基于光利用效率约束机器学习方法的1981?2023年全球植被太阳诱导叶绿素荧光制图

《International Journal of Digital Earth》：Global mapping of vegetation solar-induced chlorophyll fluorescence over 1981?2023 with a light-use-efficiency constrained machine-learning approach

　　

卫星太阳诱导叶绿素荧光（SIF）为植被光合作用提供了直接代理指标，然而卫星传感器的短寿命与退化限制了长期全球SIF记录。研究人员开发了一种整合光利用效率（LUE）与机器学习的混合建模框架，以重建1981至2023年0.05°分辨率时空连续的全球长期日尺度与月尺度SIF数据集（LTSIF）。利用远红SIF分解框架、LUE理论与随机森林（RF）建模识别关键驱动因子，构建了LUE与RF、极端梯度提升（XGBoost）及神经网络（NN）结合的混合模型，其中LUE-RF模型表现最优（R2?=?0.97，RMSE?=?0.08 mW m?2 sr?1 nm?1，KGE?=?0.97），并在各植被类型与气候区具备稳健性。基于通量塔SIF、OCO-2 SIF及广泛重建SIF数据集的独立验证表明，LTSIF可靠捕捉了全球光合动态。1981?2023年间，LTSIF显示全球89.01%植被区光合活动增强，全球均值趋势为0.016 mW m?2 sr?1 nm?1每十年（p?

研究背景方面，陆地生态系统吸收逾30%人为二氧化碳（CO₂）排放，总初级生产力（GPP）是主导碳通量。现有GPP估算方法包括统计模型、光利用效率（LUE）模型、过程模型与机器学习方法，结论一致显示全球GPP显著上升，但空间与时间趋势存在分歧。卫星太阳诱导叶绿素荧光（SIF）作为光合作用副产物，是植被生理状态的直接代理，但与GPP高度一致。已有SIF产品如SCIAMACHY、GOME-2、OCO-2、TROPOMI受传感器退化或记录过短限制；GOSIF与CSIF仅溯至2000年，LCSPP溯至1982年，缺乏过去四十年高分辨率连续数据。为填补空白，研究人员提出物理约束与机器学习互补思路，构建LUE-机器学习混合框架重建长期SIF。

关键技术方法上，研究人员以TROPOMI远红SIF（740 nm，2018?2021年）为基准，结合OCO-2 SIF、CSIF、GOSIF及中国ChinaSpec与美国Forest Open SIF塔网观测验证；辅助数据含MODIS与AVHRR植被指数（NDVI、kNDVI、NIR_V）、FPAR、地表反射率、MCD12C1土地覆盖、ERA5-Land再分析（气温Ts、植被蒸散EVT、土壤湿度SM、饱和水汽压亏缺VPD、下行短波辐射Srad）、AmeriFlux与FLUXNET2015通量塔GPP；通过通量塔与TROPOMI距离分析确定0.05°为最优网格尺度；基于远红SIF分解方程SIF_obs=FPAR×PAR×Φ_F×f_esc计算荧光量子产率Φ_F=SIF_obs×NIR_V/PAR，以RF、XGBoost、NN重建Φ_F后乘回NIR_V与PAR得SIF；采用R²、RMSE、KGE评估。

研究结果部分，3.1节确定最优网格尺度与关键驱动变量：通量塔GPP与TROPOMI SIF在0.05°网格相关性最高（R=0.823），选为建模尺度；RF特征重要性结合SHAP分析选出Ts、EVT、VPD、红波段反射率、NIR_V、太阳天顶角SZA、SM、PAR、kNDVI、近红外反射率为Φ_F关键驱动。3.2节模型性能验证：LUE-RF对Φ_F验证R²=0.862、SIF预测R²=0.970、RMSE=0.083、KGE=0.974，优于LUE-XGBoost与LUE-NN；在15类植被中DBF、WSA、SAV、GRA、PWE、CRO的KGE≥0.9；在柯本气候区中Aw、BSh、BSk、Csa等11类KGE≥0.9。3.3节LTSIF产品验证：与塔基SIF整体R²=0.481，森林NR1站R=0.645、小麦玉米轮作GC站R=0.921、玉米DM站R=0.809；与OCO-2 SIF像素比对R=0.643（N=401095），生长季峰值时段相关性略降；与CSIF、GOSIF全球像素相关R²达0.975与0.974，73%以上陆地相关>0.8。3.4节时空格局：1981?2000年生长季LTSIF-AVHRR趋势0.024 mW m^?2 sr^?1 nm^?1/十年，2001?2023年LTSIF-MODIS为0.012，全期1981?2023年均值为0.016（p<0.01）；89.01%植被区上升，69.36%显著（p<0.05），增强区位于北美东部、南美、非洲、欧洲、东南亚赤道中低纬。

讨论与结论部分，研究人员指出LUE-RF混合模型在保留生物物理可解释性下达到SIF重建R²=0.97，较纯机器学习提升且抗过拟合，在稀疏植被与干旱区具强泛化；LTSIF相较既有产品优势为时段最长（1981?2023）、0.05°与月/8日尺度、与通量塔GPP相关达0.80、可捕捉作物双峰物候；不确定性源于Φ_F由卫星间接推导、AVHRR-MODIS光谱校正残差、气象插值、训练样本仅三年TROPOMI；未来方向为嵌入物理知识图、替代RF为深度学习、发展多尺度分块重建。该研究发表于《International Journal of Digital Earth》，结论为：LTSIF基于LUE约束机器学习提供了1981?2023年0.05°全球连续SIF，可靠反映光合长期增强趋势，为全球变化下陆地碳循环评估提供直接观测基准。

相关新闻