基于人工神经网络的卫星数据叶绿素荧光反演方法提升植被生产力监测精度

推荐：针对现有基于奇异值分解(SVD)的卫星反演太阳诱导叶绿素荧光(SIF)存在高噪声的问题，研究人员创新性地提出基于人工神经网络(ANN)的SIF反演方法。通过耦合OCO-2/3高精度SIF与TROPOMI辐射数据训练ANN模型，实现了0.217 mW?m?2?nm?1?sr?1的RMSE，噪声水平较传统方法降低50%。该成果为全球碳循环观测提供了更精确的植被光合作用监测手段。

　　

植被光合作用是全球碳循环的核心环节，准确监测其动态对理解气候变化至关重要。太阳诱导叶绿素荧光(Sun-induced chlorophyll fluorescence, SIF)作为光合作用的"指纹"，已成为遥感监测植被生产力的重要指标。然而现有基于奇异值分解(Singular Value Decomposition, SVD)的卫星SIF反演方法存在显著噪声，单次观测误差高达0.4-0.6 mW?m^?2?nm^?1?sr^?1，迫使研究者通过时空聚合来降噪，这严重制约了数据时空分辨率的有效利用。

为解决这一难题，Dong Li团队在《Remote Sensing of Environment》发表研究，创新性地将人工神经网络(Artificial Neural Network, ANN)引入SIF反演领域。研究团队巧妙设计了三步法：首先严格匹配OCO-2/3卫星高精度SIF与TROPOMI辐射数据的时空和几何参数；随后构建单隐层ANN模型，以743-758 nm波段辐射为输入、OCO-2/3 SIF为输出进行训练；最终将优化后的模型应用于全球TROPOMI数据生产。关键技术包括辐射传输模型耦合(SCOPE-MODTRAN)、多源卫星数据时空匹配算法、以及基于PICS(伪不变校准场)的系统误差校正。

模型仿真验证可行性

通过SCOPE-MODTRAN耦合模拟70,560组大气-植被场景，证明ANN能准确捕捉SIF对夫琅禾费线填充效应，在信噪比400时达到R²=0.96的优异表现。特别设计的随机SIF添加实验证实，ANN并非依赖植被反射辐射的总体特征，而是真正识别了光谱细微变化。

实测数据验证精度提升

利用2018-2024年OCO-2/3与TROPOMI匹配数据集训练后，验证集显示ANN反演SIF与参考值具有0.85的决定系数，RMSE仅0.217 mW?m^?2?nm^?1?sr^?1。在撒哈拉沙漠等无植被区域测试表明，ANN-SIF的离散度显著低于传统产品，证实其噪声水平降低约50%。

时空模式与应用优势

全球制图显示ANN-SIF成功捕捉到美国玉米带等典型高光合区域信号。相比SVD产品，单次观测的ANN-SIF即可呈现平滑物候曲线，在稀疏植被区(如稀树草原)与GPP的相关性提升超过300%。空间聚合分析表明，传统SIF需10 km范围内多次观测平均才能达到ANN单次观测的信噪比水平。

这项研究开创了机器学习直接反演卫星SIF的新范式，其重要意义体现在三方面：技术上首次实现ANN对夫琅禾费线填充效应的特征提取，突破了传统统计方法的精度极限；科学上为解析光合作用瞬变过程提供了亚公里级的高频观测能力；应用上使单次SIF观测直接关联通量塔数据成为可能，大幅提升了GPP估算的时空匹配精度。随着FLEX等专用荧光卫星的即将发射，该方法有望推动新一代SIF产品的标准化生产，为全球碳循环研究注入新的活力。