在不同模型框架下，评估无人机（UAV）和卫星平台在农业生态系统中对总初级生产力（Gross Primary Production, GPP）监测的适用性

《Computers and Electronics in Agriculture》：Evaluation of UAV and satellite platforms for gross primary production monitoring under different model frameworks in agroecosystems

GPP监测中UAV优于Sentinel-2和MODIS，尤其在LR和LUE模型中表现更优，RMSE差异显著。

　　在当今全球气候变化和粮食安全日益受到关注的背景下，准确监测农业生态系统中的总初级生产力（GPP）变得尤为重要。GPP作为地球碳循环的关键组成部分，不仅反映了生态系统对太阳能的利用效率，还直接关系到农业生产的潜力和可持续性。然而，传统的地面观测方法存在成本高、覆盖范围有限等问题，因此遥感技术成为获取大范围、高精度GPP数据的重要手段。本文通过对比无人机（UAV）和卫星平台（包括Sentinel-2和MODIS）在不同模型框架下的表现，探讨了它们在农业生态系统中监测GPP的适用性与局限性。

遥感技术在农业生态系统中的应用已取得显著进展。光谱遥感数据，如植被指数和太阳诱导叶绿素荧光（SIF）信号，已被广泛用于估算GPP。其中，基于光合有效辐射（PAR）的叶绿素荧光模型、基于光能利用效率（LUE）的模型以及基于线性回归的统计模型，构成了当前主流的GPP估算方法。这些模型依赖于遥感数据提供的关键参数，如叶绿素含量、植被覆盖度和地表反射率等，从而实现对生态系统生产力的动态监测。然而，不同遥感平台在数据质量和空间分辨率上的差异，可能对模型的准确性产生显著影响。

Sentinel-2和MODIS作为当前应用最广泛的卫星遥感平台，其数据在农业生态系统监测中发挥了重要作用。Sentinel-2具有较高的空间分辨率（10米至60米），能够提供更详细的地表信息，而MODIS则以较宽的波段范围和较高的时间分辨率（每日覆盖）著称，适合长期趋势分析。尽管如此，这些卫星平台的数据仍受到云层覆盖和地表异质性的影响，导致其在某些情况下无法准确反映区域内的GPP变化。相比之下，无人机遥感技术因其灵活的飞行路径、高分辨率影像以及不受云层干扰的优势，被认为在特定条件下能提供更精确的GPP估算。

本研究选取了三个典型的农业生态系统站点，分别种植了玉米、小麦和水稻。通过在这些站点进行联合的涡度协方差（EC）-无人机（UAV）-卫星观测，研究人员评估了不同遥感平台在GPP估算中的表现。结果表明，UAV平台在GPP估算中展现出更高的精度。在使用线性回归（LR）和LUE模型时，UAV数据的均方根误差（RMSE）仅为6至13.22 μmol m?2 s?1，而Sentinel-2和MODIS的RMSE分别增加了8至47%和10至42%。这一发现表明，UAV数据在简单结构的模型中具有显著优势，能够更有效地捕捉地表光合活动的细微变化。

然而，研究也指出，尽管UAV数据质量较高，但其在不同模型框架下的表现并不总是优于卫星数据。例如，在基于叶绿素生物化学性质的模型中，卫星数据通过其更广泛的波段覆盖和长期观测能力，能够提供更具代表性的输入参数。此外，研究团队还探讨了多源遥感数据融合的可能性，认为通过校准策略可以实现UAV和卫星数据的互补利用。然而，初步结果表明，这种融合并未显著提升GPP估算的精度，可能与数据融合方法、模型参数选择以及地表异质性等因素有关。

从研究的角度来看，农业生态系统监测面临诸多挑战。首先，不同遥感平台的数据特性差异较大，导致在不同模型框架下其适用性不同。其次，由于农业景观的高度异质性，单一平台的数据可能无法全面反映整个区域的GPP变化。因此，如何选择合适的遥感平台与模型组合，以实现更准确的GPP估算，成为当前研究的重点之一。此外，多源数据的融合与协同应用也备受关注，因为其能够弥补单一平台在空间、时间或光谱分辨率上的不足，从而提供更全面的生态系统信息。

本研究的创新之处在于，首次系统地对比了UAV与卫星遥感平台在不同模型框架下的表现，并探讨了多源数据融合对GPP估算的影响。通过在三个不同农业生态系统站点进行联合观测，研究人员不仅验证了UAV数据在精度上的优势，还揭示了卫星数据在特定模型中的价值。这一研究为未来农业生态系统监测提供了新的思路，即在不同模型和数据源之间寻找最优的匹配方案，以提高GPP估算的准确性与可靠性。

总体而言，本研究的结果强调了遥感平台在农业生态系统监测中的重要性。UAV平台因其高分辨率和数据质量，在简单模型中表现出色，而卫星平台则在长期趋势分析和区域尺度监测中具有不可替代的优势。因此，在实际应用中，应根据研究目标和模型需求，合理选择遥感平台。此外，多源数据的融合策略仍需进一步探索，以期在不同模型和平台之间实现更高效的协同监测。

农业生态系统监测的未来发展方向可能包括以下几个方面。首先，随着遥感技术的不断进步，UAV和卫星平台的性能将进一步提升，为更精确的GPP估算提供数据支持。其次，研究者需要开发更先进的数据融合算法，以充分利用不同平台的优势，提高模型的预测能力。第三，针对不同作物类型和生长阶段，应建立更加精细化的模型框架，以适应多样化的农业生态系统。最后，结合人工智能和大数据分析技术，有望实现对GPP的实时监测和动态预测，为农业管理和气候变化应对提供科学依据。

在当前全球气候变化和粮食安全问题日益严峻的背景下，准确监测农业生态系统的GPP不仅有助于评估生态系统的碳汇能力，还能为农业政策制定和资源管理提供重要参考。因此，未来的研究应更加注重多源遥感数据的综合应用，探索不同平台与模型之间的最佳匹配方案，以实现更高效、更精准的GPP估算。同时，应加强对不同农业生态系统特性的研究，开发适用于各类作物和环境条件的监测方法，为全球农业可持续发展提供科学支持。