境數(shù)據(jù)的特點和優(yōu)勢，預測我國4個農業(yè)生態(tài)區(qū)的縣級玉米產量，發(fā)現(xiàn)植物光合作用的替代因子SIF在預測玉米產量方面優(yōu)于EVI［95］。2021年Cao等使用機器學習和深度學習方法，采用SIF數(shù)據(jù)實現(xiàn)中國水稻產量預測［96］。2022年王來剛等融合EVI和SIF，構建冬小麥產量預測模型［97］。

5 展望

在農業(yè)遙感監(jiān)測領域，近20年來利用基于綠度的植被指數(shù)從宏觀尺度上理解作物生長與生產，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特聯(lián)系，其有望成為遙感監(jiān)測作物脅迫狀態(tài)及生產力的全新手段。近年來，SIF遙感技術的發(fā)展極大地推動了SIF反演方法與農業(yè)監(jiān)測應用的迅速發(fā)展。本研究重點討論與分析近年來衛(wèi)星SIF遙感的發(fā)展趨勢，主要介紹葉綠素熒光來源、衛(wèi)星遙感探測原理、影響因素、反演算法、傳感器和SIF產品等現(xiàn)狀，進一步總結目前衛(wèi)星SIF遙感在農業(yè)脅迫監(jiān)測與產量評估方面應用的最新進展。由于當前用于SIF反演的衛(wèi)星傳感器均不是專門進行熒光探測，衛(wèi)星SIF產品具有空間不連續(xù)、時空分辨率較低等問題，在其反演方法、作物脅迫監(jiān)測、SIF與GPP機理聯(lián)系、同化SIF數(shù)據(jù)等方面仍存在較多待解決的問題。綜合目前的研究進展及存在的科學問題，SIF在遙感反演及農業(yè)監(jiān)測應用方面有以下幾點展望。

5.1 衛(wèi)星SIF的反演趨勢

隨著衛(wèi)星SIF的快速發(fā)展，特別是衛(wèi)星傳感器時空分辨率的進一步提高，如即將發(fā)射的FLEX傳感器將會為衛(wèi)星SIF的反演和應用提供更可靠的數(shù)據(jù)支持，因為其空間分辨率可達到0.3 km×0.3 km?；谛l(wèi)星數(shù)據(jù)進行SIF反演與驗證［29］，仍是未來的研究熱點與難點。對于空間分辨率較粗的傳感器而言，反演結果驗證一直是一個巨大的挑戰(zhàn)，目前主要基于渦度通量站點數(shù)據(jù)進行站點尺度的驗證，無法進行區(qū)域范圍的驗證。新一代高分辨率傳感器、手持設備、固定和移動現(xiàn)場系統(tǒng)、無人機和其他機載傳感器以及衛(wèi)星系統(tǒng)的發(fā)展，使得在不同時空尺度上探測SIF成為可能，該問題有望得到解決［17］。此外，未來幾年將會新增多個具備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致衛(wèi)星SIF產品不同。如何定量化不同衛(wèi)星SIF產品的關系，實現(xiàn)不同衛(wèi)星SIF數(shù)據(jù)的同化，發(fā)揮SIF遙感監(jiān)測能力仍是有待解決的科學問題。

5.2 作物對SIF遙感的響應機理研究

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，對作物脅迫的監(jiān)測能力更強，響應也更敏感。但有3個問題仍需深入探討：第一，衛(wèi)星SIF數(shù)據(jù)針對不同類型作物對不同環(huán)境脅迫響應的監(jiān)測以及響應的敏感性。第二，不同程度脅迫影響下，SIF和作物產量之間的定量關系需要確定，特定作物不同生育期在不同環(huán)境脅迫程度的脅迫點及閾值需要明確。第三，需要加強研究衛(wèi)星SIF從光合作用生理響應機理角度進一步提高對作物脅迫的監(jiān)測預警能力。目前，已經(jīng)有學者嘗試對小麥、玉米等作物或不同生態(tài)系統(tǒng)采用SIF遙感進行水分、溫度等脅迫監(jiān)測［8，34］，但缺乏基于SIF遙感的特定作物對特定脅迫的響應機理模型。

5.3 基于SIF的環(huán)境脅迫指數(shù)

目前較多學者提出了不同的脅迫指數(shù)，以定量表征脅迫程度［98-99］。計算得到的應力指數(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。在過去的幾十年里，脅迫指數(shù)的發(fā)展已經(jīng)從基于單變量的簡單方法發(fā)展到基于多種變量復雜全面的模型［99］。然而，現(xiàn)有集成多因素農業(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)對脅迫的響應具有明顯的滯后性，導致現(xiàn)有農業(yè)脅迫指數(shù)無法及時準確地監(jiān)測作物脅迫狀況，特別是脅迫的初早期，難以實現(xiàn)大范圍作物脅迫及時有效的監(jiān)測。SIF對植被早期脅迫敏感且響應及時，有必要嘗試構建基于SIF的脅迫指數(shù)，以期提高大面積作物脅迫及時監(jiān)測的能力。

5.4 集成多源遙感的脅迫監(jiān)測預警和產量預測

目前已成功反演海量的光學、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，可能包含有關作物生長和產量的補充信息，各自反映植被生長的不同側面，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，但目前仍沒有進行深入研究和充分利用。

作物脅迫是一個非常復雜的過程，不同作物對不同類型脅迫的脅迫點各不相同，同一類型作物在不同生育期脅迫點亦不相同。需要綜合利用不同遙感觀測手段，最大程度發(fā)揮各自的優(yōu)勢，可通過集成熱紅外遙感（MODIS地表溫度，ALEXI蒸發(fā)產品）、微波遙感（植被光學厚度指數(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、冠層結構、土壤水分和光合作用等信息，研究不同作物對環(huán)境脅迫早期、中期、晚期的響應，建立區(qū)分這些不同遙感手段在植被生長狀況監(jiān)測上的共性信息和特性信息的方法，發(fā)展區(qū)域作物不同類型脅迫的遙感監(jiān)測預警模型，為大面積作物或生態(tài)系統(tǒng)氣象災害監(jiān)測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)域作物產量預測精度和作物生長監(jiān)測水平。此外，使用輔助降水和溫度等氣候數(shù)據(jù)可進一步提高模型精度或監(jiān)測能力。融合多源時空數(shù)據(jù)構建的作物產量預測模型，以量化不同數(shù)據(jù)源對估算作物產量的共同貢獻和獨特貢獻。用于監(jiān)測作物產量的各種衛(wèi)星和氣候數(shù)據(jù)的共同/獨特信息尚不明晰，需要進一步整合不同的衛(wèi)星數(shù)據(jù)，以提高不同作物生產力的估算能力，這也是當前亟需解決的科學問題。

參考文獻：

［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. 日光誘導葉綠素熒光遙感反演及碳循環(huán)應用進展［J］. 遙感學報，2019，23（1）：37-52.

［13］張立福，王思恒，黃長平. 太陽誘導葉綠素熒光的衛(wèi)星遙感反演方法［J］. 遙感學報，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. 葉綠素熒光及其在水分脅迫監(jiān)測中的研究進展［J］. 光譜學與光譜分析，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. 日光誘導葉綠素熒光反演及其在植被環(huán)境脅迫監(jiān)測中的研究進展［J］. 江蘇農業(yè)科學，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］紀夢豪，唐伯惠，李召良. 太陽誘導葉綠素熒光的衛(wèi)星遙感反演方法研究進展［J］. 遙感技術與應用，2019，34（3）：455-466.

［38］張永江，劉良云，侯名語，等. 植物葉綠素熒光遙感研究進展［J］. 遙感學報，2009，13（5）：963-978.

［39］王雅楠，韋 瑾，湯旭光，等. 應用葉綠素熒光估算植被總初級生產力研究進展［J］. 遙感技術與應用，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. 葉綠素熒光的GOSAT衛(wèi)星遙感反演［J］. 遙感學報，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，等. 保水劑對干旱脅迫下刺槐葉綠素a熒光動力學參數(shù)的影響［J］. 西北植物學報，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 霞，白宗璠，張 騰，等. 3FLD和反射率熒光指數(shù)估測小麥條銹病病情嚴重度的對比分析［J］. 中國農機化學報，2019，40（11）：136-142.

［73］陳思媛，競 霞，董瑩瑩，等. 基于日光誘導葉綠素熒光與反射率光譜的小麥條銹病探測研究［J］. 遙感技術與應用，2019，34（3）：511-520.

［74］趙 葉，競 霞，黃文江，等. 日光誘導葉綠素熒光與反射率光譜數(shù)據(jù)監(jiān)測小麥條銹病嚴重度的對比分析［J］. 光譜學與光譜分析，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］王來剛，鄭國清，郭 燕，等. 融合多源時空數(shù)據(jù)的冬小麥產量預測模型研究［J］. 農業(yè)機械學報，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

基金項目：國家自然科學基金（編號：42061071）；廣西科技基地和人才專項（編號：桂科AD20297027）；廣西自然科學基金（編號：2021GXNSFBA220061）；廣西高校中青年教師科研基礎能力提升項目（編號：2021KY0397）；統(tǒng)計學廣西一流學科建設項目（編號：桂教科研〔2022〕1號）。

作者簡介：楊 妮（1989—），女，廣西桂平人，博士研究生，副教授，研究方向為GIS與遙感應用、空間信息技術應用與服務。E-mail：yangniyyy@163.com。

通信作者：鄧樹林，博士，助理研究員，研究方向為資源環(huán)境遙感。E-mail：dengshulin12531@163.com。