基于无人机系统和 DART 模型的玉米冠层太阳光诱导叶绿素荧光地面测量最佳观测尺度模型制定

《Remote Sensing of Environment》：Developing the optimal observation scale model for maize canopy solar-induced chlorophyll fluorescence ground measurements based on UAV system and DART model

　　

• •
  基于物理的OOS模型将冠层高度与植被覆盖度关联至最优SIF观测尺度。
• •
  OOS模型将SIF变异系数降低了54.4%；对玉米而言，最优足迹约为91.5 m²，最优高度约为26.6 m。
• •
  SIF与GPP的耦合关系随高度增强，并在超过OOS最优高度后趋于饱和。
• •
  在OOS最优高度以上并配合空间匹配时，无人机SIF与TROPOMI数据的吻合度最高。
• •
  OOS框架具有可迁移性，能够标准化多尺度SIF观测策略。

引言

太阳诱导叶绿素荧光（SIF）是植物光合反应中心在吸收阳光后发射的一种光谱信号。该信号可作为植物光合作用动态变化的直接指标，为精确估算陆地总初级生产力（GPP）提供了一种新型工具（Frankenberg等，2011；Guanter等，2014；Joiner等，2011；Porcar-Castell等，2014）。自2011年以来，将经验性SIF-GPP模型与卫星数据相结合，显著提高了全球GPP估算的精度，极大地推动了SIF在陆地生态系统碳循环分析中的应用。然而，SIF测量的一个主要挑战在于植物冠层的精确地面观测，其中与观测尺度（足迹）和空间异质性相关的问题尚未得到充分解决。

地面观测系统（如基于塔架的SIF观测平台）可提供高频数据，从而实现对SIF日变化和季节变化的详细追踪。这些系统通常由超光谱非成像光谱仪、光学开关和光纤组成，用于捕获来自冠层的向下辐照和向上辐射光谱（Zarco-Tejada等，2013）。太阳辐射通过余弦校正器光纤测量，其理论视场（FOV）约为180°，但实际观测中有效视场通常降至约144°，可捕获约90%的辐射信号（Liu等，2017）。来自植被的向上反射辐射由另一根独立光纤捕获，其视场通常小于25°，限制了传感器的观测范围，并可能降低SIF测量的准确性（Zhang等，2021）。此外，塔架系统的固定位置和观测高度（H_obs）也引入了额外的约束，因为传感器高度和观测足迹大小（S_obs）均可能差异较大（Parazoo等，2020）。例如，玉米的S_obs范围可从0.35至78.2 m²，传感器高度可从2.5至26 m（Chang等，2021；Liu等，2020）。S_obs的如此巨大差异使得获取代表性样本和可比数据变得困难，从而限制了我们准确研究SIF与GPP耦合机制的能力。

植被的空间异质性进一步复杂化了SIF测量，因为视场内植被的数量直接影响SIF信号。即使在通常被视为"均质"的农业生态系统中（如玉米地），植被分布也可能存在变化。不发射SIF的非植被表面会导致观测到的SIF信号出现偏差（Hernández-Clemente等，2017；Zarco-Tejada等，2013）。植被覆盖度（FVC）已被证明显著影响SIF观测，植被覆盖越高，SIF信号越强（Zhang等，2022a）。此外，植被的空间分布和S_obs均影响SIF监测精度，必须仔细考虑这些因素以提高SIF测量的可靠性（Hernández-Clemente等，2017）。尽管此前已有诸多努力，但冠层空间异质性对SIF测量的完整影响程度仍不清楚，需要进一步研究以优化SIF观测系统。

基于无人机（UAV）的SIF系统已成为解决塔架式SIF观测系统部分局限性的有效方案。无人机可灵活调整飞行高度、速度和观测角度，从而实现高分辨率、具有空间代表性的SIF数据采集（Berni等，2009；Burkart等，2014）。这种适应性使无人机能够克服塔架系统的固定位置限制，更准确地表征冠层的空间变异性。此外，无人机可在多种尺度上捕获数据，这对于理解SIF发射的变异性及其与GPP的关系至关重要。

DART（离散非各向异性辐射传输）模型已被证明是模拟植被冠层内部辐射传输的有价值的工具（Gastellu-Etchegorry等，2017）。通过考虑冠层的三维结构和辐射过程，DART有助于模拟在不同冠层配置和观测条件下SIF的发射方式。该模型能够检验不同观测尺度和FVC水平如何影响SIF测量，从而支持无人机SIF系统的最优观测策略开发。尽管无人机和DART在改进基于SIF的GPP估算方面的潜力显而易见，但观测尺度、冠层高度（H_toc）与植被覆盖之间的关系仍然是SIF研究中一个尚未解决的挑战。

在更广泛的遥感文献中，尺度依赖方差的概念已得到充分确立。Woodcock和Strahler（1987）证明，数字图像的局部方差随空间分辨率变化，最优分辨率对应于场景中物体的大小。Marceau等（1994）将该框架扩展，表明尺度效应是遥感数据解释的基本要素。在本经典框架基础上，本研究首次将尺度效应分析扩展到SIF领域。虽然SIF和反射光光子在冠层内遵循相同的多重散射过程（统一于光谱不变理论，Knyazikhin等，1998；Yang等，2021），但SIF的源项存在根本性差异：SIF源于分布于整个冠层体积内部的荧光发射，而非从表面背向散射的外部太阳辐照。这种分布式的、各向异性的源意味着SIF变异的定量尺度依赖性不能先验地假定为与基于反射率的信号遵循相同的参数值。我们的DART模拟明确解析了这一三维源分布，提供了仅基于反射率的分析无法提供的专用尺度优化。

本研究旨在通过调查H_obs、FVC和H_toc对SIF准确性的影响，建立对影响近地面SIF测量因素的综合理解，在遥感中已确立的尺度效应理论框架（Marceau等，1994；Woodcock和Strahler，1987）基础上将其扩展到SIF领域。具体目标包括：1）调查H_obs和S_obs如何与FVC和H_toc相互作用影响地面SIF测量；2）开发一个用于优化近地面SIF观测尺度的模型；3）在实际场景中验证并应用该模型以提高GPP估算精度。通过解决观测尺度引起的SIF测量不确定性，我们旨在提高SIF-GPP耦合的准确性和可靠性，为精准农业和生态监测提供有价值的工具。

章节摘要

DART模拟

DART模型是一种三维辐射传输模型，采用通量追踪方法进行工作，可通过多次迭代模拟整个场景的辐射收支。DART模型的详细介绍见Gastellu-Etchegorry等（2017）。

在本研究中，DART模型配置为相机模式，采用25度的有限圆形视场（球面望远镜），与无人机光谱仪的裸光纤视场相匹配。场景的空间分辨率离散化为

基于近地面观测实验的OOS模型评估

为评估OOS模型的准确性并阐明H_toc和FVC对S_opt的影响，我们考察了以H_toc和FVC作为OOS模型输入变量时，S_opt和H_opt在整个玉米生长季节内的时间动态变化。如图3a所示，S_opt和H_opt从2021年7月18日至8月19日逐渐降低，在营养生长期（NGP）达到最大值。此外，如图3b所示，在

OOS模型在降低观测不确定性方面的评估

本研究提出的OOS模型提供了一种机制性方法来确定代表性近地面SIF测量所需的S_opt和H_opt。野外验证表明，应用OOS推导的参数使冠层SIF的空间变异系数从17.3%降至7.9%，降低了54.4%（图5）。这一改进证实了我们的模型能有效缓解由不当足迹尺寸引起的采样误差。尽管如此，仍存在残余不确定性（CV约为7.9%）

结论

本研究提出了一个基于物理且可缩放的综合框架，用于优化玉米田间近地面SIF测量的观测尺度。通过开发整合H_toc和FVC的OOS模型，我们定量确定了玉米生长季节内获得代表性SIF数据所需的H_opt和S_opt。基于无人机的SIF系统野外实验表明，冠层SIF的变异系数随S_obs的增加而显著下降，最终在超过

CRediT作者贡献声明

张晓康：撰写—审阅与编辑，撰写—原稿撰写，方法论，资金获取，形式分析，数据整理，概念构思。张兆英：撰写—审阅与编辑，撰写—原稿撰写，资金获取，形式分析，概念构思。吴林生：形式分析，数据整理。张永光：撰写—审阅与编辑，资金获取，形式分析，概念构思。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究得到国家自然科学基金（42125105）、山东省自然科学基金（ZR2024QD112）、江苏省自然科学基金（BK20240068）以及中国科协青年拔尖人才支持计划（编号：https://raw.githubusercontent.com/Ruineng/AI-Slides-Rebuild/main/%E7%AC%AC28%E8%AF%BE_%E6%98%8E%E5%B2%9B%E8%BF%90%E7%BB%B4%E5%A4%9A%E5%B0%81%E9%9D%A2%E6%B5%8F%E8%A7%88%E4%BA%BA%E5%B7%A5%E7%A4%BE%E5%B1%9E%E4%BA%BA%E5%B7%A5%E6%88%BF%E4%BB%93%E5%BA%93%E5%A4%8D%E5%88%BB.htmlYESS20240694）的资助。

张晓康|张兆英|吴林生|张永光