无人机遥感与作物生长模型协同提升农田碳通量估算精度：基于LAI反演与FvCB/LUE光合途径的整合研究

本研究针对农田生态系统碳通量(GPP/NEE/TER)估算存在的时空代表性不足问题，通过将无人机(UAS)平台获取的叶面积指数(LAI)与AgroC模型耦合，创新性地结合辐射传输模型(RTM)反演与Farquhar-von Caemmerer-Berry(FvCB)/光能利用率(LUE)光合途径，实现了冬小麦田1米分辨率碳通量精准制图。结果显示整合UAS-LAI的AgroCFvCB模型GPP估算最优(RMSE=3.19 gC m-2 d-1，KGE=0.89)，为农田碳循环监测提供了新范式。

　　

在全球气候变化背景下，农田生态系统作为快速循环的活跃碳库，其碳通量的精准监测对评估农业可持续性和气候韧性至关重要。然而传统涡度相关(EC)通量塔空间覆盖稀疏，而卫星驱动的光能利用率(LUE)模型存在作物功能类型简化、物候表征不足等问题，导致农田总初级生产力(GPP)和净生态系统交换(NEE)估算存在显著偏差。与此同时，作物生长模型(CGM)虽能模拟物种特异性生理过程，却缺乏空间表征能力。这种"宏观监测缺精度、机理模型缺尺度"的矛盾，催生了无人机(UAS)遥感与过程模型协同研究的新机遇。

德国于利希研究中心团队在《Agricultural and Forest Meteorology》发表的研究，开创性地将UAS多光谱传感器获取的LAI通过辐射传输模型(RTM)反演整合至AgroC生态系统模型。研究选择德国Selhausen的9.7公顷冬小麦田为实验区，采用MicaSense RedEdge-M传感器获取5个波段影像，通过PROSAIL-D模型反演得到1米分辨率LAI。通过对比Farquhar-von Caemmerer-Berry(FvCB)和LUE两种光合途径，构建四种AgroC模型组合，以ICOS通量塔数据验证碳通量估算精度。

关键技术包括：1)基于PROSAIL-D模型的查找表(LUT)反演算法，输入参数采用截断正态分布约束病态问题；2)AgroC模型双模式运行机制，整合SUCROS作物模块、SoilCO₂传输模块和RothC碳周转模块；3)通过线性插值将离散UAS-LAI时间序列整合至模型；4)采用Kling-Gupta效率系数(KGE)等多指标验证模型性能。

研究结果显示，UAS反演的LAI较传统植被指数(VI)方法显著提升精度，峰值LAI仅高估6.15%，而VI方法低估达40.23%。时空分析表明：在时间维度上，整合UAS-LAI使AgroC_FvCB的GPP估算达到最优精度(RMSE=3.19 gC m^-2 d^-1)，较原始模型提升46.7%；AgroC_LUE+UAS-LAI组合则实现最佳NEE估算(RMSE=2.10 gC m^-2 d^-1)。在空间维度上，1米分辨率制图清晰揭示了田间变异，植被区GPP日际Pearson相关系数(r)达0.94，非植被区因土壤呼吸主导呈现负相关。

讨论部分指出，FvCB途径因考虑Rubisco限制羧化等生化约束，在整合遥感数据时展现出比LUE更强的机理优势。值得注意的是，虽然LAI整合改善了GPP/NEE估算，但对总生态系统呼吸(TER)的提升有限，这源于土壤异养呼吸(HR)占TER的20-40%且受LAI影响较小。研究还发现，西北条带状植被区的低相关性(r=0.16)与土壤类型边界高度吻合，暗示地下属性对碳通量的调控作用。

该研究通过物理机制与遥感观测的深度融合，突破了传统模型"参数不可移植"的瓶颈。提出的UAS-AgroC框架为农田碳监测提供了每小时、米级精度的解决方案，其技术路线可扩展至卫星-UAS协同监测系统。未来研究需进一步耦合土壤-植被相互作用机制，特别是在多年度气候变异和多样化种植系统下的适用性验证，这将为精准农业和碳汇管理提供更强大的工具支撑。