编辑推荐：
全球人口增长使农作物需求上升，但极端天气影响作物产量。研究人员基于太阳诱导叶绿素荧光（SIF）改进 DayCent 模型的光合方程，开发并测试 3 个版本模型。结果显示改进模型预测效果更好，该研究能提升作物生产模拟准确性。
在全球人口持续增长的大背景下，人们对用于食品、饲料、纤维和燃料的农作物需求也在不断攀升。然而，全球气候变暖使得极端天气事件愈发频繁，这给农作物产量带来了巨大挑战。要知道，作物生产力主要依靠光合作用将光能转化为糖类，而这一过程会受到湿度、温度、养分供应等多种因素的影响，这些因素又与作物和养分管理、气候条件等密切相关。总初级生产力（GPP）能够反映这些因素对作物生产的综合影响，精确预测 GPP 对于监测全球粮食供应、评估种植系统应对气候变化的弹性至关重要，因此多年来一直备受关注。
目前，基于过程的生态系统模型是模拟光合作用速率和作物生产力的重要工具，但这些模型的准确性仍有待提高。比如，一些模型在评估作物产量时，没有充分考虑病虫害、冰雹、洪水等限制因素；部分利用卫星遥感数据计算植物生产力的方法，也无法解释 GPP 与作物结构之间的因果机制。太阳诱导叶绿素荧光（SIF）作为光合作用过程中激发态叶绿素 a 分子发出的红光和远红光，可用于估算植被生产力。虽然已有不少研究利用 SIF 与 GPP 的关系进行 GPP 估算，但由于未考虑二者关系的季节性变化，这些方法存在较大不确定性。
为了解决这些问题，来自多个研究机构的研究人员开展了相关研究，该研究成果发表在《Ecological Modelling》杂志上。研究人员在 DayCent 生态系统模型中开发了三个版本的光响应机制（MLR）框架，结合远红光 SIF 观测数据，以改进对作物系统季节性 GPP 的预测。DayCent 模型是一个基于过程的生态系统模型，能模拟植物和土壤过程，常用于估算土壤有机碳储量变化和土壤氧化亚氮（N2O）排放等，但该模型现有的计算每日潜在植物生产的方法，没有充分考虑全球变暖和水分胁迫对植物生产的直接影响。
研究人员运用了贝叶斯模型分析框架进行模型校准和评估，所用数据来自美国中部五个地点多年的地面测量数据。通过一系列复杂的计算和分析，研究人员得出了重要结论：在预测季节性 GPP 方面，不同版本的模型表现各异。其中，表现最佳的模型版本通过温度来反映光合系统 II 最大光化学效率（ΦPSIImax）的季节性变化，并基于生态进化最优性（EEO）理论直接计算细胞间 CO2浓度（Ci）。该版本模型的一致性指数（IA）在 0.76 - 0.88 之间，均方根误差（RMSE）在 3.93 - 6.76 g C m?2 d-1之间。与传统的辐射利用效率（RUE）方法相比，即使后者结合了 MODIS 增强植被指数（EVI）数据，该模型在预测 GPP 时，IA 值更高，RMSE 值更低，与实测 GPP 的一致性更好。
这一研究成果意义重大。它表明基于 SIF 观测的机理建模框架可以有效提升基于过程的作物生产模型的准确性，为更精准地评估作物生产力、预测气候变化对农业的影响提供了有力支持，有助于优化农业管理策略，保障全球粮食安全。
研究人员开展研究用到的主要关键技术方法包括：利用已发表的美国中部五个站点多年的地面测量数据，为模型校准和评估提供基础数据；运用贝叶斯模型分析框架，对开发的三个版本的 MLR 框架模型进行校准和评估，以确定模型参数和评估模型性能 。
研究结果如下：
- Bayesian 校准：展示了五个模型版本在 USNe2 站点季节性 GPP 的校准结果，对比建模结果和测量值可知，除 2017 年 SIFM3 模拟外，其余三个 MLR - SIF 模型版本都能描述季节性 GPP 动态变化，而传统 RUE 方法（RUEM4 和 EVIM5）表现类似。
- SIF 模型评估经验教训：评估了三个 MLR - SIF 模型版本模拟 GPP 的性能。在季节性 GPP 方面，SIFM1 和 SIFM2 性能指标相近，SIFM3 预测准确性相对较低。SIFM1 和 SIFM2 通过入射光合有效辐射（PAR）获取 qL，并根据温度考虑 ΦPSIImax的季节性变化，SIFM3 则用其他参数替代了 qL。
研究结论表明，基于 SIF 观测改进的 DayCent 模型中的 MLR 框架，能够更准确地预测作物系统的季节性 GPP。该研究不仅为生态系统模型中作物生产的模拟提供了新的思路和方法，还进一步加深了人们对作物光合作用过程与环境因素关系的理解。不过，研究也存在一定的局限性，例如某些参数的确定可能还不够精准，模型在不同环境条件下的普适性还需进一步验证等。未来研究可以朝着优化模型参数、拓展模型应用范围等方向展开，以更好地服务于农业生产和生态环境研究领域。
