通过多卫星数据融合改进地面太阳诱导叶绿素荧光（SIF）重建方法：区域尺度上的比较研究

《International Journal of Remote Sensing》：Improving terrestrial solar-induced chlorophyll fluorescence (SIF) reconstruction through multi-satellite-derived SIF integration: a comparative study in regional scale

本研究整合TROPOMI、OCO-2和TanSat的太阳诱导叶绿素荧光（SIF）数据，结合气象数据和地表反射率，采用随机森林模型构建了区域尺度高时空分辨率（0.03°，每日）的SIF数据集。结果表明，多源数据整合显著提升模型精度，R2值最高增加13%，平均提升8.5%，温带森林和湿地生态区表现尤为突出，且整合效果受原始数据质量和分布影响显著。

　　

摘要

太阳诱导的叶绿素荧光（SIF）是衡量植被光合作用活动的有效指标。整合多颗卫星获取的SIF数据集为解决陆地SIF重建中数据质量和数量之间的固有问题提供了一种有前景的解决方案。在这里，我们创新性地采用了一种不确定性定量比较策略，将TROPOMI、OCO-2和TanSat的SIF数据集进行整合。通过使用整合后的SIF数据、气象数据、地表反射率数据以及cos(SZA)来训练随机森林模型，我们在区域尺度上重建了高时空分辨率（0.03°，每日）的SIF数据集。将重建的SIF数据集与原始SIF数据集、HCSIF和FluxSat GPP进行了对比评估。结果表明，与使用单一SIF数据相比，整合多颗卫星数据显著提高了重建模型的准确性，R2指标的最大提升达到了13%，平均提升了8.5%。不同生物群落的整合效果各不相同，在EBF和WSA生物群落中效果最为显著，其中TanO（TanSat – OCO-2）模型的非线性叠加效应尤为明显（1 + 1 > 2）。相比之下，其他生物群落中整合SIF的模型R2值仅略高于使用其中某一单颗卫星数据的模型。此外，SIF数据集的整合所带来的重建效果显著受到原始SIF数据的质量和分布及其在整合数据集中所占比例的影响。本研究凸显了整合SIF数据集在陆地SIF重建中的巨大潜力。