多源卫星SIF交叉评估中误差估计的条件性：产品组合、统计模型、空间尺度与时间处理方式如何影响结论

《Remote Sensing of Environment》：The conditional nature of error estimates in multi-source satellite SIF cross-evaluation: How product combinations, statistical models, spatial scales, and temporal treatments shape the conclusions

　　

•TCH 在产品组合共享传感器观测时会产生结构性偏差。
•QCA 通过显式表征同源误差相关性来缓解 TCH 的偏差。
•GOME-2 SIF 对空间聚合表现出最强的敏感性。
•去除季节循环使 OCO-2 的 RMSE 降低约 52%，但 GOME-2 仅降低约 14%。
•四种 SIF 产品在常绿阔叶林中的 RMSE 均最高。

引言

太阳诱导叶绿素荧光（SIF）是一种与植被光合活性和能量利用状态紧密相关的光学信号，相比传统植被指数，它提供了与光合过程更直接相关的遥感约束，在表征植被生理状态、监测胁迫响应和追踪物候动态方面具有独特优势（Jeong et al., 2017; He et al., 2020; Yao et al., 2022）。随着卫星光谱探测能力和 SIF 反演算法的快速发展，各类全球和区域尺度的 SIF 产品被陆续发布，并广泛应用于总初级生产力（GPP）估算、陆地碳循环研究和全球变化响应评估（Li et al., 2018; Zhang et al., 2020; Xu et al., 2023）。然而，卫星 SIF 反演的不确定性不仅来自测量噪声和信噪比，还源于参考或训练光谱的构建、光谱拟合的选择、仪器特性和退化、残余大气效应、观测几何以及光谱分辨率（Joiner et al., 2013, Joiner et al., 2016; Sun et al., 2018; K?hler et al., 2018; van Schaik et al., 2020; Guanter et al., 2021; Anema et al., 2025, Anema et al., 2026）。由于这些因素在不同传感器和反演算法中被不同处理，且并非总能被产品所提供的不确定性估计完整表征，不同 SIF 产品之间可能出现显著差异，使得产品选择成为下游应用中的重要不确定性来源。在此背景下，在全球尺度上客观、系统地评估不同 SIF 产品的一致性和误差特征，已成为制约 SIF 数据深度应用的关键问题。重要的是，不同的评估方法刻画了产品不确定性的不同方面。具体而言，基于多产品交叉评估推得的误差估计取决于评估中所采用的统计假设和数据处理选择，而由二级反演结果传播而来的不确定性与反演产品本身相关联。

独立的实地观测为评估卫星 SIF 产品提供了最直接的基础。近期基于塔基或冠层尺度 SIF 测量的研究已被用于评估轨道碳观测卫星-2（OCO-2）、轨道碳观测卫星-3（OCO-3）和对流层监测仪器（TROPOMI）等卫星 SIF 产品的精度（Du et al., 2023a; Du et al., 2023b）。然而，现有的地面 SIF 观测站数量有限、空间分布不均，且生态系统类型覆盖不全，使得全球尺度的系统性、多产品和多时相评估颇具挑战。此外，卫星像元与塔基观测之间存在固有的空间代表性差异，尺度转换需要引入辅助变量和模型假设，进一步增加了验证的复杂性。作为补充，间接评估方法通过分析 SIF 与植被指数、涡动协方差法反演的 GPP 或其他生态指标之间的时空一致性，为产品选择提供了面向应用的参考（Du et al., 2021; Zheng et al., 2024）。但这些方法本质上评估的是产品在具体应用情境中的"表现"，而非产品本身的"误差结构"，其结果同时受到参考数据不确定性和中间处理步骤的影响，难以直接揭示 SIF 产品误差的来源与构成。

作为间接评估的重要延伸，多产品交叉评估在缺乏独立真值的情况下为刻画产品误差特征提供了一条独特路径。借助三重共位（TC）、三棱角帽（TCH）和四重共位分析（QCA）等方法，研究者可以在特定的误差独立性和线性假设下，利用多产品之间的差分关系或协方差结构，在没有绝对真值的情况下间接估计各产品的随机误差方差。这些交叉评估估计结果与产品提供的反演不确定性互为补充，因为它们刻画了评估假设和处理框架下从产品间关系推得的误差分量。这类方法已被应用于土壤湿度（Chen et al., 2018; Zheng et al., 2022）、叶面积指数（Fang et al., 2012）、蒸散发（Xu et al., 2019; Li et al., 2024）和吸收的光合有效辐射比例（Chen et al., 2021）等参数的全球尺度评估，但在卫星 SIF 产品评估中应用仍相对有限。然而，一个更为根本的问题长期未受到足够关注：交叉评估的误差估计结果高度依赖于方法学选择和数据处理设置，包括产品组合策略、误差模型假设、空间聚合尺度以及时间预处理方式。先前的研究表明，TC/TCH 类方法对误差独立性假设的违背高度敏感（Sjoberg et al., 2021），且其可靠性随产品组合结构和数据预筛选策略而变化（Li et al., 2022; Wu et al., 2019）。然而，这些见解仍源自个别实证案例，尚未被纳入系统性的方法学诊断。在当前 SIF 产品的交叉评估实践中，研究者通常选择某一特定方法、某一特定产品组合和预设的处理流程，然后直接报告误差估计，而未定量考察这一根本问题："如果使用不同的设置，结论是否会改变？"这种对方法学敏感性的忽视，严重制约了现有交叉评估结论的可解释性和可迁移性。

为填补这一空白，本研究构建了一个诊断框架，用于系统评估多源卫星 SIF 产品交叉评估的方法学敏感性。该框架并非简单地比较哪个 SIF 产品更优或更劣，而是将交叉评估方法本身作为考察对象。通过受控实验，它隔离了产品组合、误差模型、空间尺度和时间预处理对误差估计结果的独立影响，从而回应这一根本问题："当评估设置变化时，误差结论如何变化？"具体而言，我们使用自 2018 年 5 月至 2021 年 6 月的四个代表性 SIF 产品——包括 OCO-2 SIF、全球臭氧监测实验-2（GOME-2）SIF、TROPOSIFCaltech 和 TROPOSIFESA——设计了五种产品组合方案。其中，两种满足误差独立性假设的基线组合作为参照，两种包含共享同一传感器观测的 TROPOMI 产品对的组合用于检验违背误差独立性假设的影响。我们进一步采用三种交叉评估方法——直接比较（DC）、TCH 和 QCA，它们在统计假设以及对误差依赖关系的处理方式上有所不同。

本文的研究目标具有两重且分层次的特点。第一，通过系统的受控实验，我们揭示并量化了产品组合中的共享观测如何诱导 TCH 的结构性估计偏差，并考察 QCA 能否通过显式表征指定的相关误差分量来缓解这一偏差。第二，在此基础上，我们进一步隔离了空间尺度变化、时间插值和季节循环去除对误差估计的独立影响，从而全面刻画交叉评估结果的"条件依赖性"。这项工作将交叉评估的方法学敏感性从隐含的经验知识提升为显式的诊断，为未来的 SIF 产品质量评估、算法改进和数据融合应用提供了严格的方法学约束。本文开发的诊断框架也为 TC/TCH/QCA 类方法在其他卫星反演地理物理变量评估中的应用提供了有用的参考。

分段小节

卫星 SIF 产品

考虑到反演算法的多样性、传感器观测模式的差异、空间分辨率梯度以及数据可获得性，本研究选取了四种全球卫星 SIF 产品：OCO-2 SIF、GOME-2 SIF、TROPOSIFCaltech 和 TROPOSIFESA。选取这些产品的理由是它们涵盖了三种具有代表性的观测模式：高分辨率的窄条幅观测（OCO-2）、低分辨率的宽条幅观测（GOME-2），以及高分辨率整体框架

为系统诊断多源卫星 SIF 交叉评估中误差估计的条件依赖性，本研究构建了一个包含三层的分析框架：方法比较、假设检验和维度解耦。

第一层：方法比较。我们采用三种交叉评估方法——DC、TCH 和 QCA，它们在统计假设以及对误差依赖关系的处理上有所不同。DC 量化产品间差异，而 TCH 和 QCA

由直接比较揭示的 SIF 产品总体一致性

直接比较提供了对产品间一致性的基线理解，并为解释后续的误差分解结果提供了重要参照。图 1 展示了以 TROPOSIFESA 作为统一参照产品的其他三种 SIF 产品相对于它的 Bias 和 RMSE，以及它们在不同土地覆盖类型上的变化。结果显示，各 SIF 产品相对于 TROPOSIFESA 存在明显差异。TROPOSIFCaltech 表现出最高的

结论

卫星太阳诱导叶绿素荧光（SIF）产品为全球植被光合活动监测和陆地碳循环研究提供了关键的数据基础。在全球地面验证数据不足的情况下，多源产品的交叉评估已成为表征 SIF 产品不确定性的重要方法。通过构建一个系统性的诊断框架，本研究表明交叉评估的误差估计同时反映了

CRediT 作者贡献声明

Xiaodan Wu：写作——审阅与编辑，写作——初稿撰写，验证，基金获取，方法学。
Qicheng Zeng：写作——审阅与编辑，写作——初稿撰写，验证，软件，方法学。
Yuxin Wang：方法学，调查，形式化分析，数据管理。
Rongqi Tang：验证，形式化分析，数据管理，方法学。
Jing Pei：可视化，调查，形式化分析。
Gaofei Yin：监督，形式化分析。
Xiaojun Li：监督，形式化分析。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知财务利益或个人关系。

致谢

本工作得到了四川省科技计划（编号：2024NSFJQ0009）、资源环境与数字地球重点实验室开放基金（编号：OFSLRSS202521）以及浙江省数字智能监测与流域环境恢复重点实验室开放合作基金（编号：KF-202502）的支持。

Xiaodan Wu | Qicheng Zeng | Yuxin Wang | Rongqi Tang | Jing Pei | Gaofei Yin | Xiaojun Li | Jianguang Wen | Qing Xiao