欧亚国际

准确估计总初级生产力GPP对于捕捉植被生长状况、了解全球碳汇分布以及了解陆地植被对气候变化的影响至关重要。基于遥感技术的太阳诱导叶绿素荧光(SIF)为监测植被光合作用提供了一种工具，但是仅仅利用SIF和GPP之间建立一个反映荧光信息和光合作用的简单关系是不够的，结合光化学植被指数PRI在估算GPP方面具有巨大的潜力。

2024年2月，Plant Phenomics在线发表了南京信息工程大学生态与应用气象学院，江苏省农业气象重点实验室以及中国气象局国家气象中心等的合作完成的题为Establishing a Gross Primary Productivity Model by SIF and PRI on the Rice Canopy的研究成果。

本文使用来自多角度光谱仪的PRI和SIF以及来自涡协方差系统的GPP来评估PRI增强SIF-GPP估计模型的能力。首先通过采用半经验核驱动的双向反射分布函数(BRDF)模型来描述热点PRI/SIFs (PRIhs/SIFhs)，并采用改进的双叶模型来计算总冠层PRI/SIF (PRItot/SIFtot)。

图1 PRI(A和B)和SIF(C和D)特征分布的多角度(A和C)和BRDF模型(B和D)

图2 不同估算模型下水稻GPP观测值和估算值的分布, (A) PRIhs-GPP, (B) PRItot-GPP, (C)SIFhs-GPP, (D)SIFtot-GPP, (E)PRIhs+SIFhs-GPP, (F)PRItot+SIFtot-GPP); R2, RMSE和RPD 显示在对应图中.

本文还比较了PRIhs/SIFhs和PRItot/SIFtot在估计GPP时的准确性。验证结果表明PRItot+SIFtot-GPP模型表现最好，相关系数(R2)为0.88，均方根误差(RMSE)为3.74，相对预测偏差(RPD)为2.71。PRI和SIF的组合提高了预测精度，最终建立水稻冠层总初级生产力模型。

本文的主要目标是研究SIF与PRI结合估算GPP的能力，并比较PRI/SIF在热点和总冠层的估计能力。验证数据的结果表明，结合PRI和SIF估计GPP比单独使用PRI和SIF更准确，PRI的加入提高了SIF估计GPP的精度和稳定性，且总冠层的PRI/ SIF优于热点的PRI/ SIF。这些结果证明了SIF和PRI相结合估算GPP的可行性，为利无损采样技术准确跟踪作物光合过程开辟了新的视角，为研究植被指数对环境的响应提供了参考。

论文链接：

http://spj.science.org/doi/10.34133/plantphenomics.0144

——推荐阅读——

Lightweight Deep Learning Models for High-Precision Rice Seedling Segmentation from UAV-Based Multispectral Images

http://spj.science.org/doi/10.34133/plantphenomics.0123

Plant Phenomics | 东北农业大学基于深度学习的轻量化水稻秧苗分割模型

Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models

http://spj.science.org/doi/10.34133/plantphenomics.0056

Plant Phenomics | 使用无人机图像和光合积累模型估算水稻地上生物量