综述：桥接冠层光截获与吸收：迈向木本作物精准灌溉的多尺度辐射度量框架

《Science of Remote Sensing》：Bridging Canopy Light Interception and Absorption: Toward a Multi-Scale Radiometric Framework for Precision Irrigation in Woody Crops

　　

fIPAR将冠层结构与果园灌溉需求联系起来。fIPAR约束潜在蒸腾量，而非实际蒸腾量。代理指标的有效性取决于冠层密度和地面覆盖。在不连续冠层中，截获与吸收发生分离。综合指标优于单一指标的灌溉模型。

1 引言

太阳辐射是地球生态系统的基本能量来源，其中光合有效辐射（PAR，400–700 nm）约占总太阳辐射的45%，是驱动植物光合作用的关键能量波段。冠层截获光合有效辐射比例（f_IPAR）定义为冠层截获的PAR与入射PAR之比，是无量纲指标，用于表征冠层对有效辐射的捕获能力。与之互补的冠层吸收光合有效辐射比例（f_APAR）则度量健康植被绿色组分吸收的PAR比例。在稠密、结构均一的冠层中，f_IPAR常近似等于f_APAR，但在果园和葡萄园等不连续、行植结构的木本作物系统中，行间空隙、土壤背景和冠层异质性导致两者出现显著偏离。本文以f_IPAR为核心视角，系统综述木本作物冠层光截获的测量、建模方法及其在精准灌溉与水分利用效率中的应用，并在此基础上提出一个多尺度辐射度量框架。

2 木本作物冠层光截获评估

2.1 基于建模的方法

2.1.1 经验与半经验模型

早期光截获建模主要依赖经验与半经验公式。入射PAR常通过太阳角度、大气透过率等经验关系由总辐射估算。冠层内辐射衰减则广泛采用Beer–Lambert定律描述，即辐射强度随叶面积指数（LAI）呈指数衰减，其中消光系数k综合反映叶片角度分布、冠层结构及光学特性。在木本作物中，种植密度、修剪方式、行向和冠层聚集程度均影响k值。研究表明，采用可变消光系数可将苹果园LAI估算误差从25%降至9%。此外，基于反射率的半经验模型利用归一化差值植被指数（NDVI）等植被指数与f_IPAR建立统计关系，但这类方法固化了冠层结构简化假设，难以表达三维异质性。

2.1.2 辐射传输模型

物理辐射传输模型（RTM）基于辐射传输方程显式模拟光子在冠层内的传播、吸收、散射和透射过程，可直接计算f_IPAR。例如，FLIGHT和ORIM模型的耦合已成功用于橄榄园瞬时f_IPAR估算，与实测吻合良好。更精细的三维模型如LESS被用于葡萄园，分析不同种植系统和行向下的冠层光截获和吸收的日、季及垂直分布。RTM精度高、物理基础完善，但需要详细的冠层几何、叶片光学属性等输入，计算成本大，因此常作为参考模型、校准工具或混合工作流中的组件。

2.1.3 几何和阴影模型

几何与阴影模型基于冠层投影几何和太阳位置估算光截获，适用于不连续冠层。阴影比例模型将截获辐射与地面阴影比例关联，而间隙率模型利用概率描述叶片间隙分布。Oyarzun等提出的简化阴影模型以冠层孔隙度（C_p）为最敏感参数，该参数定义为冠层投影面中不参与截获的孔隙比例。该模型在小时和日尺度上的平均绝对误差分别约为10.08%和4.47%，达到了与详细LAI输入模型相近的精度。这类方法计算高效、数据需求低，但在漫射辐射条件和高度异质性冠层中表现受限。

2.1.4 结合结构数据与辐射数据

将LiDAR或摄影测量获得的高精度三维结构数据与辐射传输或简化几何模型结合，可显著提升f_IPAR估算。在牛油果果园中，基于LiDAR点云的体素化框架与手持光棒测量拟合良好（R2≈0.85），在芒果园中达0.89。后续研究进一步实现了移动激光扫描的兼容，并区分木质与叶片组分。在苹果园中，利用地面激光扫描（TLS）重建树木并显式包含枝干和叶片，再结合辐射传输模拟，所获PAR分布与实测相关系数r=0.92，优于传统体素方法。这种“结构传感+辐射模型”的混合策略逐步放宽了经验假设，成为果园f_IPAR估算的重要路径。

2.2 基于传感的方法

2.2.1 辐射测量方法

直接辐射测量通过光合光子通量密度（PPFD）传感器或线性光量子计（ceptometer）获取冠层上下方的辐射通量，从而计算瞬时f_IPAR。固定布局包括水平杆上的传感器阵列和点网格法，例如在苹果园中安装多个量子传感器与上方参考传感器，以15秒间隔记录并计算截获辐射。移动布局包括Whirlgig装置和移动光棒（MLB），能在行进中连续采集高分辨率数据，提高空间覆盖效率。传统辐射测量虽然劳动密集且需校准，但常被视为验证其他方法的基准。

2.2.2 结构观测

数字半球摄影（DHP）利用鱼眼镜头从冠层下方拍摄图像，通过间隙率分析估算光截获，在苹果园中已被用于验证瞬时f_IPAR。近来的DHP工作流进一步提高了采样效率，可表征全日光截获动态。地面和移动LiDAR扫描提供高分辨率三维点云，可提取冠层高度、体积、孔隙度、叶面积密度等结构参数，并建立与PAR测量的统计关系。例如，在橄榄园中，LiDAR衍生的“叶密度指数”与ceptometer测得的PAR相关系数约为0.85；在苹果园中，基于TLS的阴影模拟与传感器实测相关系数为0.84。LiDAR不直接测量辐射，需通过辐射耦合步骤才能转化为光截获估算。

2.2.3 近端和遥感

无人机（UAV）搭载多光谱或RGB相机，可通过植被指数反演或阴影分割间接估算f_IPAR。在橄榄、桃树和柑橘园中，UAV多光谱影像结合辐射传输模型反演f_IPAR的均方根误差（RMSE）低于0.10。RGB影像阴影分割在杏仁和核桃园中也与移动光棒测量相关（r≈0.86）。卫星遥感方面，Sentinel-2等高分辨率传感器可通过物理反演获得场景级f_APAR，但在不连续果园中存在混合像元、行向效应和防雹网干扰等问题，直接作为f_IPAR代理时需要严格的尺度验证和情景限定，不能简单替代地面实测。

3 冠层光截获作为灌溉和水分利用效率的结构约束

f_IPAR作为结构-辐射指标，定义了非水分限制条件下潜在蒸腾的能量上限，但它不反映气孔调节、水力限制或土壤水分亏缺等实际生理状态。其价值在于作为模型边界条件，而非独立灌溉指标。

3.1 fIPAR在能量平衡模型中的作用

在能量平衡模型中，f_IPAR决定冠层截获辐射在潜热、感热和光合之间的分配。针对篱壁式果树开发的双源能量平衡模型（TSEB）显式纳入f_IPAR以区分冠层与土壤的辐射负荷。在杏仁园中，将实测f_IPAR作为PAR透射率约束（f_IPAR=1?τ_PAR）显著提高了蒸腾估算精度。多数能量平衡模型依赖吸收辐射（f_APAR），但在结构复杂果园中f_IPAR被证明是实用的替代指标。

3.2 fIPAR与作物系数（Kc，Kcb）

在FAO-56双作物系数框架内，f_IPAR与作物系数之间存在强经验关系。梨园和苹果园的蒸渗仪试验表明，光截获与作物系数（K_c）高度相关，但关系形式因树种而异，且受树龄、冠层孔隙度和负载量影响。过程模型如CropSyst将基础作物系数（K_cb）表示为截获辐射比例与满冠层系数（K_cb,fc）的乘积，后者随季节和树龄变化。固定f_IPAR–K_c关系在采收后可能导致高达50%的水分估算误差，因此f_IPAR应作为动态结构驱动变量。

3.3 将fIPAR整合到DSS进行精准灌溉

决策支持系统（DSS）和数字孪生框架越来越多地利用f_IPAR相关变量作为状态量。在葡萄园中，通过BVNET处理器从Sentinel-2影像反演f_APAR，并作为f_IPAR代理纳入云托管数字孪生，结合气象数据和土壤湿度传感器自动触发灌溉事件。类似的IrriDesk平台采用物联网架构实现基于f_IPAR的灌溉调度。这些系统的有效性依赖于f_APAR向f_IPAR转换的准确性、输入时间连续性以及与作物-土壤水分平衡模型的耦合。

4 批判性分析

4.1 吸收还是截获？重新审视果园冠层辐射指标

在稠密、均质冠层中f_APAR≈f_IPAR的假设成立，但果园中间隙、开张树形、架材、生草覆盖和裸露土壤使两者产生系统偏差。测量尺度影响差异幅度：在单树尺度，木质组分和叶片光学性质导致的差异约为6–9%；在行尺度，土壤和行间植被的贡献使差异增大；在卫星像元尺度，场景级f_APAR整合了树木、行间草、裸土、防雹网等多种组分，与驱动蒸腾的树冠级f_IPAR本质不同。因此，报告f_IPAR时应明确规定测量空间支撑度、太阳角度范围、时间积分方式和场景组分，使用卫星f_APAR替代时应基于冠层密度和物候阶段明确验证。

4.2 精准灌溉中冠层光截获的概念和方法论限制

f_IPAR在中等冠层密度下趋于饱和，降低了对管理措施或早期胁迫的敏感性。同时，f_IPAR代表潜在蒸腾而非实际蒸腾，在水分胁迫下气孔关闭后蒸腾降低而f_IPAR不变。方法论上，地面传感器难以经济地实现高密度覆盖，遥感产品存在处理复杂和时间分辨率不足问题。因此f_IPAR应作为结构-辐射约束，与热红外指标、土壤水传感器或水量平衡模型结合，避免单独使用时的过度解释。

4.3 多尺度多传感器协同用于精准灌溉

多尺度集成框架强调结构、生理和水文信息的互补性。结构指标如f_IPAR、LAI提供季节尺度的潜在需求基线，热指标和实际蒸散捕捉短期生理胁迫，土壤湿度和水量平衡定义水分供给边界。在果园中，将冠层活力图与土壤变异性结合可改进灌溉分区，但集成的价值不在传感器数量，而在功能耦合。应优先选择能保持机制可解释性且操作可行的指标组合，而非简单堆叠。

5 未来展望

制定不连续冠层f_IPAR测量的标准化协议是首要任务，需明确测量几何、太阳角度、时间积分和场景组分报告。长期地面观测与卫星数据结合可用于监测果园结构对气候变化的响应，目前仍缺乏地中海果园的长期辐射截获记录。机器学习应用于f_IPAR估算时，需确保训练数据明确区分f_IPAR

相关新闻