在全球氣候變化和糧食安全兩大時代挑戰的交匯點上，陸地生態系統扮演著至關重要的角色。作為地球生物圈的核心組成部分，植被通過光合作用吸收大氣中的二氧化碳（CO2），其固碳總量，即總初級生產力（Gross Primary Production,GPP），是全球碳循環中較大且具變數的通量 1。因此，精準、實時地監測全球植被的GPP動態，對于理解碳氣候反饋機制、評估氣候變化影響以及制定有效的碳中和策略至關重要。與此同時，氣候變化通過加劇干旱、熱浪等極端天氣事件，嚴重威脅著全球農業生產和糧食安全 3。對作物生長狀態和生產力進行有效監測，是保障糧食供給、優化農業資源管理和應對氣候風險的基石。
在過去的數十年里，以歸一化植被指數（Normalized Difference Vegetation Index, NDVI）為代表的光學遙感指數，極大地推動了我們對地球植被時空分布的認知 6。
NDVI通過計算近紅外與紅光波段反射率的差異，有效地量化了植被的“綠度”，成為監測植被覆蓋、葉面積指數（LAI）和生物量的標準工具。然而，隨著科學研究的深入，這些基于“綠度”的指數的內在局限性日益凸顯。它們本質上衡量的是植被的冠層結構和色素含量，即光合作用的“潛力”，而非實際發生的光合“功能”。其主要瓶頸體現在兩個方面：
1. 信號飽和問題：在高生物量區域，如茂密的森林或生長旺盛期的農田，NDVI值會迅速達到飽和，無法再響應葉面積指數或生物量的進一步增加，從而低估了這些高生產力生態系統的實際固碳能力 7。
2. 脅迫響應滯后：當植被遭遇干旱、高溫等環境脅迫時，其生理功能（光合作用）會立即下調以自我保護，但冠層的物理結構（葉片顏色和形態）變化卻相對緩慢。NDVI 等綠度指數往往在植被出現不可逆的物理損傷后才能探測到脅迫信號，錯失了預警和干預的有利時機 9。
為了突破傳統遙感方法的瓶頸，科學界迫切需要一種能夠直接探測植被實際光合活性的新方法。太陽誘導葉綠素熒光（Solar-Induced Chlorophyll Fluorescence, SIF）的出現，為這一難題帶來了革命性的解決方案。SIF 是植被葉綠素分子在吸收太陽光能后，以光子形式釋放出的微弱輻射，其波長范圍在650-800 nm之間 11。作為光合作用核心光化學反應的直接副產物，SIF的產生與光合電子傳遞速率緊密耦合 13。因此，SIF信號的大小直接反映了光合作用的實際運行效率，被譽為植被光合活性的“誠實信號”（honest signal）14。與NDVI衡量“植被有多綠”不同，SIF衡量的是“植被光合作用有多活躍”，實現了從監測植被“結構”到“功能”的根本性跨越。
本文旨在系統性地梳理SIF遙感這一前沿領域。我們將從SIF產生的生物物理機理出發，深入探討其遙感探測的核心物理原理，即夫瑯和費暗線填充效應；隨后，我們將對比分析當前主流的高光譜SIF反演算法；在此基礎上，介紹實現這些先進測量所必需的尖端高光譜儀器技術；最后，我們將全面綜述SIF在GPP估算、植被脅迫監測、精準農業和生態系統功能研究等領域的關鍵應用，并展望該技術未來的發展方向與挑戰。
為了理解SIF作為光合作用探針的獨特性，我們必須先探究葉綠素分子吸收光能后的能量分配機制。當一個光子被葉綠素捕獲后，其能量的去向主要有三個相互競爭的途徑 13：
1. 光化學反應（Photochemistry,PQ）：這是能量利用的主要途徑。吸收的能量被用于驅動光合系統Ⅱ（PSII）和光合系統I（PSI）的電子傳遞鏈，將水分解并產生ATP和NADPH，最終用于固定CO2。該途徑的效率（ΦP）直接決定了光合速率。
2. 熱耗散（Non-Photochemical Quenching,NPQ）：當光照強度超過光合系統所能利用的極限時，過剩的能量會以熱能的形式安全耗散掉，以避免對光合器官造成氧化損傷。這是一個關鍵的光保護機制，其效率為ΦN17。
3. 熒光釋放（Fluorescence）：一小部分（通常為1%～2%）激發態的葉綠素分子會回到基態，并以光子的形式重新發射能量，這就是葉綠素熒光。其量子產額為ΦF16。
圖1
圖1：葉綠素吸收光能后的三條主要耗散途徑示意圖。該圖改編自 Baker (2008) 的經典理論模型。圖中展示了葉綠素分子吸收光能（APAR）后，能量在光化學反應（Photochemistry）、熱耗散（NPQ）和熒光（Fluorescence）三條途徑中進行分配。這三條途徑相互競爭，其總和為1。SIF作為熒光途徑的產物，其強弱變化直接反映了光化學反應效率的變化，是光合作用的直接探針。
從遙感平臺探測SIF信號面臨著巨大的技術挑戰。SIF信號極其微弱，其輻射亮度通常僅為地表反射太陽光的0.5%～2%，完全淹沒在強烈的背景反射光之中 14。直接從混合信號中分離出
SIF幾乎是不可能的。然而，太陽光譜自身的特性為我們提供了一個巧妙的解決方案。
太陽光譜并非連續的平滑曲線，而是布滿了由太陽及地球大氣中各種元素吸收而形成的窄而深的吸收線，即夫瑯和費暗線（Fraunhofer Lines）20。這些暗線處的太陽下行輻照度極低，為被動遙感探測SIF提供了天然的“暗背景”。SIF遙感探測的核心原理，即“夫瑯和費暗線填充”，其邏輯如下：
1. 在夫瑯和費暗線波長處，到達植被冠層的太陽光（Ein）非常微弱。
2. 因此，植被在該波長處的反射光（Lref=ρ×Ein/π）也同樣非常微弱。
3. 然而，植被自身發射的熒光（SIF）是各向同性的，其發射光譜相對平滑，在暗線內外都有能量。
4. 當遙感器在植被上方測量上行總輻射（Ltotal）時，其接收到的信號是反射光與熒光的總和（Ltotal=Lref+SIF）。
5. 在暗線中心，由于Lref極小，SIF 信號在總信號中的占比顯著提高。這表現為，與純反射地物相比，植被光譜在夫瑯和費暗線處的“凹陷”被熒光信號部分“填充”了 22。
圖2
圖2：夫瑯和費暗線填充效應原理示意圖。該圖改編自 Meroni et al. (2009) 的原理示意圖。圖中展示了太陽下行輻照度光譜（藍色虛線），其中在O?-A吸收帶（760 nm）處有一個深邃的夫瑯和費暗線。植被冠層的上行總輻射光譜（綠色實線）是反射光與SIF信號（紅色區域）的總和。由于SIF信號的疊加，植被光譜在暗線處的“凹陷”被部分“填充”，其深度明顯淺于純反射地物（未顯示）。通過測量這種填充效應，即可反演出SIF的強度。
夫瑯和費暗線填充原理的成功應用，對傳感器的光譜性能提出了極為苛刻的要求。夫瑯和費暗線本身非常狹窄，其半高全寬（FWHM）通常在亞納米級別。為了能夠精確地描繪出這些暗線的精細結構以及由SIF引起的微弱填充效應，光譜儀必須具備足夠高的光譜分辨率。如果傳感器的光譜分辨率過低（例如，5-10nm），一個波段內就會同時包含暗線中心和暗線邊緣（“肩部”）的信息，導致暗線的深度被平均化，填充效應被完全掩蓋，從而無法進行有效的SIF反演 24。大量的模擬和實測研究表明，要實現高精度的SIF反演，傳感器的光譜分辨率必須優于1nm，而亞納米級（例如0.1-0.3nm）的光譜分辨率被認為是實現高保真 SIF測量的黃金標準 19。這種對硬件的高要求，是SIF遙感區別于傳統多光譜遙感的根本特征，也是推動高光譜儀器技術發展的核心驅動力。整個 SIF遙感領域的存在，可以說建立在一個物理學的巧合之上：葉綠素熒光的發射峰恰好與地球大氣中深邃而狹窄的氧氣吸收帶重疊。沒有這些天然的“暗窗”，從遠處被動地測量微弱的 SIF信號將是天方夜譚。而這一物理約束，也直接決定了只有具備超高光譜分辨率的精密儀器，才能叩開 SIF遙感研究的大門。
基于夫瑯和費暗線填充原理，研究人員在過去十余年間發展了多種SIF反演算法。這些算法在原理、假設、復雜度和適用性上各有不同，大致可分為三大類。
這是較早發展起來也是較為經典的一類算法，其核心思想是利用暗線內部和外部的少數幾個波段的輻射值，通過代數方程直接求解SIF。
● 標準FLD (Standard FLD): 該方法由Plascyk于1975年提出，僅使用兩個波段：一個位于暗線內部，一個位于暗線外部的肩部。它基于一個核心假設：在暗線周圍極窄的范圍內，地表反射率（ρ）和熒光（F）是常數。通過測量下行太陽輻照度（E）和上行冠層總輻射（L），可以構建方程組求解F 22。該方法簡單直觀，但其假設過于理想化，在實際應用中容易引入誤差。
● 3FLD (Three-Band FLD): 為了克服標準FLD的局限性，Maier等人提出了3FLD方法。該方法使用三個波段：一個位于暗線內部，左右肩部各一個。它不再假設反射率是常數，而是假設反射率在暗線兩側呈線性變化，通過兩側肩部的反射率值來線性內測暗線內部的反射率。這種改進更符合真實光譜的特征，顯著提高了反演精度，是目前應用較為廣泛的FLD類算法之一 27。
● iFLD (Improved FLD): Alonso等人進一步提出了改進的FLD方法。iFLD同樣假設反射率和熒光呈線性變化，并通過引入校正系數來更精確地描述這種變化，理論上精度更高。然而，一些研究表明，iFLD對儀器噪聲較為敏感，在某些實測條件下其穩定性可能不如3FLD 28。
FLD類方法的共同優點是計算簡單、速度快，對計算資源要求低。但它們的缺點也很明顯，即依賴于少數幾個波段的信息，容易受到儀器噪聲和光譜標定不準的影響，且其關于反射率和熒光光譜形狀的簡單假設可能與實際情況不符。
為了更精確地解耦反射與熒光，研究人員發展了基于物理模型的光譜擬合方法。SFM被普遍認為是目前精度較高、較穩健的 SIF反演技術之一。
SFM的核心原理是在一個包含夫瑯和費暗線的較寬光譜窗口內（例如，O?-A帶的755-775nm），構建一個描述上行總輻射的物理模型。該模型通常表示為：
Ltotal(λ)=πE(λ)?ρ(λ)+F(λ)
其中，Ltotal（λ）是傳感器測量的總輻射光譜，E（λ）是下行輻照度光譜，ρ（λ）是地表反射率光譜，F（λ）是熒光光譜30。
與FLD方法不同，SFM并不直接求解該方程。它將反射率光譜ρ（λ）和熒光光譜F（λ）用低階多項式或樣條函數等平滑函數來近似。例如，反射率可以表示為πE(λ)*ρ（λ），熒光可以表示為F(λ)=∑bjλj。然后，通過非線性最小二乘法等優化算法，調整多項式系數（ai,bj），使得模型計算出的Ltotal(λ)與實際測量的光譜匹配。更佳擬合所對應的熒光多項式，即為反演得到的 SIF 光譜 32。
SFM的主要優勢在于：
1. 物理基礎更強：它利用了整個光譜窗口內的所有光譜信息，而不是少數幾個波段，因此對隨機噪聲的魯棒性更強。
2. 假設更寬松：它不要求反射率和熒光為常數或嚴格線性，而是用平滑函數來逼近，更符合物理實際。
3. 精度更高：大量研究表明，在同等數據質量下，SFM的反演精度通常優于FLD類方法 31。
其缺點是計算復雜度較高，對計算資源的要求也更高。
隨著衛星高光譜數據量的爆炸式增長和機器學習技術的發展，數據驅動的SIF反演算法應運而生。這類方法不依賴于明確的物理模型，而是從大量數據中學習光譜信號的統計特征。
● 主成分分析法 (PCA-based): 該方法的核心思想是，冠層上行輻射光譜的主要變化（通常超過99%）是由地表反射率和大氣散射引起的，而SIF信號的貢獻則隱藏在次要的、更微弱的變化中。通過對大量觀測光譜進行主成分分析（PCA）或奇異值分解（SVD），可以將光譜分解為一組正交的基向量（主成分）35。通常，前幾個主成分就足以重建出不含熒光的背景反射光譜。將實際觀測光譜與重建的背景光譜相減，得到的殘差就主要包含了
SIF 信號和噪聲 35。
● 機器學習方法 (Machine Learning): 近年來，研究人員開始嘗試使用人工神經網絡（ANN）、支持向量機（SVM）等機器學習模型進行SIF反演。這些模型可以通過大量的模擬數據（例如，由輻射傳輸模型生成）或真實的“觀測光譜-SIF真值”數據對進行訓練，從而學習到從輸入的上行輻射光譜到輸出的SIF值之間的復雜非線性映射關系38。
數據驅動方法的優勢在于能夠處理非常復雜的數據，且無需對物理過程進行精確建模。然而，它們通常需要大量的訓練數據，并且模型的泛化能力和物理解釋性是其面臨的主要挑戰。
算法的演進歷程，從簡單的FLD代數解法，到復雜的SFM物理建模，再到利用大數據統計規律的PCA和機器學習，清晰地反映了該領域在計算能力、數據積累和理論認知上的不斷深化。
圖3
圖3： 該圖展示了彩譜科技（FigSpec?）針對不同應用平臺開發的FS-SIF系列高光譜測量系統，包括用于地面掃描的FS-SIF-1A線掃描相機、用于塔基連續觀測的FS-SIF-2A成像相機，以及用于區域制圖的FS-SIF-6A高光譜無人機系統。
作為該領域的先行者，彩譜科技（FigSpec?）深刻理解 SIF 測量的核心需求，研發了 FS-SIF 系列高光譜測量系統，為全球的科研工作者和應用領域的客戶提供了強大的工具 41。該系列系統不僅在核心性能上達到了國際水平，更通過多樣化的平臺方案，滿足了從點到面、從地面到空中的多尺度觀測需求。
彩譜科技FS-SIF系列系統擁有兩項對SIF測量至關重要的核心性能參數：0.3nm光譜分辨率和高達600:1的信噪比（SNR） 41。這兩項參數并非孤立的技術指標，而是直接回應了第二、三節中闡述的根本性科學挑戰：
● 0.3nm光譜分辨率：如前所述，精確捕捉夫瑯和費暗線（特別是O?-A和O?-B帶）內部由SIF引起的微弱“填充”信號，是所有被動SIF遙感技術的基石 19。FS-SIF系列提供的0.3nm超高光譜分辨率，能夠精細刻畫這些吸收線的輪廓，為應用FLD 和 SFM等先進反演算法提供了根本保障。沒有這樣的分辨率，暗線內的細節將被模糊，反演結果的精度和可靠性將無從談起。
● 600:1高信噪比：SIF信號本身極其微弱，在總上行輻射中占比極低 14。高信噪比意味著儀器自身的電子噪聲遠低于其能夠探測到的有效信號。FS-SIF系列高達600:1的信噪比，確保了儀器能夠從強烈的背景反射光和系統噪聲中，可靠地提取出這微弱的熒光信號，從而保證了最終反演結果的準確性和穩定性。
彩譜科技的遠見不僅體現在卓越的單點性能上，更在于其構建了一個完整的多尺度觀測解決方案生態系統。通過不同型號的組合，研究人員可以無縫地開展從機理驗證到區域應用的全鏈條研究。
型號 | 平臺/類型 | 主要應用場景 | 光譜分辨率 (FWHM) | 峰值信噪比 | 光譜范圍 |
FS-SIF-1A | 地面/龍門架（線掃描） | 大田作物、自動化表型平臺、精細冠層掃描。 | 0.3nm | 600:1 | 660-790nm |
FS-SIF-2A | 塔基/固定式（成像） | 生態系統通量塔（如渦度相關）集成、生態系統功能長期連續監測。 | 0.3nm | 600:1 | 660-790nm |
FS-SIF-6A | 無人機（集成系統） | 區域尺度制圖、精準農業、連接地面與衛星觀測、衛星SIF產品驗證。 | 0.3nm | 600:1 | 660-790nm |
數據來源：彩譜科技（FigSpec?）技術文檔 41 | |||||
● 線掃描高光譜相機 （FS-SIF-1A）：該型號適用于需要精細空間掃描的場景，如在大型試驗田或自動化表型平臺上，可以獲取作物冠層高分辨率的SIF剖面信息，是進行作物生理學和遺傳育種研究的理想工具。
● 成像高光譜相機 （FS-SIF-2A）：專為長期、定點、連續觀測設計。將其部署在生態系統通量塔上，可以與渦度相關儀等設備同步觀測，直接對比SIF與GPP在分鐘到年際尺度上的動態變化，為理解SIF-GPP關系和驗證生態系統模型提供了寶貴的原位數據。
● 高光譜無人機系統 （FS-SIF-6A）：這是連接“點”觀測和“面”觀測的關鍵橋梁。遙感科學面臨的一大核心挑戰便是尺度轉換問題——如何將單點觀測的精確信息外推到更廣闊的區域 42。
FS-SIF-6A無人機系統解決了這一難題。它具備極高的靈活性，不受衛星過境時間的限制，可以根據研究需求（如關鍵物候期、脅迫事件發生時）隨時獲取區域尺度（公頃至平方公里級）的高時空分辨率 SIF 空間分布圖。這不僅為精準農業管理提供了決策信息，也為驗證和校正像元尺度達數公里的衛星 SIF 產品提供了不可或缺的“地面真值”數據 41。
綜上所述，彩譜科技 提供的不僅僅是單個高性能的儀器，而是一個能夠支撐現代生態系統科學研究的、系統性的多尺度觀測平臺。這一平臺使得研究人員能夠將葉片尺度的機理研究、冠層尺度的過程觀測、區域尺度的空間制圖以及全球尺度的衛星遙感有效地整合起來，從而推動 SIF 科學從理論走向更為廣闊的應用。
圖4
圖4： 該圖改編自彩譜科技（FigSpec?）技術文檔 41。左側為傳統的NDVI圖像，右側為利用高光譜系統獲取的SIF圖像。可以看出，SIF圖像（右）能夠揭示出田間作物光合作用活性的細微空間差異，而這些差異在NDVI圖像（左）中可能并不明顯，展示了SIF在精細監測植被功能方面的優勢。
SIF與 GPP之間的緊密關系是其核心的應用基礎。以下研究范例展示了科學家們如何在不同生態系統中驗證和應用這一關系。
● 研究目的 (Objective): 由 Chen et al. (2020) 進行的這項研究，旨在驗證在中國的一個玉米農田生態系統中，利用地面塔基平臺連續觀測的遠紅光SIF（SIF760）是否能有效追蹤由渦度相關技術測量的GPP在日尺度和季節尺度上的動態變化，并探究兩者關系是否受環境條件（如晴空指數）影響。
● 研究方法 (Methods):
○ 平臺與設備： 研究人員在一個玉米農田生態系統通量站，部署了一套塔基自動觀測系統。該系統包括一個用于測量冠層 SIF的高分辨率光譜儀，以及一套渦度相關（Eddy Covariance, EC）系統，用于直接測量生態系統與大氣之間的CO2通量，從而計算出 GPP。同時，還配備了氣象站記錄光合有效輻射（PAR）和晴空指數（CI）等環境數據。
○ 數據采集與分析： 在2017和2018兩個完整的生長季中，系統以半小時間隔連續采集冠層光譜數據和CO?通量數據。研究人員利用光譜數據反演得到SIF760，并與EC系統計算出的 GPP進行直接對比分析。他們分別在半小時（日內動態）和日平均（季節動態）兩個時間尺度上，對 SIF-GPP的關系進行了線性和非線性回歸分析，并特別評估了晴空指數對該關系的影響。
● 結果與結論 (Results & Conclusion): 研究發現，SIF 能夠非常好地追蹤 GPP 的動態。在日尺度上，半小時間隔的 SIF與 GPP表現出很強的同步性（R2 = 0.66）。當數據聚合到日平均尺度時，二者的線性相關性變得更強，決定系數（R2）分別達到了0.82（2017年）和0.76（2018年）。研究還發現，晴空指數是影響 SIF-GPP關系非線性的關鍵因素，在模型中加入該指數能顯著提高 GPP的估算精度。該研究為利用SIF遙感數據估算區域乃至全球的GPP提供了堅實的地面驗證基礎。
圖5
圖5： 該圖改編自 Chen et al. (2020) 的原文圖4。圖中X軸為年份中的日期（Day of Year），左側Y軸代表日均SIF? ? ?（紅色圓點），右側Y軸代表由渦度相關技術測得的日均GPP（藍色圓點）。從圖中可以清晰地看到，在整個玉米生長季節，SIF和GPP表現出高度一致的季節性變化趨勢（R2 > 0.76），證明了SIF在冠層尺度上作為GPP可靠“代理”的巨大潛力。
● 研究目的 (Objective): 由Li & Xiao (2018) 領導的這項開創性研究，旨在利用當時更新的OCO-2衛星SIF數據，在全球尺度上系統性地評估SIF與來自64個通量塔的GPP觀測值之間的關系。研究的核心問題是：是否存在一個跨越不同生物群落（如森林、草原、農田等）的普適性 SIF-GPP 線性關系 45。
● 研究方法 (Methods):
○ 平臺與設備： 該研究結合了天基和地基平臺。SIF數據來源于NASA的OCO-2衛星，該衛星提供了高空間分辨率（1.3 km × 2.25 km）的SIF觀測值。GPP數據則來源于全球FLUXNET網絡的64個渦度相關通量塔，這些站點覆蓋了8種主要的陸地生物群落 45。
○ 數據采集與分析：研究人員將OCO-2衛星在通量塔上空的過境觀測數據與地面同步的 GPP數據進行時空匹配。他們對日尺度和午間（midday）尺度的SIF和GPP數據進行了線性回歸分析，不僅分析了所有站點的總體關系，還分別檢驗了各個生物群落內部的關系，并與傳統的植被指數（如EVI）進行了性能比較 45。
● 結果與結論 (Results & Conclusion): 研究取得了重大發現。在全球尺度上，OCO-2 SIF 與塔基GPP表現出極強的線性相關性，日尺度數據的決定系數（R2）高達0.72 45。更重要的是，這種強線性關系在所有8個被研究的生物群落中都普遍存在，且回歸線的斜率在不同生物群落間沒有顯著差異。這表明存在一個近乎普適的SIF-GPP關系。相比之下，EVI等傳統植被指數與GPP的關系則表現出明顯的生物群落依賴性。這一結論極大地簡化了利用SIF 估算全球GPP的過程，證明了SIF作為全球光合作用直接代理指標的巨大潛力 45。
圖6
圖6： 該圖改編自 Li & Xiao (2018) 的原文圖3a。圖中展示了全球64個通量站點日均OCO-2 SIF（X軸）與日均塔基GPP（Y軸）的散點圖。不同顏色的點代表不同的生物群落類型。所有數據點共同構成了一個顯著的線性關系（R2 = 0.72），且單一的線性回歸線（黑色實線）能夠很好地擬合所有生物群落的數據，證明了SIF-GPP關系在全球尺度上的普適性。
● 研究目的 (Objective): 由Yang et al. (2022) 在一個亞高山常綠針葉林生態系統開展的研究，旨在深入探究SIF和GPP對季節性環境驅動因子（光照、溫度、水分）響應的異同。研究的核心假設是，在常綠針葉林這種結構變化微弱的生態系統中，SIF和GPP的生理調控機制可能存在差異，導致二者在季節尺度上發生解耦。
● 研究方法 (Methods):
○ 平臺與設備： 研究在一個位于美國科羅拉多州尼沃特嶺的通量塔上進行。塔上同時部署了用于測量紅光SIF (SIFred) 的高分辨率光譜系統和用于測量GPP的渦度相關系統。
○ 數據采集與分析： 研究人員分析了為期一年的半小時間隔的 SIF 和GPP連續觀測數據。他們對比了SIF和GPP對光照響應曲線的季節性變化，并利用人工神經網絡模型分析了溫度和蒸發需求等環境因子對二者關系的調控作用。
● 結果與結論 (Results & Conclusion): 研究發現，在春季，SIF對光照的響應要早于GPP，表明光合系統在溫度回暖后先被激活（發出熒光），但實際的碳固定（GPP）則受限于融雪和土壤解凍帶來的水分可利用性。進入夏季后，GPP對溫度的響應由正轉負（受高溫和高蒸發脅迫），而 SIF對溫度的依賴性則較小。這些結果揭示了在常綠針葉林中，SIF和GPP 在季節尺度上存在明顯的響應不一致性，即“解耦”現象。這表明SIF更能反映光化學過程的啟動，而GPP則受到氣孔導度等更下游生理過程的強烈制約。該研究強調了在特定生態系統（尤其是常綠林）中，不能簡單地將SIF與GPP直接畫等號，必須考慮不同環境因子對二者關系的季節性調控。
圖7
圖7： 該圖改編自 Yang et al. (2022) 的原文圖6。圖中展示了在春季（左圖）和夏季（右圖），SIF（紅色）和GPP（藍色）對溫度（X軸）的響應曲線。春季時，GPP隨溫度升高而增加，而夏季時，GPP在高溫下反而下降（受脅迫）；相比之下，SIF在兩個季節對溫度的響應都較為平緩。這清晰地揭示了在不同季節，SIF和GPP對關鍵環境因子的響應模式存在差異，即發生了“解耦”。
SIF對生理脅迫的快速響應使其成為早期預警的強大工具。以下范例以干旱脅迫為例，展示了SIF相較于傳統植被指數的優越性。
● 研究目的 (Objective): 由Yang et al. (2015) 領導的研究，旨在驗證在廣闊的北美大平原草原生態系統中，衛星遙感的SIF是否比傳統的 NDVI更早、更敏感地響應干旱脅迫，從而證明其在區域尺度干旱早期預警中的優越性。
● 研究方法 (Methods):
○ 平臺與設備：該研究利用了多個衛星平臺的數據。SIF數據來源于GOME-2衛星傳感器，而NDVI數據來源于MODIS傳感器。地面真值數據則來自一個草原生態系統的通量塔，該塔通過渦度相關法測量GPP，直接反映植被的實際光合活性。
○ 數據采集與分析： 研究人員選取了2012年美國中部發生的一次嚴重干旱事件作為研究案例。他們分析了干旱期間衛星觀測到的 SIF和NDVI的時間序列變化，并將其與地面通量塔測量的GPP時間序列進行對比。通過比較三者對干旱響應的時間節點和下降幅度，來評估SIF和NDVI的敏感性差異。
● 結果與結論 (Results & Conclusion): 研究結果清晰地表明，SIF對干旱的響應遠比NDVI迅速和敏感。在干旱發生初期，SIF信號幾乎與地面測量的GPP同步下降，迅速反映了水分脅迫對光合作用的抑制。相比之下，NDVI在干旱初期基本保持穩定，直到干旱持續加劇、導致植被冠層結構出現明顯損傷（如葉片變黃、枯萎）后，才開始顯著下降。其他研究指出，這種響應滯后可達10天至2個月之久。該范例無可辯駁地證明了 SIF能夠捕捉到植被在遭受脅迫時的“隱性”生理變化，比依賴于植被“綠度”的 NDVI 提供了更早的預警信號，對于干旱監測和災害管理具有革命性的意義。
圖8
圖8： 該圖改編自 Yang et al. (2015) 的原文圖1。圖中X軸為時間，Y軸為各指標的標準化異常值。圖中展示了在2012年干旱事件期間，GOME-2 SIF（紅色線）、MODIS NDVI（綠色線）和塔基GPP（黑色線）的時間序列變化。可以清晰地看到，SIF的下降趨勢與GPP高度同步，而NDVI的響應則明顯滯后，在干旱初期幾乎沒有變化，證明了SIF在干旱早期預警中的高敏感性。
● 研究目的 (Objective): 由Sun et al. (2023) 進行的研究，旨在利用NASA OCO-3衛星獨特的日內多時相觀測能力，開發一種新的生理干旱脅迫指標。研究假設，干旱脅迫會導致植被在午后出現光合抑制，這種日內動態變化可以被SIF捕捉到，從而實現對干旱脅迫的精準監測。
● 研究方法 (Methods):
○ 平臺與設備： 該研究使用了部署在國際空間站上的OCO-3衛星的SIF數據。與太陽同步軌道的衛星不同，OCO-3可以在一天中的不同時間對同一地點進行觀測，從而獲取日變化信息。
○ 數據采集與分析： 研究人員聚焦于2020年美國西南部發生的嚴重干旱事件。他們利用輻射傳輸模型和機器學習方法，從OCO-3的多時相SIF觀測中分離出由生理脅迫（而非光照變化）引起的午后SIF下降信號，并將其定義為一個新的“午后光合抑制”指標。他們分析了該指標在干旱期間的時空演變，并探究了其與氣象干旱指標（如VPD）的關系。
結果與結論 (Results & Conclusion): 研究成功地利用日內SIF變化繪制出了干旱脅迫下植被生理功能的空間分布圖。結果顯示，在2020年干旱期間，美國西南部地區普遍出現了顯著的午后光合抑制現象，且該現象隨著干旱的加劇而增強。研究還發現，不同植被類型（灌木和草地）對VPD的敏感性在干旱過程中也發生了動態變化。這項工作展示了利用衛星觀測的SIF日變化來直接監測植被生理干旱脅迫的能力，為理解干旱對生態系統的影響機制和改進陸面過程模型提供了全新的視角。
● 研究目的 (Objective): 由 Li et al. (2025) 在中國黃土高原地區進行的研究，旨在開發一種新的基于 SIF 的干旱監測指數，以更準確地捕捉干旱事件的發生、發展和恢復過程。研究假設，通過計算 SIF 相對于其氣候常態的快速變化，可以比直接使用SIF值或異常值更有效地識別干旱信號。
● 研究方法 (Methods):
○ 平臺與設備： 該研究使用了2001年至2020年長時序的全球GOSIF數據集，這是一個基于OCO-2衛星SIF數據重建的8天、0.05°分辨率的全球SIF產品。
○ 數據采集與分析： 研究人員定義了一個名為“快速變化指數”（Rapid Change Index, RCI）的方法，用于計算當前GOSIF值相對于其多年平均值的偏離軌跡。他們將這個新開發的SIF-RCI指數與原始GOSIF值、GOSIF異常值以及廣泛使用的氣象干旱指數SPEI進行了對比，以評估其在監測黃土高原干旱事件中的表現。
● 結果與結論 (Results & Conclusion): 研究表明，新開發的SIF-RCI指數在干旱監測方面表現出色。與原始GOSIF值和異常值相比，SIF-RCI能更清晰地捕捉到由干旱引起的SIF快速變化區域和變化軌跡。SIF-RCI的負信號幾乎與SPEI指數同步，準確地識別了干旱的開始。更具創新性的是，SIF-RCI的正信號能夠比SPEI提前至少4個8天周期（即32天）預測干旱的恢復。這一發現凸顯了SIF不僅能用于干旱的早期預警，還能為干旱恢復提供前瞻性信息，這對于農業生產恢復和水資源管理具有重要的實踐價值。
圖9
圖9： 該圖改編自 Li et al. (2025) 的原文圖5。圖中X軸為時間，Y軸為指數值。圖中對比了在一次典型干旱事件中，SIF-RCI（紅色線）和氣象干旱指數SPEI（藍色線）的時間序列變化。可以看出，當SPEI變為負值（干旱開始）時，SIF-RCI也同步變為負值。關鍵在于，當SPEI仍在負值區間時，SIF-RCI已經率先轉為正值，預示著植被生理功能的恢復，比SPEI的恢復信號提前了數周。
高分辨率的SIF遙感，特別是通過無人機平臺獲取的數據，為精準農業提供了工具，能夠實現對作物長勢和養分狀況的精細監測與管理。
● 研究目的 (Objective): 由 Suarez et al. (2022) 在一個大型商業杏仁園進行的研究，旨在評估機載高光譜遙感（模擬無人機平臺）獲取的SIF及其他生理參數，在監測葉片氮（N）含量空間變異性方面的能力，以期為精準施肥提供決策支持。
● 研究方法 (Methods):
○ 平臺與設備： 研究團隊使用一架飛機搭載了高光譜成像系統，在1200公頃的商業杏仁園上空飛行，獲取了高空間分辨率（亞米級）的光譜影像。該系統能夠覆蓋SIF發射的關鍵波段，并具備足夠的光譜分辨率進行SIF反演。
○ 數據采集與分析： 在兩個生長季中，研究人員在機載遙感數據采集的同時，在地面進行了大量的葉片采樣，并進行化學分析以獲取真實的葉片氮含量（N%）。他們利用機載高光譜數據，不僅反演了冠層的SIF，還通過輻射傳輸模型（RTM）反演了葉綠素含量（Cab）等其他生理生化參數。最后，通過統計模型分析了SIF、Cab等遙感參數與地面實測葉片氮含量的關系。
結果與結論 (Results & Conclusion): 該研究取得了突破性成果。單獨使用傳統的代理指標——葉綠素含量（Cab）來預測氮含量，其精度中等（R2 = 0.49）。然而，當將 SIF這一直接反映光合功能的參數與Cab結合起來進行建模時，對葉片氮含量的預測精度得到了驚人的提升，決定系數（R2）高達0.95。這一結果表明，SIF提供了獨立于葉綠素含量（結構信息）的、關于光合機構運行效率（功能信息）的關鍵信息。這項研究有力地證明了，像 FS-SIF-6A這樣的高分辨率無人機SIF成像系統，能夠為農場主提供精準氮素管理圖，從而實現“按需施肥”，在保證產量的同時，顯著減少化肥使用，降低成本和環境污染。
● 研究目的 (Objective): 由 Luo et al. (2022) 進行的研究，旨在測試利用無人機（UAV）搭載的高光譜光譜儀在不同飛行高度下監測棉花葉片氮含量（LNC）的可行性，為棉花的精準氮肥管理提供技術支持。
● 研究方法 (Methods):
○ 平臺與設備： 研究使用了一架無人機，搭載了高光譜儀，對設置了兩種棉花品種和六種不同氮肥處理（0至480kg/ha）的試驗田進行觀測。無人機分別在60米、80米和100米的高度飛行，以評估飛行高度對光譜數據和LNC估算精度的影響。
○ 數據采集與分析： 在無人機飛行的同時，研究人員在地面采集棉花葉片樣本，測量其實際的LNC。他們分析了不同飛行高度獲取的光譜反射率（SR）數據的變化，并構建了基于不同光譜指數的偏最小二乘回歸（PLSR）模型，來估算棉花的LNC，并對模型的精度進行了驗證。
● 結果與結論 (Results & Conclusion): 研究發現，飛行高度對光譜信號有顯著影響，但通過建模可以有效估算LNC。在所有飛行高度中，80米高度獲取的數據構建的模型表現更佳，其驗證集的決定系數（R2）為0.76，相對分析誤差（RPD）為2.04。這一結果表明，利用無人機高光譜遙感技術可以實現對棉田氮素狀況的快速、無損、大面積監測。該研究為棉花生產中實現精準施肥、提高氮肥利用效率和減少環境污染提供了可靠的技術手段，與FS-SIF-6A 系統的應用場景高度契合。
圖10
圖10：不同飛行高度下棉花葉片氮含量的預測精度對比。該圖改編自 Luo et al. (2022) 的原文圖10。圖中以柱狀圖形式展示了在60米、80米和100米三個不同飛行高度下，利用無人機高光譜數據構建的葉片氮含量（LNC）預測模型的性能指標（R2和RPD）。從圖中可以清晰地看到，80米高度的模型性能更佳，其R2和RPD值均更高，表明存在一個更優的觀測高度。
● 研究目的 (Objective): 由 Khodjaev et al. (2024) 在德國南部進行的研究，旨在評估結合無人機獲取的多種低成本數據（植被指數、作物高度和太陽輻射）來提高冬小麥產量預測的準確性，為小農戶提供經濟可行的精準農業方案 47。
● 研究方法 (Methods):
○ 平臺與設備： 研究使用了搭載低成本多光譜相機（MicaSense RedEdge-MX）的無人機。該相機可以獲取紅、綠、藍、紅邊和近紅外五個波段的影像 47。
○ 數據采集與分析： 無人機在小麥生長的關鍵階段（開花期和灌漿期）進行數據采集。研究人員從多光譜影像中提取了多種植被指數（VIs），利用攝影測量技術生成數字表面模型（DSM）來計算作物高度（CH），并估算了太陽輻射量。他們使用多元線性回歸和分位數回歸方法，分析了單一變量（如某個VI）和多變量組合（如VI+CH+太陽輻射）對小麥產量的預測能力 47。
● 結果與結論 (Results & Conclusion): 研究發現，將多個維度的信息結合起來能顯著提高產量預測的精度。單一植被指數對產量的預測能力有限，而將作物高度、太陽輻射和歸一化紅邊指數（NDRE）相結合的模型表現更佳，其決定系數（R2）達到了0.75 47。與僅使用單一指數相比，這種組合方法的預測精度提高了15%～20%。該研究證明，即使使用相對低成本的多光譜無人機系統，通過融合多源信息，也能實現對作物產量的可靠預測。這為未來將SIF（作為光合效率的直接指標）整合到此類多源數據融合模型中，以進一步提升產量預測精度提供了明確的方向和思路 47。
圖11
圖11：不同預測模型對小麥產量估算的精度對比。 該圖改編自 Khodjaev et al. (2024) 的原文圖6。圖中以柱狀圖或表格形式，對比了使用單一植被指數（如NDVI、NDRE）和結合了作物高度（CH）、太陽輻射（SR）的多變量模型在預測小麥產量時的決定系數（R2）。結果清晰顯示，多變量組合模型（NDRE+CH+SR）的R2值（0.75）顯著高于任何單一變量模型，證明了數據融合的優越性。
SIF能夠直接監測植被的“功能物候”，即光合作用的實際開啟和停止時間，這為理解生態系統對氣候變化的響應提供了比傳統“結構物候”更深刻的視角。
● 研究目的 (Objective): 由 Chen et al. (2022) 在北半球溫帶及寒帶地區進行的一項大規模研究，旨在系統性地比較由衛星SIF數據定義的“功能性物候”（即光合作用的開始、結束和持續時間）與由 NDVI 數據定義的“結構性物候”（即植被綠度的變化周期），并量化兩者之間的系統性差異。
● 研究方法 (Methods):
○ 平臺與設備： 該研究主要依賴于長時序的全球衛星遙感數據集。SIF數據來源于一個基于神經網絡模型融合多源衛星數據生成的全球連續SIF產品（CSIF），而NDVI數據則來源于MODIS衛星。
○ 數據采集與分析：研究人員利用多年的衛星時間序列數據，對北半球溫帶及北方森林地區，使用統一的物候提取算法，分別計算了基于SIF和NDVI的生長季開始（Start of Season, SOS）、生長季結束（End of Season, EOS）和生長季長度（Length of Season, LOS）。隨后，他們系統地對比了兩種方法得到的物候期差異，并分析了這種差異在不同植被類型和區域間的分布規律。
● 結果與結論 (Results & Conclusion): 研究發現，功能物候與結構物候之間存在著系統性的、顯著的差異。平均而言，由NDVI定義的 SOS 比SIF定義的SOS提早了約10.1天，而 NDVI定義的EOS則比SIF定義的EOS推遲了約11.5天。綜合來看，NDVI估算的生長季長度（LOS）比SIF估算的實際光合作用周期平均長了21.6天。這一結論揭示了NDVI 會系統性地高估植被的有效生長季長度，因為植被葉片變綠（結構變化）并不等同于光合作用的開啟。SIF 所定義的“功能物候”更真實地反映了生態系統的實際固碳活動周期，這一發現對于準確評估全球變化背景下生態系統碳循環對物候變化的響應至關重要。
圖12
圖13
● 研究目的 (Objective): 由 Jeong et al. (2017) 進行的研究，旨在利用衛星SIF和NDVI數據，探究北方高緯度森林在季節尺度上生理功能（由SIF代表）和冠層結構（由NDVI代表）的動態關系，特別是驗證兩者在秋季是否存在解耦現象。
● 研究方法 (Methods):
○ 平臺與設備： 該研究使用了2009至2011年的衛星遙感數據，包括來自GOME-2衛星的SIF數據和來自MODIS的NDVI數據。同時，使用了一個數據驅動的GPP模型產品作為光合作用的參考基準。
○ 數據采集與分析： 研究人員對比了北半球高緯度森林地區SIF和NDVI的季節性時間序列。他們提取了由兩種數據定義的生長季長度，并分析了它們與溫度變化的響應關系，特別關注春季和秋季的差異。
● 結果與結論 (Results & Conclusion)：研究證實了SIF和NDVI在季節動態上的顯著差異。由 SIF 定義的生長季比由 NDVI定義的生長季要短。這種差異主要源于秋季：在秋季，盡管植被冠層仍然保持綠色（NDVI維持在高位），但其光合生理活性（SIF 和 GPP）已經開始顯著下降。NDVI 的高值期比SIF的高值期平均延長了約46天。這清晰地揭示了在秋季，北方森林的生理功能衰退遠早于其冠層結構的衰敗，即存在大規模的“功能－結構”解耦。該研究強調了SIF在捕捉植被真實生理季節性方面的獨特價值，尤其是在傳統綠度指數可能產生誤導的物候轉換期。
圖14
圖14： 該圖改編自 Jeong et al. (2017) 的原文圖2。圖中X軸為月份，Y軸為各指標的標準化值。圖中展示了北方森林地區SIF（紅色線）、NDVI（綠色線）和GPP（藍色線）的平均年際變化曲線。可以清晰地看到，在秋季（約9月之后），NDVI仍然維持在較高水平，而SIF和GPP已經開始快速下降，三條曲線出現明顯分離，直觀地證明了功能與結構在秋季的“解耦”現象。
● 研究目的 (Objective): 由 Zhang et al. (2023) 進行的研究，旨在系統性地評估新一代高時空分辨率衛星傳感器TROPOMI的SIF數據在監測植被光合作用物候方面的性能，并將其與傳統的植被指數（NDVI, EVI）以及近紅外植被反射率（NIRv）進行全面比較。
● 研究方法 (Methods):
○ 平臺與設備： 該研究使用了來自TROPOMI衛星的高分辨率 SIF 數據，以及來自MODIS的 NDVI 和EVI數據。地面驗證基準數據來源于全球通量塔網絡的 GPP 數據和PhenoCam網絡的綠度指數（Gcc）數據。
○ 數據采集與分析： 研究人員從各種衛星數據和地面數據中提取了四個關鍵的物候指標：生長季開始（SOS）、生長季結束（EOS）、生長季長度（LOS）和生長季峰值（POS）。他們通過與地面 GPP 和Gcc衍生的物候指標進行對比，評估了TROPOMI SIF 和其他植被指數在捕捉真實物候方面的準確性。
● 結果與結論 (Results & Conclusion): 研究結果一致表明，TROPOMI SIF 在捕捉光合作用物候方面優于所有傳統的植被指數。與地面 GPP 衍生的物候相比，SIF 衍生 phenology 的總體一致性（R2 范圍為0.30-0.63）顯著高于 NDVI（0.17–0.41）和EVI（0.19–0.39）。此外，SIF 衍生的物候指標的誤差和偏差也最小。該研究證實，TROPOMI SIF 憑借其高時空分辨率和與光合作用的直接聯系，為監測植被功能物候提供了一個強大工具，能夠比傳統方法更準確地反映生態系統的季節性碳吸收動態。
圖15
圖15： 該圖改編自 Zhang et al. (2023) 的原文圖4。圖中為一系列散點圖，X軸為由地面塔基GPP數據提取的SOS，Y軸為分別由TROPOMI SIF、MODIS NDVI、MODIS EVI等不同遙感指標提取的SOS。每個散點代表一個站點年。與NDVI和EVI相比，SIF的數據點更緊密地分布在1:1對角線周圍，其R2值最高，RMSE最低，表明SIF提取的物候期與真實的光合作用開啟時間更為一致。
盡管SIF遙感技術在過去十年取得了飛速發展，并在多個應用領域展現出巨大潛力，但該領域仍處于快速發展階段，面臨著一系列科學和技術挑戰。同時，新一代空天觀測技術的部署也為其帶來了機遇。
1. 尺度轉換與冠層結構效應：從葉片尺度發射的熒光信號，在穿透冠層的過程中會經歷復雜的散射和重吸收過程，最終到達傳感器（即冠層頂部SIF）的信號已經與葉片原始信號大相徑庭。如何從冠層頂部信號中準確地剝離出冠層結構（如葉傾角分布、葉面積指數、聚集效應等）的影響，從而反演出與生理過程更直接相關的葉片級熒光產率，是當前研究的熱點和難點 43。同樣，如何將在通量塔“點”尺度上驗證的
SIF-GPP關系，可靠地應用到異質性更強的衛星“像元”尺度，也是一個巨大的挑戰 42。
2. 大氣校正的復雜性：對于星載SIF遙感而言，信號在穿過大氣層到達衛星傳感器的過程中，會受到大氣分子和氣溶膠的吸收與散射影響。這些大氣效應，尤其是在夫瑯和費暗線內部，其光譜特征與SIF的填充效應相似，如果不能被精確校正，會給SIF反演帶來巨大誤差。開發高精度的、能夠與SIF反演耦合的大氣校正算法是提升全球SIF產品質量的關鍵 49。
3. SIF-GPP關系的機理理解：盡管在宏觀尺度上SIF與GPP表現出良好的線性關系，但在更精細的時間尺度（如小時）和特定條件下（如脅迫），二者的關系會變得非線性且受多種因素（如非光化學淬滅NPQ、光呼吸等）的調控。深入理解并模型化這些影響SIF-GPP關系的生物物理和生物化學過程，是利用SIF精準量化GPP的基礎 50。
圖16
圖16：FLEX衛星藝術概念圖。該圖為歐洲空間局（ESA）FLEX（Fluorescence Explorer）衛星的藝術概念圖。FLEX是專為SIF觀測而設計的任務，它將與哥白尼計劃的Sentinel-3衛星協同飛行，精度繪制全球植被熒光圖，極大推動SIF科學的發展。
未來幾年將是SIF遙感的黃金時代。歐洲空間局（ESA）即將發射的FLEX（Fluorescence Explorer） 衛星是專為SIF觀測而設計的任務。它將精度和信噪比繪制全球植被熒光圖，并與哥白尼計劃的Sentinel-3衛星協同飛行，獲取同步的植被結構和溫度信息，將極大推動SIF科學的發展 52。此外，德國的EnMAP、歐盟的Copernicus CO2M等新一代高光譜任務也將SIF作為其重要的科學產品，將共同構建一個全球高光譜SIF觀測網絡 56。
未來的植被遙感將不再依賴于單一平臺，而是走向一個天－空-地一體化的協同觀測新范式。在這個范式中，各個平臺扮演著不可或缺的角色：
● 衛星平臺（如FLEX）：提供全球覆蓋、長期一致的宏觀背景觀測，用于監測全球變化趨勢。
● 地面塔基系統（如搭載FS-SIF-2A的通量塔）：提供高時間頻率的連續“點”觀測，是理解 SIF 與光合作用過程機理、發展和驗證模型的基石。
● 無人機高光譜系統（如FS-SIF-6A）：作為連接天與地的關鍵橋梁，提供高空間分辨率的“面”上信息。它飛行在大部分大氣層之下，有效規避了復雜的大氣校正問題，其獲取的數據是驗證衛星產品、研究地表異質性、并將生態系統過程研究成果轉化為精準管理實踐的“金標準”數據。
當前衛星遙感面臨的尺度和大氣校正等挑戰，恰恰凸顯了高質量地面和航空測量的不可替代性。隨著 FLEX 等新一代衛星的升空，全球將產生海量的SIF數據，這將引爆對高精度地面驗證數據的巨大需求。因此，像彩譜科技（FigSpec?）這樣能夠提供覆蓋從地面到無人機的全鏈條、高精度、交叉定標的SIF測量系統的技術方案，將處在未來SIF科學發展的核心位置，為迎接全球SIF遙感新時代的到來提供堅實的硬件支撐。
1. Mohammed, G. H., Colombo, R., Middleton, E. M., Rascher, U., van der Tol, C., Nedbal, L. & Damm, A. (2019). Remote sensing of solar-induced chlorophyll fluorescence (SIF) in vegetation: 50 years of progress. Remote Sensing of Environment, 231, 111177. DOI: 10.1016/j.rse.2019.04.030
2. Li, X., & Xiao, J. (2018). 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. Global Change Biology, 24(9), 3993-4009. DOI: 10.1111/gcb.14297
3. Sun, Y., Frankenberg, C., Wood, J. D., Schimel, D. S., Jung, M., Guanter, L. & K?hler, P. (2017). OCO-2 advances photosynthesis observation from space via solar-induced chlorophyll fluorescence. Science, 358(6360), eaam5747. DOI: 10.1126/science.aam5747
4. Drusch, M., Moreno, J., Del Bello, U., Franco, R., Goulas, Y., Huth, A. & Drusch, M. (2017). The FLuorescence EXplorer (FLEX) mission: a mission to observe vegetation fluorescence. IEEE Transactions on Geoscience and Remote Sensing, 55(8), 4419-4437. DOI: 10.1109/TGRS.2017.2685961
5. Magney, T. S., Bowling, D. R., Logan, B. A., Grossmann, K., Stutz, J., Blanken, P. D.,... & Frankenberg, C. (2019). Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence. Proceedings of the National Academy of Sciences, 116(24), 11640-11645. DOI: 10.1073/pnas.1900278116
6. Parazoo, N. C., Frankenberg, C., K?hler, P., Joiner, J., Yoshida, Y., Magney, T.,... & Sun, Y. (2019). Towards a harmonized long-term global solar-induced fluorescence (SIF) record from GOME-2 and SCIAMACHY. Atmospheric Measurement Techniques, 12(12), 6529-6546. DOI: 10.5194/amt-12-6529-2019
7. Yoshida, Y., Joiner, J., Tucker, C., Berry, J., Lee, J. E., Walker, G.,... & Nomura, N. (2015). The 2010 Russian drought impact on satellite measurements of solar-induced chlorophyll fluorescence: Insights from modeling and data assimilation. Remote Sensing of Environment, 166, 129-142. DOI: 10.1016/j.rse.2015.06.008
8. Guanter, L., Zhang, Y., Jung, M., Joiner, J., Voigt, M., Berry, J. A.,... & Frankenberg, C. (2014). Global and time-resolved monitoring of crop photosynthesis with chlorophyll fluorescence. Proceedings of the National Academy of Sciences, 111(14), E1327-E1333. DOI: 10.1073/pnas.1320008111
9. Cogliati, S., Verrelst, J., Celesti, M., Schickling, A., Julitta, T., Altenburger, C.,... & Rascher, U. (2019). Retrieval of solar-induced chlorophyll fluorescence (SIF) from spectral fitting of airborne hyperspectral data. Remote Sensing of Environment, 225, 398-411. DOI: 10.1016/j.rse.2019.03.013
10. Zhang, Y., Guanter, L., Berry, J. A., van der Tol, C., Yang, X., Tang, J., & Zhang, F. (2016). Model-based analysis of the relationship between sun-induced chlorophyll fluorescence and gross primary production for remote sensing applications. Remote Sensing of Environment, 187, 145-155. DOI: 10.1016/j.rse.2016.10.023
11. Damm, A., Guanter, L., Verhoef, W., Schl?pfer, D., Schaepman, M. E., & Rascher, U. (2015). Impact of varying irradiance on vegetation indices and SIF retrievals from hyperspectral data. Remote Sensing of Environment, 159, 156-170. DOI: 10.1016/j.rse.2014.11.032
12. Wieneke, S., Ahrends, H., Damm, A., Pinto, F., Stadler, A., Rossini, M., & Rascher, U. (2016). Airborne-based spectroscopy of solar-induced chlorophyll fluorescence in a mixed forest: Comparison of different retrieval methods. Remote Sensing of Environment, 186, 614-626. DOI: 10.1016/j.rse.2016.09.012
13. Liu, X., Liu, L., & Chen, X. (2017). Evaluating the ability of solar-induced chlorophyll fluorescence to track the diurnal and seasonal dynamics of gross primary production in a maize cropland. Remote Sensing, 9(9), 947. DOI: 10.3390/rs9090947
14. Verrelst, J., Rivera, J. P., Veroustraete, F., Mu?oz-Marí, J., Clevers, J. G., & Moreno, J. (2015). Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods–A comparison. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 260-272. DOI: 10.1016/j.isprsjprs.2015.04.005
15. Zarco-Tejada, P. J., Morales, F., Testi, L., & Villalobos, F. J. (2016). Spatio-temporal patterns of chlorophyll fluorescence and physiological indices derived from hyperspectral imagery as compared with carbon assimilation rates and water stress in a vineyard. Remote Sensing of Environment, 173, 158-171. DOI: 10.1016/j.rse.2015.11.025
16. Rossini, M., Nedbal, L., Guanter, L., A?, A., Alonso, L., Burkart, A.,... & Rascher, U. (2015). Red and far-red sun-induced chlorophyll fluorescence from airborne high-resolution imaging spectroscopy. Remote Sensing of Environment, 167, 18-31. DOI: 10.1016/j.rse.2015.04.015
17. Yang, X., Tang, J., Mustard, J. F., Lee, J. E., Rossini, M., Joiner, J.,... & Munger, J. W. (2015). Solar-induced chlorophyll fluorescence is more sensitive to drought than NDVI in a grassland ecosystem. Geophysical Research Letters, 42(17), 7010-7017. DOI: 10.1002/2015GL065243
18. Cendrero-Mateo, M. P., Wieneke, S., Damm, A., Alonso, L., Pinto, F., Moreno, J., & Rascher, U. (2019). Sun-induced chlorophyll fluorescence III: A new perspective on the connection between remote sensing and ecophysiology. Remote Sensing, 11(15), 1792. DOI: 10.3390/rs11151792
19. Li, X., Xiao, J., He, B., Arain, M. A., Beringer, J., Desai, A. R.,... & Varlagin, A. (2018). Spatiotemporal patterns of solar-induced chlorophyll fluorescence and their relationships with climate and land cover in the Northern Hemisphere. Science of The Total Environment, 622, 1079-1090. DOI: 10.1016/j.scitotenv.2017.12.046
20. Du, S., Liu, L., Liu, X., Zhang, X., Zhang, X., Wu, S., & Zhang, L. (2018). Retrieval of global terrestrial solar-induced chlorophyll fluorescence from TROPOMI: First results and validation. Science Bulletin, 63(22), 1497-1500. DOI: 10.1016/j.scib.2018.10.007
21. K?hler, P., Guanter, L., & Joiner, J. (2018). A linear method for the retrieval of sun-induced chlorophyll fluorescence from satellite measurements. Atmospheric Measurement Techniques, 11(3), 1589-1602. DOI: 10.5194/amt-11-1589-2018
22. Bacour, C., Maignan, F., MacBean, N., Bastrikov, V., Kuppel, S., Santaren, D.,... & Peylin, P. (2019). Differences in seasonal cycle of plant fluorescence and photosynthesis at global scale. Global Change Biology, 25(12), 4293-4306. DOI: 10.1111/gcb.14800
23. De Grave, C., Verrelst, J., Morcillo-Pallarés, P., Pipia, L., Rivera-Caicedo, J. P., & Moreno, J. (2022). A new SIF retrieval algorithm for APEX data based on spectral fitting methods. Remote Sensing of Environment, 270, 112853. DOI: 10.1016/j.rse.2021.112853
24. Zhang, Z., Zhang, Y., Zhang, Y., & Liu, Z. (2022). Photosynthesis phenology, as defined by solar-induced chlorophyll fluorescence, is overestimated by vegetation indices in the extratropical Northern Hemisphere. Agricultural and Forest Meteorology, 323, 109062. DOI: 10.1016/j.agrformet.2022.109062
25. Wang, S., Zhang, Y., Ju, W., Qiu, B., & Zhang, Z. (2021). The role of solar-induced chlorophyll fluorescence in understanding the terrestrial carbon cycle. Science of The Total Environment, 780, 146589. DOI: 10.1016/j.scitotenv.2021.146589
1. Chapter 5: Food Security — Special Report on Climate Change and Land, accessed August 30, 2025, https://www.ipcc.ch/srccl/chapter/chapter-5/
2. Estimating Global GPP with SIF and a Data Assimilation System, accessed August 30, 2025, https://ocov2.jpl.nasa.gov/documents/3/norton-2018jul10.pdf
3. Climate Change, Global Food Security, and the U.S. Food System - USDA, accessed August 30, 2025, https://www.usda.gov/about-usda/general-information/priorities/climate-solutions/climate-change-global-food-security-and-us-food-system
4. Prioritizing Productivity For Food Security | Global Agricultural Productivity Initiative at Virginia Tech - GAP Initiative, accessed August 30, 2025, https://globalagriculturalproductivity.org/sustainable-food-and-agriculture-systems-are-built-on-productivity/prioritizing-productivity-for-food-security/
5. Climate Change Impacts on Agriculture and Food Supply | US EPA, accessed August 30, 2025, https://www.epa.gov/climateimpacts/climate-change-impacts-agriculture-and-food-supply
6. Normalized difference vegetation index - Wikipedia, accessed August 30, 2025, https://en.wikipedia.org/wiki/Normalized_difference_vegetation_index
7. NDVI or PPI: A (Quick) Comparison for Vegetation Dynamics Monitoring in Mountainous Area - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/16/20/3894
8. NDVI Explained: Understanding the Normalized Difference Vegetation Index - Cropler, accessed August 30, 2025, https://www.cropler.io/blog-posts/ndvi-explained-understanding-the-normalized-difference-vegetation-index
9. www.mdpi.com, accessed August 30, 2025, https://www.mdpi.com/2072-4292/16/3/555#:~:text=SIF%20exhibits%20a%20stronger%20response,drought%20than%20NDVI%20%5B59%5D.
10. Variation trends of SIF, SIFyield, NDVI, EVI, LAI, and fPAR... - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Variation-trends-of-SIF-SIFyield-NDVI-EVI-LAI-and-fPAR-standardized-anomalies-during_fig3_368325720
11. Global Analysis of the Relationship between Reconstructed Solar-Induced Chlorophyll Fluorescence (SIF) and Gross Primary Production (GPP) - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/13/14/2824
12. Solar Induced Chlorophyll Fluorescence: Origins, Relation to Photosynthesis and Retrieval | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/318752629_Solar_Induced_Chlorophyll_Fluorescence_Origins_Relation_to_Photosynthesis_and_Retrieval
13. Solar‐induced chlorophyll fluorescence and short‐term photosynthetic response to drought - OpenScholar, accessed August 30, 2025, https://uva.theopenscholar.com/files/plant-ecology-lab/files/helm_et_al._2020_-_solar-induced_chlorophyll_fluorescence_and_short-term_photosynthetic_response_to_drought.pdf
14. www.researchgate.net, accessed August 30, 2025, https://www.researchgate.net/publication/224026472_Remote_sensing_of_solar-
(SIF,for%20direct%20measurement%20%5B2%5D.
15. Review of Top-of-Canopy Sun-Induced Fluorescence (SIF) Studies from Ground, UAV, Airborne to Spaceborne Observations - MDPI, accessed August 30, 2025, https://www.mdpi.com/1424-8220/20/4/1144
16. Introduction to Chlorophyll Fluorescence - PhenoVation, accessed August 30, 2025, https://www.phenovation.com/introduction-to-chlorophyll-fluorescence
17. Non-photochemical quenching - Wikipedia, accessed August 30, 2025, https://en.wikipedia.org/wiki/Non-photochemical_quenching
18. Nonphotochemical Chlorophyll Fluorescence Quenching: Mechanism and Effectiveness in Protecting Plants from Photodamage - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC4825125/
19. Solar-induced chlorophyll fluorescence imaging spectrometer: design, manufacture, and evaluation - Optica Publishing Group, accessed August 30, 2025, https://opg.optica.org/abstract.cfm?uri=oe-30-23-41422
20. Fraunhofer line depth (FLD) method. (A) The solar down-welling... - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Fraunhofer-line-depth-FLD-method-A-The-solar-down-welling-irradiance-E-is_fig1_332594417
21. Retrieval of solar-induced chlorophyll fluorescence (SIF) from satellite measurements - AMT, accessed August 30, 2025, https://amt.copernicus.org/articles/15/2125/2022/amt-15-2125-2022.pdf
22. Fraunhofer Line Depth (FLD) principle depicted by measurements inside... | Download Scientific Diagram - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Fraunhofer-Line-Depth-FLD-principle-depicted-by-measurements-inside-and-outside-the_fig1_322103067
23. disentangling isotropic fluorescence from the canopy directional reflectance using brdf models - Sci-Hub, accessed August 30, 2025, https://2024.sci-hub.se/6818/2e26b6ab2d4e039c0b02611c8b59ef67/10.1109@whispers.2016.8071658.pdf
24. Accounting for the Spectral Resolution on Sif Retrieval From a Narrow-Band Airborne Imager Using Scope - QuantaLab, accessed August 30, 2025, https://quantalab.ias.csic.es/pdf/Accounting_for_the_Spectral_Resolution_on_Sif_Retrieval_From_a_Narrow-Band_Airborne_Imager_Using_Scope.pdf
25. Comparing the Retrieval of Chlorophyll Fluorescence from Two Airborne Hyperspectral Imagers with Different Spectral Resolutions - QuantaLab IAS-CSIC, accessed August 30, 2025, https://quantalab.ias.csic.es/pdf/Comparing_the_Retrieval_of_Chlorophyll_Fluorescence_from_Two_Airborne_Hyperspectral_Image.pdf
26. Review of Top-of-Canopy Sun-Induced Fluorescence (SIF) Studies from Ground, UAV, Airborne to Spaceborne Observations - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC7070282/
27. Quantifying Uncertainties in Solar-Induced Fluorescence Retrieval Algorithms with Simulated Data, accessed August 30, 2025, https://scisoc.confex.com/scisoc/2024am/meetingapp.cgi/Paper/158382
28. Comparison of Four Different Sun-Induced Chlorophyll Fluorescence Retrieval Algorithms Using Simulated and Field-Measured Data | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/328986867_Comparison_of_Four_Different_Sun-Induced_Chlorophyll_Fluorescence_Retrieval_Algorithms_Using_Simulated_and_Field-Measured_Data
29. Irradiance source comparison for FLD-based solar-induced fluorescence (SIF) retrieval using hyperspectral imagery - SPIE Digital Library, accessed August 30, 2025, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13475/134750A/Irradiance-source-comparison-for-FLD-based-solar-induced-fluorescence-SIF/10.1117/12.3053825.full
30. Retrieval of sun-induced fluorescence using advanced spectral fitting methods | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/282322943_Retrieval_of_sun-induced_fluorescence_using_advanced_spectral_fitting_methods
31. FSM: A Reflectance Reconstruction Method to Retrieve Full-Spectrum Sun-Induced Chlorophyll Fluorescence From Canopy Measurements, accessed August 30, 2025, https://ris.utwente.nl/ws/portalfiles/portal/492885691/FSM_A_Reflectance_Reconstruction_Method_to_Retrieve_Full-Spectrum_Sun-Induced_Chlorophyll_Fluorescence_From_Canopy_Measurements.pdf
32. FSM: A Reflectance Reconstruction Method to Retrieve Full-Spectrum Sun-Induced Chlorophyll Fluorescence From Canopy Measurements | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/385222951_FSM_a_reflectance_reconstruction_method_to_retrieve_full-spectrum_sun-induced_chlorophyll_fluorescence_from_canopy_measurements
33. New Spectral Fitting Method for Full-Spectrum Solar-Induced Chlorophyll Fluorescence Retrieval Based on Principal Components Analysis - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/7/8/10626
34. Performance of Ground-Based Solar-Induced Chlorophyll Fluorescence Retrieval Algorithms at the Water Vapor Absorption Band - PMC, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11821067/
35. Retrieving Sun-Induced Chlorophyll Fluorescence from Hyperspectral Data with TanSat Satellite - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8309921/
36. A Novel Principal Component Analysis Method for the Reconstruction of Leaf Reflectance Spectra and Retrieval of Leaf Biochemical Contents - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/9/11/1113
37. Noise Reduction for Solar-Induced Fluorescence Retrievals Using Machine Learning and Principal Component Analysis: Simulations a - AMS Journals, accessed August 30, 2025, https://journals.ametsoc.org/downloadpdf/view/journals/aies/3/3/AIES-D-23-0085.1.pdf
38. A convolutional neural network for spatial downscaling of satellite-based solar-induced chlorophyll fluorescence (SIFnet) - BG, accessed August 30, 2025, https://bg.copernicus.org/articles/19/1777/2022/
39. Machine learning methods for assessing photosynthetic activity: environmental monitoring applications - PMC, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9481805/
40. Noise Reduction for Solar-Induced Fluorescence Retrievals Using Machine Learning and Principal Component Analysis: Simulations and Applications to GOME-2 Satellite Retrievals in - AMS Journals, accessed August 30, 2025, https://journals.ametsoc.org/view/journals/aies/3/3/AIES-D-23-0085.1.xml
41. 日光誘導葉綠素熒光（SIF）高光譜測量系統-2.pdf
42. Development of the Long-term Harmonized multi-satellite SIF (LHSIF) dataset at 0.05° resolution (1995–2023) - ESSD Copernicus, accessed August 30, 2025, https://essd.copernicus.org/preprints/essd-2025-94/essd-2025-94.pdf
43. Wide discrepancies in the magnitude and direction of modeled solar-induced chlorophyll fluorescence in response to light conditions - BG, accessed August 30, 2025, https://bg.copernicus.org/articles/17/3733/2020/
44. Integrating SIF and Clarity Index to Improve Maize GPP Estimation Using Continuous Tower-Based Observations, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC7249652/
45. Solar‐induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes - USDA Forest Service, accessed August 30, 2025, https://www.fs.usda.gov/nrs/pubs/jrnl/2018/nrs_2018_li-x_001.pdf
46. Exploring the Potential of Solar-Induced Chlorophyll Fluorescence Monitoring Drought-Induced Net Primary Productivity Dynamics in the Huang-Huai-Hai Plain Based on the SIF/NPP Ratio - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/15/13/3276
47. Combining multiple UAV-based indicators for wheat yield estimation, a case study from Germany - EconStor, accessed August 30, 2025, https://www.econstor.eu/bitstream/10419/281166/1/Khodjaev_2024_wheat_yield_estimation.pdf
48. Wu, G., Guan, K., Jiang, C., Kimm, H., Miao, G., Yang, X., Bernacchi, C.J., Sun, X., Suyker, A.E., Moore, C.E. 2023. Can upscaling ground nadir SIF to eddy covariance footprint improve the relationship between SIF and GPP in croplands. Agricultural and - Publication: USDA ARS, accessed August 30, 2025, https://www.ars.usda.gov/research/publications/publication/?seqNo115=405328
49. Challenges in the atmospheric characterization for the retrieval of spectrally resolved fluorescence and PRI region dynamics from space | Request PDF - ResearchGate, accessed August 30, 2025,
PRI_region_dynamics_from_space
50. Seasonal changes in GPP/SIF ratios and their climatic determinants across the Northern Hemisphere - ORNL's Impact, accessed August 30, 2025, https://impact.ornl.gov/en/publications/seasonal-changes-in-gppsif-ratios-and-their-climatic-determinants
51. Investigating the responses of sun-induced chlorophyll fluorescence, gross primary production and their inter-relationship to abiotic factors changes in a temperate deciduous forest - EGUsphere, accessed August 30, 2025, https://egusphere.copernicus.org/preprints/2024/egusphere-2024-657/
52. (PDF) Fluorescence imaging spectrometer (FLORIS) for ESA FLEX mission - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/317865106_Fluorescence_imaging_spectrometer_FLORIS_for_ESA_FLEX_mission
53. FLEX Objectives - ESA Earth Online - European Space Agency, accessed August 30, 2025, https://earth.esa.int/eogateway/missions/flex/objectives
54. FLEX/Sentinel 3 Tandem Mission FLEX Bridge Study - HOME Page - P&M Technologies, accessed August 30, 2025, https://www.pmtech.ca/FLEX/FB_PAGE.htm
55. FLEX - ESA Earth Online, accessed August 30, 2025, https://earth.esa.int/eogateway/missions/flex
56. Applications - EnMAP, accessed August 30, 2025, https://www.enmap.org/science/applications/
57. Atmospheric Research - EnMAP, accessed August 30, 2025, https://www.enmap.org/science/applications/atmosphere/
58. Satellite: CO2M-A - WMO OSCAR, accessed August 30, 2025, https://space.oscar.wmo.int/satellites/view/co2m_a
59. Copernicus CO2M: status of the mission for monitoring anthropogenic carbon dioxide from space - SPIE Digital Library, accessed August 30, 2025, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/12777/127774I/Copernicus-CO2M--status-of-the-mission-for-monitoring-anthropogenic/10.1117/12.2690839.full
銷售直撥：13858065387
固定電話：13858065387
地址：浙江省杭州市錢塘新區文淵北路166號6F南.png)
電話：13858065387（資深專家24h在線）.png)
郵箱：yuankun@colorspec.cn