引言
蒸发蒸腾是水循环、碳循环和能量循环的关键组成部分，在陆气相互作用中起着重要作用（Tunca, 2024）。蒸发蒸腾主要包含植被蒸腾和土壤蒸发。通过调节植被的气孔开度和光合作用过程，蒸发蒸腾对作物生长、水分利用效率和农业系统的灌溉调度至关重要。因此，准确估算农田蒸发蒸腾量对于理解大气、土壤湿度和植物生理之间的复杂相互作用是必要的。
目前，可以通过涡度协方差系统在区域尺度上连续测量作物蒸发蒸腾量，但该技术假设地表条件均匀，并且在异质农田上会产生偏差（Tawalbeh et al., 2024; Tuli and Chávez, 2026）。基于能量平衡的蒸发蒸腾模型，特别是双源能量平衡（TSEB）框架，区分了冠层和土壤水汽通量，并被广泛用于农业蒸发蒸腾量反演（Sun et al., 2026; Lun et al., 2026）。尽管TSEB在理论上有其优点，但它存在两个关键局限性。首先，冠层和土壤蒸发量输出无法独立于地面观测进行验证，从而引入了固有的估算不确定性（Zhu et al., 2026）。其次，在如油菜早期生长阶段等冠层稀疏的情况下，模型表现不佳，因为裸露土壤的热信号主导了像素值，导致蒸腾模拟出现系统性偏低偏差。作为热基方案的补充，FAO Penman-Monteith框架依赖于由当地气象条件驱动的作物系数（Kc）调整；基于热量的作物水分胁迫指数（CWSI）可以绘制空间Kc变化图以指导灌溉，但热传感器稀缺且需要耗费大量人力进行像素级校准（Sasanya et al., 2024; Shao et al., 2021）。
为了解决这个问题，许多研究直接用反映作物生理胁迫和生长的遥感指数替换了Kc来估算蒸发蒸腾量。这种VI-ET方法已在不同作物和社区尺度上进行了校准和验证。例如，建立了MDOIS传感器的增强植被指数（EVI）与地面测量蒸发蒸腾量之间的线性回归关系，以估算美国科罗拉多河下游河岸地区的植被和作物蒸发蒸腾量（Nagler et al., 2009）。基于EVI，Gezahegn W. Woldemariam使用两个波段光谱开发了增强植被指数（EVI-2），并绘制了2000至2019年间伊朗Zayandeh-Rud河流域的年农田蒸发蒸腾量地图（Abbasi et al., 2021）。与广泛使用的NDVI和EVI相比，全球植被湿度指数（GVMI）被证明能更准确地捕捉森林和稀树草原地区的蒸发蒸腾动态过程，尤其是在靠近水体的区域（Groeneveld et al., 2007; Guerschman et al., 2009）。
由于卫星图像重访周期长且空间分辨率低，无人机（UAV）被用于在云层覆盖下获取遥感图像。这种方法使得在小尺度田地上进行蒸发蒸腾量估算和制图成为可能。例如，DJI Matrice 210四轴飞行器的MicaSense Altum传感器获取的多光谱图像与Landsat数据结合使用，改善了华盛顿州东部Walla Walla河流域的田尺度作物蒸发蒸腾量估算。这些研究通常专注于使用单一遥感指数进行蒸发蒸腾量估算以实现特定目标。例如，归一化差分植被指数（NDVI）用于指示绿色度和植物生长特性。然而，土壤亮度对近红外和红光波长的负面影响不可忽视。结合多个卫星衍生的植被指数已被证明是提高蒸发蒸腾量估算准确性的有效方法（Sadat Hashemi et al., 2025, Woldemariam et al., 2024）。这种经验方法缺乏机制性理解，导致其普遍性和准确性有限（Yao et al., 2024）。将多传感器数据与机制模型相结合有助于解决这一问题。例如，基于土壤-植物-大气动力学的模拟，作物模型可以提供来自土壤和植物的相应蒸发量。因此，综合数据同化-作物模型方案有助于提高估算结果的稳健性（Chang et al., 2025; Figueiredo Moura da Silva et al., 2025; St?ckle et al., 2025）。然而，这种策略难以应用于高分辨率蒸发蒸腾量估算。整合方案依赖于手动设置或现场获取的参数。因此，如何从遥感数据中有效且准确地提取蒸发蒸腾量的时空变化仍然是最重要的科学问题。
太阳诱导的叶绿素荧光（SIF）是植被吸收太阳辐射后叶绿素分子重新辐射的能量。SIF包含了光合作用光反应系统的活动信息，因此是最直接的植被光合作用代理指标。以往的研究分析了SIF与植物蒸腾量（T）之间的依赖性，并评估了这种SIF-T关系对环境和物种变化的敏感性（Hamed Alemohammad et al., 2017）。与传统蒸腾量量化模型相比，SIF提供了一种基于机制限制的方法，利用已建立的生物物理关系来估算蒸腾量，减少了特定地点经验参数化的需求（Jonard et al., 2020; Lu et al., 2018; Shan et al., 2019）。传统的光学遥感技术依赖于叶绿素含量或冠层结构，这些在短时间内不太可能发生显著变化。相比之下，SIF通过气孔传导性和CO2吸收来捕捉生理胁迫反应。因此，SIF对植被蒸腾量的响应更快、更敏感（Zhou et al., 2022）。鉴于T构成了蒸发蒸腾量的主要组成部分，这一优势为蒸发蒸腾量估算提供了新的视角（Gao et al., 2025）。通过将SIF-GPP关系与菲克定律耦合，将植被光合作用到蒸腾量的过程联系起来。因此，SIF-ET模型允许从区域尺度到全球尺度进行蒸发蒸腾量估算（Gemechu et al., 2024; Zhang et al., 2024; Zhang 2014）。
然而，这些研究通常基于重访周期长且空间分辨率低的SIF卫星数据，这限制了它们的区域尺度应用。SIF在田尺度上估算蒸发蒸腾量的能力仍有待探索。最近基于UAV的蒸发蒸腾量估算研究展示了使用多光谱和热成像进行精细尺度绘制的潜力。例如，Wei et al., 2023, Wei et al., 2025使用SEBS能量平衡模型结合多光谱和热成像数据估算了精细尺度的蒸发蒸腾量，这些方法依赖于空气动力粗糙度长度和额外阻力的物理模型以及CFD降尺度处理来模拟气象强迫。然而，这些方法通常需要大量的特定地点参数化和校准。相比之下，我们的SIF-ET模型基于菲克定律和SIF-GPP关系，提供了从光合作用到蒸腾量的直接联系，无需进行现场环境校准。这种机制性和无校准的特点增强了模型在田尺度应用中的可转移性和稳健性。
章节片段
研究区域
该田间试验于2021年至2024年在陕西省杨凌市的西北农林科技大学节水灌溉实验站进行（34°17′N, 108°04′E, 506 m）。在田间管理中考虑了灌溉量和氮肥施用量。为油菜和大豆设置了三种灌溉水平和五种氮肥水平。三种灌溉水平分别为60% ETc（W1）、80% ETc（W2）和100% ETc（W3）。五种氮肥水平分别为0 kg/ha、120 kg/ha、200 kg/ha。
从无人机高光谱图像中提取作物SIF
SCOPE模型模拟的SIF740与3-FLD方法提取的SIF保持良好的转换关系（R2=0.98, RMSE=0.09 mW m?2nm?1sr?1, MAPE=5.73%）。使用叶面积指数（LAI）、叶绿素含量（Cab）和叶倾角分布函数（LIDF）进一步分析了3-FLD方法的适用性（图1）。与LAI和Cab相比，LIDF对提取结果的影响更为显著，尤其是[-1,-0.5]范围（R2=0.97–0.99, RMSE=0.06–0.10 mW m?2）。
SIF-ET框架的机制
在本研究中，我们将无人机获取的SIF信息与机制性光响应（MLR）模型相结合，以实现小麦、油菜和大豆的田间尺度蒸发蒸腾量估算和高分辨率绘图。该框架的核心依赖于SIF和GPP之间的生理耦合关系（方程1.5）。然而，这种关系受到多个过程的共同调节，包括气孔调节、光合作用生化特性和热效应等。
结论
本研究提出并评估了一种基于无人机窄带高光谱图像的田间尺度SIF-ET估算框架，通过整合机制性光响应模型与水-碳关系。主要发现如下：
- (1)
基于SCOPE模型，可以从无人机高光谱图像中提取作物冠层SIF740，并实现对小麦、油菜和大豆的满意精度（RMSE = 0.12–0.33 mW m?2 nm?1 sr?1, R2=0.92–0.93, MAPE = 7.60–11.15%）；
-
通过构建的
作者声明
由于项目管理团队的调整及相关研究项目的后续延续，新添加的共同通讯作者承担了本研究的后续管理、资金支持和研究指导工作。此信旨在正式宣布向本手稿添加共同通讯作者。所有作者已充分讨论并一致同意这一作者调整。这位作者做出了实质性、有效且不可或缺的贡献。
CRediT作者贡献声明
Ruiqi Du: 写作 – 审稿与编辑，撰写 – 原始草稿，方法论。 Yonghong Zhang: 调查。 Youzhen Xiang: 资源，正式分析。 Fucang Zhang: 资源。 Jian Gao: 项目管理。 Qiliang Yang: 项目管理。 Xianghui Lu: 项目管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
研究人员感谢中国国家自然科学基金（52509069）的支持。
