编辑推荐：
当前卫星 SIF 产品因空间分辨率低或不连续，限制了其在植被光合作用监测中的应用。研究人员开展了空间降尺度方法研究，生成了 500m、16 天的 TroDSIF 数据集。该数据集与原数据一致性更好，对相关研究意义重大。
在生态环境研究的大舞台上，植被光合作用监测至关重要。太阳诱导叶绿素荧光（SIF）作为植被光合作用的关键指标，近年来备受关注。众多卫星 SIF 产品不断涌现，但问题也接踵而至。高分辨率的 SIF 产品，像 OCO - 2、OCO - 3、TanSat 和 TECIS - 1 的 SIF 产品，虽然分辨率较高，却存在空间不连续的问题；而低分辨率的 SIF 产品，如 SCIAMACHY、GOME 和 GOME - 2 的 SIF 产品，覆盖全球尺度，却只能在粗糙的空间分辨率下监测植被光合作用，难以满足精确研究的需求。为了突破这些困境，中国电力建设集团西北勘测设计研究院有限公司、国际可持续发展目标大数据国际研究中心、中国科学院空天信息创新研究院、长安大学以及浙江省测绘科学技术研究院的研究人员携手开展了一项重要研究。他们利用空间降尺度方法，对 TROPOspheric Monitoring Instrument（TROPOMI）的原始 SIF 数据进行处理，成功生成了具有 500m 高空间分辨率和 16 天重访周期的降尺度 SIF 数据集（TroDSIF）。这一成果意义非凡，为全球植被光合作用和气候变化研究提供了更精确的数据支持，相关研究成果发表在《Scientific Data》上。
研究人员在研究过程中运用了多种关键技术方法。首先，选取了 Caltech TROPOMI SIF 数据、RTSIF、MODIS 相关产品以及 ERA5 数据集等多源数据。然后，采用随机森林（RF）模型，确定了包括红、近红外、绿、蓝波段反射率、归一化植被指数（NDVI）、太阳天顶角余弦（cos (SZA)）和气温（AT）在内的多个解释变量，以此建立与 TROPOMI 每日校正 SIF 的关系。最后，利用预测的 500m SIF 作为权重系数，对原始 TROPOMI SIF 进行重新分配，从而得到 TroDSIF 数据集。
在研究结果部分：
- RF 模型性能：通过训练集和验证集对构建的 RF 模型进行验证，结果显示其表现出色。在训练时，决定系数（R2）达到 0.908，均方根误差（RMSE）为 0.059 mW/m2/nm/sr；验证时，R2 为 0.893 ，RMSE 为 0.064 mW/m2/nm/sr。同时，研究发现 cos (SZA) 和近红外反射率是影响 SIF 的两个关键变量。
- TroDSIF 数据集时空模式：以 2019 年第 206 天为例，TroDSIF 成功再现了原始 SIF 的空间模式，且在全球尺度上具有空间连续性，高值集中在北半球。此外，TroDSIF 和原始 SIF 的全球平均 SIF 值变化趋势相似，都呈现出明显的季节性特征。
- TroDSIF 与其他产品比较：将 TroDSIF 重新聚合到 0.05° 后与 RTSIF 和原始 TROPOMI SIF（OSIF）进行比较，结果表明 TroDSIF 与 OSIF 的一致性更高，R2 值分别为 0.948 和 0.934，RMSE 值更低；而 RTSIF 与 OSIF 的相关性较弱，R2 值较小，RMSE 值较大。在不同植被类型的生物群落层面比较中，TroDSIF 在大多数选定生物群落中与 OSIF 的关系更强。同时，TroDSIF 在不同纬度与 OSIF 的残差接近零，而 RTSIF 的残差较高且不均匀。
- TroDSIF 与塔基 SIF 验证：利用中国 6 个 ChinaSpec 站点的塔基 SIF 测量数据对 TroDSIF 进行验证，发现 TroDSIF 与塔基 SIF 的一致性比 OSIF 更高，RMSE 值在 0.104 - 0.223 之间，平均绝对误差（MAE）值在 0.077 - 0.163 之间。
- TroDSIF 对塔基 GPP 估计的性能提升：以 AmeriFlux 网络中 67 个不同站点的塔基总初级生产力（GPP）估计值为参考，研究发现 TroDSIF 与塔基 GPP 的关系比原始 TROPOMI SIF 更好，R2 值达到 0.542，在不同生物群落中，TroDSIF 提升了 SIF 与 GPP 的关系，R2 值在 0.193 - 0.894 之间。
综上所述，本研究成功生成了高分辨率的 TroDSIF 数据集，它在与原始 SIF 的一致性、对塔基 SIF 和 GPP 测量的反映等方面表现出色。这一成果为植被光合作用监测、碳循环研究以及气候变化研究提供了更优质的数据支持，有助于科研人员在全球范围内更精确地研究陆地生态系统，对推动相关领域的发展具有重要意义。同时，研究也指出 TroDSIF 依赖于重新分配过程中 OSIF 与 ML 预测 SIF 之间的线性假设，这为后续研究指明了进一步探索和改进的方向 。
