应用案例
在全球气候变化和粮食安全两大时代挑战的交汇点上，陆地生态系统扮演着至关重要的角色。作为地球生物圈的核心组成部分，植被通过光合作用吸收大气中的二氧化碳（CO2），其固碳总量，即总初级生产力（Gross Primary Production,GPP），是全球碳循环中较大且具变数的通量 1。因此，精准、实时地监测全球植被的GPP动态，对于理解碳气候反馈机制、评估气候变化影响以及制定有效的碳中和策略至关重要。与此同时，气候变化通过加剧干旱、热浪等极端天气事件，严重威胁着全球农业生产和粮食安全 3。对作物生长状态和生产力进行有效监测，是保障粮食供给、优化农业资源管理和应对气候风险的基石。
在过去的数十年里，以归一化植被指数（Normalized Difference Vegetation Index, NDVI）为代表的光学遥感指数，极大地推动了我们对地球植被时空分布的认知 6。
NDVI通过计算近红外与红光波段反射率的差异，有效地量化了植被的“绿度”，成为监测植被覆盖、叶面积指数（LAI）和生物量的标准工具。然而，随着科学研究的深入，这些基于“绿度”的指数的内在局限性日益凸显。它们本质上衡量的是植被的冠层结构和色素含量，即光合作用的“潜力”，而非实际发生的光合“功能”。其主要瓶颈体现在两个方面：
1. 信号饱和问题：在高生物量区域，如茂密的森林或生长旺盛期的农田，NDVI值会迅速达到饱和，无法再响应叶面积指数或生物量的进一步增加，从而低估了这些高生产力生态系统的实际固碳能力 7。
2. 胁迫响应滞后：当植被遭遇干旱、高温等环境胁迫时，其生理功能（光合作用）会立即下调以自我保护，但冠层的物理结构（叶片颜色和形态）变化却相对缓慢。NDVI 等绿度指数往往在植被出现不可逆的物理损伤后才能探测到胁迫信号，错失了预警和干预的有利时机 9。
为了突破传统遥感方法的瓶颈，科学界迫切需要一种能够直接探测植被实际光合活性的新方法。太阳诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence, SIF）的出现，为这一难题带来了革命性的解决方案。SIF 是植被叶绿素分子在吸收太阳光能后，以光子形式释放出的微弱辐射，其波长范围在650-800 nm之间 11。作为光合作用核心光化学反应的直接副产物，SIF的产生与光合电子传递速率紧密耦合 13。因此，SIF信号的大小直接反映了光合作用的实际运行效率，被誉为植被光合活性的“诚实信号”（honest signal）14。与NDVI衡量“植被有多绿”不同，SIF衡量的是“植被光合作用有多活跃”，实现了从监测植被“结构”到“功能”的根本性跨越。
本文旨在系统性地梳理SIF遥感这一前沿领域。我们将从SIF产生的生物物理机理出发，深入探讨其遥感探测的核心物理原理，即夫琅和费暗线填充效应；随后，我们将对比分析当前主流的高光谱SIF反演算法；在此基础上，介绍实现这些先进测量所必需的尖端高光谱仪器技术；最后，我们将全面综述SIF在GPP估算、植被胁迫监测、精准农业和生态系统功能研究等领域的关键应用，并展望该技术未来的发展方向与挑战。
为了理解SIF作为光合作用探针的独特性，我们必须先探究叶绿素分子吸收光能后的能量分配机制。当一个光子被叶绿素捕获后，其能量的去向主要有三个相互竞争的途径 13：
1. 光化学反应（Photochemistry,PQ）：这是能量利用的主要途径。吸收的能量被用于驱动光合系统Ⅱ（PSII）和光合系统I（PSI）的电子传递链，将水分解并产生ATP和NADPH，最终用于固定CO2。该途径的效率（ΦP）直接决定了光合速率。
2. 热耗散（Non-Photochemical Quenching,NPQ）：当光照强度超过光合系统所能利用的极限时，过剩的能量会以热能的形式安全耗散掉，以避免对光合器官造成氧化损伤。这是一个关键的光保护机制，其效率为ΦN17。
3. 荧光释放（Fluorescence）：一小部分（通常为1%～2%）激发态的叶绿素分子会回到基态，并以光子的形式重新发射能量，这就是叶绿素荧光。其量子产额为ΦF16。
图1
图1：叶绿素吸收光能后的三条主要耗散途径示意图。该图改编自 Baker (2008) 的经典理论模型。图中展示了叶绿素分子吸收光能（APAR）后，能量在光化学反应（Photochemistry）、热耗散（NPQ）和荧光（Fluorescence）三条途径中进行分配。这三条途径相互竞争，其总和为1。SIF作为荧光途径的产物，其强弱变化直接反映了光化学反应效率的变化，是光合作用的直接探针。
从遥感平台探测SIF信号面临着巨大的技术挑战。SIF信号极其微弱，其辐射亮度通常仅为地表反射太阳光的0.5%～2%，完全淹没在强烈的背景反射光之中 14。直接从混合信号中分离出
SIF几乎是不可能的。然而，太阳光谱自身的特性为我们提供了一个巧妙的解决方案。
太阳光谱并非连续的平滑曲线，而是布满了由太阳及地球大气中各种元素吸收而形成的窄而深的吸收线，即夫琅和费暗线（Fraunhofer Lines）20。这些暗线处的太阳下行辐照度极低，为被动遥感探测SIF提供了天然的“暗背景”。SIF遥感探测的核心原理，即“夫琅和费暗线填充”，其逻辑如下：
1. 在夫琅和费暗线波长处，到达植被冠层的太阳光（Ein）非常微弱。
2. 因此，植被在该波长处的反射光（Lref=ρ×Ein/π）也同样非常微弱。
3. 然而，植被自身发射的荧光（SIF）是各向同性的，其发射光谱相对平滑，在暗线内外都有能量。
4. 当遥感器在植被上方测量上行总辐射（Ltotal）时，其接收到的信号是反射光与荧光的总和（Ltotal=Lref+SIF）。
5. 在暗线中心，由于Lref极小，SIF 信号在总信号中的占比显著提高。这表现为，与纯反射地物相比，植被光谱在夫琅和费暗线处的“凹陷”被荧光信号部分“填充”了 22。
图2
图2：夫琅和费暗线填充效应原理示意图。该图改编自 Meroni et al. (2009) 的原理示意图。图中展示了太阳下行辐照度光谱（蓝色虚线），其中在O₂-A吸收带（760 nm）处有一个深邃的夫琅和费暗线。植被冠层的上行总辐射光谱（绿色实线）是反射光与SIF信号（红色区域）的总和。由于SIF信号的叠加，植被光谱在暗线处的“凹陷”被部分“填充”，其深度明显浅于纯反射地物（未显示）。通过测量这种填充效应，即可反演出SIF的强度。
夫琅和费暗线填充原理的成功应用，对传感器的光谱性能提出了极为苛刻的要求。夫琅和费暗线本身非常狭窄，其半高全宽（FWHM）通常在亚纳米级别。为了能够精确地描绘出这些暗线的精细结构以及由SIF引起的微弱填充效应，光谱仪必须具备足够高的光谱分辨率。如果传感器的光谱分辨率过低（例如，5-10nm），一个波段内就会同时包含暗线中心和暗线边缘（“肩部”）的信息，导致暗线的深度被平均化，填充效应被完全掩盖，从而无法进行有效的SIF反演 24。大量的模拟和实测研究表明，要实现高精度的SIF反演，传感器的光谱分辨率必须优于1nm，而亚纳米级（例如0.1-0.3nm）的光谱分辨率被认为是实现高保真 SIF测量的黄金标准 19。这种对硬件的高要求，是SIF遥感区别于传统多光谱遥感的根本特征，也是推动高光谱仪器技术发展的核心驱动力。整个 SIF遥感领域的存在，可以说建立在一个物理学的巧合之上：叶绿素荧光的发射峰恰好与地球大气中深邃而狭窄的氧气吸收带重叠。没有这些天然的“暗窗”，从远处被动地测量微弱的 SIF信号将是天方夜谭。而这一物理约束，也直接决定了只有具备超高光谱分辨率的精密仪器，才能叩开 SIF遥感研究的大门。
基于夫琅和费暗线填充原理，研究人员在过去十余年间发展了多种SIF反演算法。这些算法在原理、假设、复杂度和适用性上各有不同，大致可分为三大类。
这是较早发展起来也是较为经典的一类算法，其核心思想是利用暗线内部和外部的少数几个波段的辐射值，通过代数方程直接求解SIF。
● 标准FLD (Standard FLD): 该方法由Plascyk于1975年提出，仅使用两个波段：一个位于暗线内部，一个位于暗线外部的肩部。它基于一个核心假设：在暗线周围极窄的范围内，地表反射率（ρ）和荧光（F）是常数。通过测量下行太阳辐照度（E）和上行冠层总辐射（L），可以构建方程组求解F 22。该方法简单直观，但其假设过于理想化，在实际应用中容易引入误差。
● 3FLD (Three-Band FLD): 为了克服标准FLD的局限性，Maier等人提出了3FLD方法。该方法使用三个波段：一个位于暗线内部，左右肩部各一个。它不再假设反射率是常数，而是假设反射率在暗线两侧呈线性变化，通过两侧肩部的反射率值来线性内测暗线内部的反射率。这种改进更符合真实光谱的特征，显著提高了反演精度，是目前应用较为广泛的FLD类算法之一 27。
● iFLD (Improved FLD): Alonso等人进一步提出了改进的FLD方法。iFLD同样假设反射率和荧光呈线性变化，并通过引入校正系数来更精确地描述这种变化，理论上精度更高。然而，一些研究表明，iFLD对仪器噪声较为敏感，在某些实测条件下其稳定性可能不如3FLD 28。
FLD类方法的共同优点是计算简单、速度快，对计算资源要求低。但它们的缺点也很明显，即依赖于少数几个波段的信息，容易受到仪器噪声和光谱标定不准的影响，且其关于反射率和荧光光谱形状的简单假设可能与实际情况不符。
为了更精确地解耦反射与荧光，研究人员发展了基于物理模型的光谱拟合方法。SFM被普遍认为是目前精度较高、较稳健的 SIF反演技术之一。
SFM的核心原理是在一个包含夫琅和费暗线的较宽光谱窗口内（例如，O₂-A带的755-775nm），构建一个描述上行总辐射的物理模型。该模型通常表示为：
Ltotal(λ)=πE(λ)⋅ρ(λ)+F(λ)
其中，Ltotal（λ）是传感器测量的总辐射光谱，E（λ）是下行辐照度光谱，ρ（λ）是地表反射率光谱，F（λ）是荧光光谱30。
与FLD方法不同，SFM并不直接求解该方程。它将反射率光谱ρ（λ）和荧光光谱F（λ）用低阶多项式或样条函数等平滑函数来近似。例如，反射率可以表示为πE(λ)*ρ（λ），荧光可以表示为F(λ)=∑bjλj。然后，通过非线性最小二乘法等优化算法，调整多项式系数（ai,bj），使得模型计算出的Ltotal(λ)与实际测量的光谱匹配。更佳拟合所对应的荧光多项式，即为反演得到的 SIF 光谱 32。
SFM的主要优势在于：
1. 物理基础更强：它利用了整个光谱窗口内的所有光谱信息，而不是少数几个波段，因此对随机噪声的鲁棒性更强。
2. 假设更宽松：它不要求反射率和荧光为常数或严格线性，而是用平滑函数来逼近，更符合物理实际。
3. 精度更高：大量研究表明，在同等数据质量下，SFM的反演精度通常优于FLD类方法 31。
其缺点是计算复杂度较高，对计算资源的要求也更高。
随着卫星高光谱数据量的爆炸式增长和机器学习技术的发展，数据驱动的SIF反演算法应运而生。这类方法不依赖于明确的物理模型，而是从大量数据中学习光谱信号的统计特征。
● 主成分分析法 (PCA-based): 该方法的核心思想是，冠层上行辐射光谱的主要变化（通常超过99%）是由地表反射率和大气散射引起的，而SIF信号的贡献则隐藏在次要的、更微弱的变化中。通过对大量观测光谱进行主成分分析（PCA）或奇异值分解（SVD），可以将光谱分解为一组正交的基向量（主成分）35。通常，前几个主成分就足以重建出不含荧光的背景反射光谱。将实际观测光谱与重建的背景光谱相减，得到的残差就主要包含了
SIF 信号和噪声 35。
● 机器学习方法 (Machine Learning): 近年来，研究人员开始尝试使用人工神经网络（ANN）、支持向量机（SVM）等机器学习模型进行SIF反演。这些模型可以通过大量的模拟数据（例如，由辐射传输模型生成）或真实的“观测光谱-SIF真值”数据对进行训练，从而学习到从输入的上行辐射光谱到输出的SIF值之间的复杂非线性映射关系38。
数据驱动方法的优势在于能够处理非常复杂的数据，且无需对物理过程进行精确建模。然而，它们通常需要大量的训练数据，并且模型的泛化能力和物理解释性是其面临的主要挑战。
算法的演进历程，从简单的FLD代数解法，到复杂的SFM物理建模，再到利用大数据统计规律的PCA和机器学习，清晰地反映了该领域在计算能力、数据积累和理论认知上的不断深化。
图3
图3： 该图展示了彩谱科技（FigSpec®）针对不同应用平台开发的FS-SIF系列高光谱测量系统，包括用于地面扫描的FS-SIF-1A线扫描相机、用于塔基连续观测的FS-SIF-2A成像相机，以及用于区域制图的FS-SIF-6A高光谱无人机系统。
作为该领域的先行者，彩谱科技（FigSpec®）深刻理解 SIF 测量的核心需求，研发了 FS-SIF 系列高光谱测量系统，为全球的科研工作者和应用领域的客户提供了强大的工具 41。该系列系统不仅在核心性能上达到了国际水平，更通过多样化的平台方案，满足了从点到面、从地面到空中的多尺度观测需求。
彩谱科技FS-SIF系列系统拥有两项对SIF测量至关重要的核心性能参数：0.3nm光谱分辨率和高达600:1的信噪比（SNR） 41。这两项参数并非孤立的技术指标，而是直接回应了第二、三节中阐述的根本性科学挑战：
● 0.3nm光谱分辨率：如前所述，精确捕捉夫琅和费暗线（特别是O₂-A和O₂-B带）内部由SIF引起的微弱“填充”信号，是所有被动SIF遥感技术的基石 19。FS-SIF系列提供的0.3nm超高光谱分辨率，能够精细刻画这些吸收线的轮廓，为应用FLD 和 SFM等先进反演算法提供了根本保障。没有这样的分辨率，暗线内的细节将被模糊，反演结果的精度和可靠性将无从谈起。
● 600:1高信噪比：SIF信号本身极其微弱，在总上行辐射中占比极低 14。高信噪比意味着仪器自身的电子噪声远低于其能够探测到的有效信号。FS-SIF系列高达600:1的信噪比，确保了仪器能够从强烈的背景反射光和系统噪声中，可靠地提取出这微弱的荧光信号，从而保证了最终反演结果的准确性和稳定性。
彩谱科技的远见不仅体现在卓越的单点性能上，更在于其构建了一个完整的多尺度观测解决方案生态系统。通过不同型号的组合，研究人员可以无缝地开展从机理验证到区域应用的全链条研究。
型号 | 平台/类型 | 主要应用场景 | 光谱分辨率 (FWHM) | 峰值信噪比 | 光谱范围 |
FS-SIF-1A | 地面/龙门架（线扫描） | 大田作物、自动化表型平台、精细冠层扫描。 | 0.3nm | 600:1 | 660-790nm |
FS-SIF-2A | 塔基/固定式（成像） | 生态系统通量塔（如涡度相关）集成、生态系统功能长期连续监测。 | 0.3nm | 600:1 | 660-790nm |
FS-SIF-6A | 无人机（集成系统） | 区域尺度制图、精准农业、连接地面与卫星观测、卫星SIF产品验证。 | 0.3nm | 600:1 | 660-790nm |
数据来源：彩谱科技（FigSpec®）技术文档 41 | |||||
● 线扫描高光谱相机 （FS-SIF-1A）：该型号适用于需要精细空间扫描的场景，如在大型试验田或自动化表型平台上，可以获取作物冠层高分辨率的SIF剖面信息，是进行作物生理学和遗传育种研究的理想工具。
● 成像高光谱相机 （FS-SIF-2A）：专为长期、定点、连续观测设计。将其部署在生态系统通量塔上，可以与涡度相关仪等设备同步观测，直接对比SIF与GPP在分钟到年际尺度上的动态变化，为理解SIF-GPP关系和验证生态系统模型提供了宝贵的原位数据。
● 高光谱无人机系统 （FS-SIF-6A）：这是连接“点”观测和“面”观测的关键桥梁。遥感科学面临的一大核心挑战便是尺度转换问题——如何将单点观测的精确信息外推到更广阔的区域 42。
FS-SIF-6A无人机系统解决了这一难题。它具备极高的灵活性，不受卫星过境时间的限制，可以根据研究需求（如关键物候期、胁迫事件发生时）随时获取区域尺度（公顷至平方公里级）的高时空分辨率 SIF 空间分布图。这不仅为精准农业管理提供了决策信息，也为验证和校正像元尺度达数公里的卫星 SIF 产品提供了不可或缺的“地面真值”数据 41。
综上所述，彩谱科技 提供的不仅仅是单个高性能的仪器，而是一个能够支撑现代生态系统科学研究的、系统性的多尺度观测平台。这一平台使得研究人员能够将叶片尺度的机理研究、冠层尺度的过程观测、区域尺度的空间制图以及全球尺度的卫星遥感有效地整合起来，从而推动 SIF 科学从理论走向更为广阔的应用。
图4
图4： 该图改编自彩谱科技（FigSpec®）技术文档 41。左侧为传统的NDVI图像，右侧为利用高光谱系统获取的SIF图像。可以看出，SIF图像（右）能够揭示出田间作物光合作用活性的细微空间差异，而这些差异在NDVI图像（左）中可能并不明显，展示了SIF在精细监测植被功能方面的优势。
SIF与 GPP之间的紧密关系是其核心的应用基础。以下研究范例展示了科学家们如何在不同生态系统中验证和应用这一关系。
● 研究目的 (Objective): 由 Chen et al. (2020) 进行的这项研究，旨在验证在中国的一个玉米农田生态系统中，利用地面塔基平台连续观测的远红光SIF（SIF760）是否能有效追踪由涡度相关技术测量的GPP在日尺度和季节尺度上的动态变化，并探究两者关系是否受环境条件（如晴空指数）影响。
● 研究方法 (Methods):
○ 平台与设备： 研究人员在一个玉米农田生态系统通量站，部署了一套塔基自动观测系统。该系统包括一个用于测量冠层 SIF的高分辨率光谱仪，以及一套涡度相关（Eddy Covariance, EC）系统，用于直接测量生态系统与大气之间的CO2通量，从而计算出 GPP。同时，还配备了气象站记录光合有效辐射（PAR）和晴空指数（CI）等环境数据。
○ 数据采集与分析： 在2017和2018两个完整的生长季中，系统以半小时间隔连续采集冠层光谱数据和CO₂通量数据。研究人员利用光谱数据反演得到SIF760，并与EC系统计算出的 GPP进行直接对比分析。他们分别在半小时（日内动态）和日平均（季节动态）两个时间尺度上，对 SIF-GPP的关系进行了线性和非线性回归分析，并特别评估了晴空指数对该关系的影响。
● 结果与结论 (Results & Conclusion): 研究发现，SIF 能够非常好地追踪 GPP 的动态。在日尺度上，半小时间隔的 SIF与 GPP表现出很强的同步性（R2 = 0.66）。当数据聚合到日平均尺度时，二者的线性相关性变得更强，决定系数（R2）分别达到了0.82（2017年）和0.76（2018年）。研究还发现，晴空指数是影响 SIF-GPP关系非线性的关键因素，在模型中加入该指数能显著提高 GPP的估算精度。该研究为利用SIF遥感数据估算区域乃至全球的GPP提供了坚实的地面验证基础。
图5
图5： 该图改编自 Chen et al. (2020) 的原文图4。图中X轴为年份中的日期（Day of Year），左侧Y轴代表日均SIF₇ ₆ ₀（红色圆点），右侧Y轴代表由涡度相关技术测得的日均GPP（蓝色圆点）。从图中可以清晰地看到，在整个玉米生长季节，SIF和GPP表现出高度一致的季节性变化趋势（R² > 0.76），证明了SIF在冠层尺度上作为GPP可靠“代理”的巨大潜力。
● 研究目的 (Objective): 由Li & Xiao (2018) 领导的这项开创性研究，旨在利用当时更新的OCO-2卫星SIF数据，在全球尺度上系统性地评估SIF与来自64个通量塔的GPP观测值之间的关系。研究的核心问题是：是否存在一个跨越不同生物群落（如森林、草原、农田等）的普适性 SIF-GPP 线性关系 45。
● 研究方法 (Methods):
○ 平台与设备： 该研究结合了天基和地基平台。SIF数据来源于NASA的OCO-2卫星，该卫星提供了高空间分辨率（1.3 km × 2.25 km）的SIF观测值。GPP数据则来源于全球FLUXNET网络的64个涡度相关通量塔，这些站点覆盖了8种主要的陆地生物群落 45。
○ 数据采集与分析：研究人员将OCO-2卫星在通量塔上空的过境观测数据与地面同步的 GPP数据进行时空匹配。他们对日尺度和午间（midday）尺度的SIF和GPP数据进行了线性回归分析，不仅分析了所有站点的总体关系，还分别检验了各个生物群落内部的关系，并与传统的植被指数（如EVI）进行了性能比较 45。
● 结果与结论 (Results & Conclusion): 研究取得了重大发现。在全球尺度上，OCO-2 SIF 与塔基GPP表现出极强的线性相关性，日尺度数据的决定系数（R2）高达0.72 45。更重要的是，这种强线性关系在所有8个被研究的生物群落中都普遍存在，且回归线的斜率在不同生物群落间没有显著差异。这表明存在一个近乎普适的SIF-GPP关系。相比之下，EVI等传统植被指数与GPP的关系则表现出明显的生物群落依赖性。这一结论极大地简化了利用SIF 估算全球GPP的过程，证明了SIF作为全球光合作用直接代理指标的巨大潜力 45。
图6
图6： 该图改编自 Li & Xiao (2018) 的原文图3a。图中展示了全球64个通量站点日均OCO-2 SIF（X轴）与日均塔基GPP（Y轴）的散点图。不同颜色的点代表不同的生物群落类型。所有数据点共同构成了一个显著的线性关系（R² = 0.72），且单一的线性回归线（黑色实线）能够很好地拟合所有生物群落的数据，证明了SIF-GPP关系在全球尺度上的普适性。
● 研究目的 (Objective): 由Yang et al. (2022) 在一个亚高山常绿针叶林生态系统开展的研究，旨在深入探究SIF和GPP对季节性环境驱动因子（光照、温度、水分）响应的异同。研究的核心假设是，在常绿针叶林这种结构变化微弱的生态系统中，SIF和GPP的生理调控机制可能存在差异，导致二者在季节尺度上发生解耦。
● 研究方法 (Methods):
○ 平台与设备： 研究在一个位于美国科罗拉多州尼沃特岭的通量塔上进行。塔上同时部署了用于测量红光SIF (SIFred) 的高分辨率光谱系统和用于测量GPP的涡度相关系统。
○ 数据采集与分析： 研究人员分析了为期一年的半小时间隔的 SIF 和GPP连续观测数据。他们对比了SIF和GPP对光照响应曲线的季节性变化，并利用人工神经网络模型分析了温度和蒸发需求等环境因子对二者关系的调控作用。
● 结果与结论 (Results & Conclusion): 研究发现，在春季，SIF对光照的响应要早于GPP，表明光合系统在温度回暖后先被激活（发出荧光），但实际的碳固定（GPP）则受限于融雪和土壤解冻带来的水分可利用性。进入夏季后，GPP对温度的响应由正转负（受高温和高蒸发胁迫），而 SIF对温度的依赖性则较小。这些结果揭示了在常绿针叶林中，SIF和GPP 在季节尺度上存在明显的响应不一致性，即“解耦”现象。这表明SIF更能反映光化学过程的启动，而GPP则受到气孔导度等更下游生理过程的强烈制约。该研究强调了在特定生态系统（尤其是常绿林）中，不能简单地将SIF与GPP直接画等号，必须考虑不同环境因子对二者关系的季节性调控。
图7
图7： 该图改编自 Yang et al. (2022) 的原文图6。图中展示了在春季（左图）和夏季（右图），SIF（红色）和GPP（蓝色）对温度（X轴）的响应曲线。春季时，GPP随温度升高而增加，而夏季时，GPP在高温下反而下降（受胁迫）；相比之下，SIF在两个季节对温度的响应都较为平缓。这清晰地揭示了在不同季节，SIF和GPP对关键环境因子的响应模式存在差异，即发生了“解耦”。
SIF对生理胁迫的快速响应使其成为早期预警的强大工具。以下范例以干旱胁迫为例，展示了SIF相较于传统植被指数的优越性。
● 研究目的 (Objective): 由Yang et al. (2015) 领导的研究，旨在验证在广阔的北美大平原草原生态系统中，卫星遥感的SIF是否比传统的 NDVI更早、更敏感地响应干旱胁迫，从而证明其在区域尺度干旱早期预警中的优越性。
● 研究方法 (Methods):
○ 平台与设备：该研究利用了多个卫星平台的数据。SIF数据来源于GOME-2卫星传感器，而NDVI数据来源于MODIS传感器。地面真值数据则来自一个草原生态系统的通量塔，该塔通过涡度相关法测量GPP，直接反映植被的实际光合活性。
○ 数据采集与分析： 研究人员选取了2012年美国中部发生的一次严重干旱事件作为研究案例。他们分析了干旱期间卫星观测到的 SIF和NDVI的时间序列变化，并将其与地面通量塔测量的GPP时间序列进行对比。通过比较三者对干旱响应的时间节点和下降幅度，来评估SIF和NDVI的敏感性差异。
● 结果与结论 (Results & Conclusion): 研究结果清晰地表明，SIF对干旱的响应远比NDVI迅速和敏感。在干旱发生初期，SIF信号几乎与地面测量的GPP同步下降，迅速反映了水分胁迫对光合作用的抑制。相比之下，NDVI在干旱初期基本保持稳定，直到干旱持续加剧、导致植被冠层结构出现明显损伤（如叶片变黄、枯萎）后，才开始显著下降。其他研究指出，这种响应滞后可达10天至2个月之久。该范例无可辩驳地证明了 SIF能够捕捉到植被在遭受胁迫时的“隐性”生理变化，比依赖于植被“绿度”的 NDVI 提供了更早的预警信号，对于干旱监测和灾害管理具有革命性的意义。
图8
图8： 该图改编自 Yang et al. (2015) 的原文图1。图中X轴为时间，Y轴为各指标的标准化异常值。图中展示了在2012年干旱事件期间，GOME-2 SIF（红色线）、MODIS NDVI（绿色线）和塔基GPP（黑色线）的时间序列变化。可以清晰地看到，SIF的下降趋势与GPP高度同步，而NDVI的响应则明显滞后，在干旱初期几乎没有变化，证明了SIF在干旱早期预警中的高敏感性。
● 研究目的 (Objective): 由Sun et al. (2023) 进行的研究，旨在利用NASA OCO-3卫星独特的日内多时相观测能力，开发一种新的生理干旱胁迫指标。研究假设，干旱胁迫会导致植被在午后出现光合抑制，这种日内动态变化可以被SIF捕捉到，从而实现对干旱胁迫的精准监测。
● 研究方法 (Methods):
○ 平台与设备： 该研究使用了部署在国际空间站上的OCO-3卫星的SIF数据。与太阳同步轨道的卫星不同，OCO-3可以在一天中的不同时间对同一地点进行观测，从而获取日变化信息。
○ 数据采集与分析： 研究人员聚焦于2020年美国西南部发生的严重干旱事件。他们利用辐射传输模型和机器学习方法，从OCO-3的多时相SIF观测中分离出由生理胁迫（而非光照变化）引起的午后SIF下降信号，并将其定义为一个新的“午后光合抑制”指标。他们分析了该指标在干旱期间的时空演变，并探究了其与气象干旱指标（如VPD）的关系。
结果与结论 (Results & Conclusion): 研究成功地利用日内SIF变化绘制出了干旱胁迫下植被生理功能的空间分布图。结果显示，在2020年干旱期间，美国西南部地区普遍出现了显著的午后光合抑制现象，且该现象随着干旱的加剧而增强。研究还发现，不同植被类型（灌木和草地）对VPD的敏感性在干旱过程中也发生了动态变化。这项工作展示了利用卫星观测的SIF日变化来直接监测植被生理干旱胁迫的能力，为理解干旱对生态系统的影响机制和改进陆面过程模型提供了全新的视角。
● 研究目的 (Objective): 由 Li et al. (2025) 在中国黄土高原地区进行的研究，旨在开发一种新的基于 SIF 的干旱监测指数，以更准确地捕捉干旱事件的发生、发展和恢复过程。研究假设，通过计算 SIF 相对于其气候常态的快速变化，可以比直接使用SIF值或异常值更有效地识别干旱信号。
● 研究方法 (Methods):
○ 平台与设备： 该研究使用了2001年至2020年长时序的全球GOSIF数据集，这是一个基于OCO-2卫星SIF数据重建的8天、0.05°分辨率的全球SIF产品。
○ 数据采集与分析： 研究人员定义了一个名为“快速变化指数”（Rapid Change Index, RCI）的方法，用于计算当前GOSIF值相对于其多年平均值的偏离轨迹。他们将这个新开发的SIF-RCI指数与原始GOSIF值、GOSIF异常值以及广泛使用的气象干旱指数SPEI进行了对比，以评估其在监测黄土高原干旱事件中的表现。
● 结果与结论 (Results & Conclusion): 研究表明，新开发的SIF-RCI指数在干旱监测方面表现出色。与原始GOSIF值和异常值相比，SIF-RCI能更清晰地捕捉到由干旱引起的SIF快速变化区域和变化轨迹。SIF-RCI的负信号几乎与SPEI指数同步，准确地识别了干旱的开始。更具创新性的是，SIF-RCI的正信号能够比SPEI提前至少4个8天周期（即32天）预测干旱的恢复。这一发现凸显了SIF不仅能用于干旱的早期预警，还能为干旱恢复提供前瞻性信息，这对于农业生产恢复和水资源管理具有重要的实践价值。
图9
图9： 该图改编自 Li et al. (2025) 的原文图5。图中X轴为时间，Y轴为指数值。图中对比了在一次典型干旱事件中，SIF-RCI（红色线）和气象干旱指数SPEI（蓝色线）的时间序列变化。可以看出，当SPEI变为负值（干旱开始）时，SIF-RCI也同步变为负值。关键在于，当SPEI仍在负值区间时，SIF-RCI已经率先转为正值，预示着植被生理功能的恢复，比SPEI的恢复信号提前了数周。
高分辨率的SIF遥感，特别是通过无人机平台获取的数据，为精准农业提供了工具，能够实现对作物长势和养分状况的精细监测与管理。
● 研究目的 (Objective): 由 Suarez et al. (2022) 在一个大型商业杏仁园进行的研究，旨在评估机载高光谱遥感（模拟无人机平台）获取的SIF及其他生理参数，在监测叶片氮（N）含量空间变异性方面的能力，以期为精准施肥提供决策支持。
● 研究方法 (Methods):
○ 平台与设备： 研究团队使用一架飞机搭载了高光谱成像系统，在1200公顷的商业杏仁园上空飞行，获取了高空间分辨率（亚米级）的光谱影像。该系统能够覆盖SIF发射的关键波段，并具备足够的光谱分辨率进行SIF反演。
○ 数据采集与分析： 在两个生长季中，研究人员在机载遥感数据采集的同时，在地面进行了大量的叶片采样，并进行化学分析以获取真实的叶片氮含量（N%）。他们利用机载高光谱数据，不仅反演了冠层的SIF，还通过辐射传输模型（RTM）反演了叶绿素含量（Cab）等其他生理生化参数。最后，通过统计模型分析了SIF、Cab等遥感参数与地面实测叶片氮含量的关系。
结果与结论 (Results & Conclusion): 该研究取得了突破性成果。单独使用传统的代理指标——叶绿素含量（Cab）来预测氮含量，其精度中等（R2 = 0.49）。然而，当将 SIF这一直接反映光合功能的参数与Cab结合起来进行建模时，对叶片氮含量的预测精度得到了惊人的提升，决定系数（R2）高达0.95。这一结果表明，SIF提供了独立于叶绿素含量（结构信息）的、关于光合机构运行效率（功能信息）的关键信息。这项研究有力地证明了，像 FS-SIF-6A这样的高分辨率无人机SIF成像系统，能够为农场主提供精准氮素管理图，从而实现“按需施肥”，在保证产量的同时，显著减少化肥使用，降低成本和环境污染。
● 研究目的 (Objective): 由 Luo et al. (2022) 进行的研究，旨在测试利用无人机（UAV）搭载的高光谱光谱仪在不同飞行高度下监测棉花叶片氮含量（LNC）的可行性，为棉花的精准氮肥管理提供技术支持。
● 研究方法 (Methods):
○ 平台与设备： 研究使用了一架无人机，搭载了高光谱仪，对设置了两种棉花品种和六种不同氮肥处理（0至480kg/ha）的试验田进行观测。无人机分别在60米、80米和100米的高度飞行，以评估飞行高度对光谱数据和LNC估算精度的影响。
○ 数据采集与分析： 在无人机飞行的同时，研究人员在地面采集棉花叶片样本，测量其实际的LNC。他们分析了不同飞行高度获取的光谱反射率（SR）数据的变化，并构建了基于不同光谱指数的偏最小二乘回归（PLSR）模型，来估算棉花的LNC，并对模型的精度进行了验证。
● 结果与结论 (Results & Conclusion): 研究发现，飞行高度对光谱信号有显著影响，但通过建模可以有效估算LNC。在所有飞行高度中，80米高度获取的数据构建的模型表现更佳，其验证集的决定系数（R2）为0.76，相对分析误差（RPD）为2.04。这一结果表明，利用无人机高光谱遥感技术可以实现对棉田氮素状况的快速、无损、大面积监测。该研究为棉花生产中实现精准施肥、提高氮肥利用效率和减少环境污染提供了可靠的技术手段，与FS-SIF-6A 系统的应用场景高度契合。
图10
图10：不同飞行高度下棉花叶片氮含量的预测精度对比。该图改编自 Luo et al. (2022) 的原文图10。图中以柱状图形式展示了在60米、80米和100米三个不同飞行高度下，利用无人机高光谱数据构建的叶片氮含量（LNC）预测模型的性能指标（R²和RPD）。从图中可以清晰地看到，80米高度的模型性能更佳，其R²和RPD值均更高，表明存在一个更优的观测高度。
● 研究目的 (Objective): 由 Khodjaev et al. (2024) 在德国南部进行的研究，旨在评估结合无人机获取的多种低成本数据（植被指数、作物高度和太阳辐射）来提高冬小麦产量预测的准确性，为小农户提供经济可行的精准农业方案 47。
● 研究方法 (Methods):
○ 平台与设备： 研究使用了搭载低成本多光谱相机（MicaSense RedEdge-MX）的无人机。该相机可以获取红、绿、蓝、红边和近红外五个波段的影像 47。
○ 数据采集与分析： 无人机在小麦生长的关键阶段（开花期和灌浆期）进行数据采集。研究人员从多光谱影像中提取了多种植被指数（VIs），利用摄影测量技术生成数字表面模型（DSM）来计算作物高度（CH），并估算了太阳辐射量。他们使用多元线性回归和分位数回归方法，分析了单一变量（如某个VI）和多变量组合（如VI+CH+太阳辐射）对小麦产量的预测能力 47。
● 结果与结论 (Results & Conclusion): 研究发现，将多个维度的信息结合起来能显著提高产量预测的精度。单一植被指数对产量的预测能力有限，而将作物高度、太阳辐射和归一化红边指数（NDRE）相结合的模型表现更佳，其决定系数（R2）达到了0.75 47。与仅使用单一指数相比，这种组合方法的预测精度提高了15%～20%。该研究证明，即使使用相对低成本的多光谱无人机系统，通过融合多源信息，也能实现对作物产量的可靠预测。这为未来将SIF（作为光合效率的直接指标）整合到此类多源数据融合模型中，以进一步提升产量预测精度提供了明确的方向和思路 47。
图11
图11：不同预测模型对小麦产量估算的精度对比。 该图改编自 Khodjaev et al. (2024) 的原文图6。图中以柱状图或表格形式，对比了使用单一植被指数（如NDVI、NDRE）和结合了作物高度（CH）、太阳辐射（SR）的多变量模型在预测小麦产量时的决定系数（R²）。结果清晰显示，多变量组合模型（NDRE+CH+SR）的R²值（0.75）显著高于任何单一变量模型，证明了数据融合的优越性。
SIF能够直接监测植被的“功能物候”，即光合作用的实际开启和停止时间，这为理解生态系统对气候变化的响应提供了比传统“结构物候”更深刻的视角。
● 研究目的 (Objective): 由 Chen et al. (2022) 在北半球温带及寒带地区进行的一项大规模研究，旨在系统性地比较由卫星SIF数据定义的“功能性物候”（即光合作用的开始、结束和持续时间）与由 NDVI 数据定义的“结构性物候”（即植被绿度的变化周期），并量化两者之间的系统性差异。
● 研究方法 (Methods):
○ 平台与设备： 该研究主要依赖于长时序的全球卫星遥感数据集。SIF数据来源于一个基于神经网络模型融合多源卫星数据生成的全球连续SIF产品（CSIF），而NDVI数据则来源于MODIS卫星。
○ 数据采集与分析：研究人员利用多年的卫星时间序列数据，对北半球温带及北方森林地区，使用统一的物候提取算法，分别计算了基于SIF和NDVI的生长季开始（Start of Season, SOS）、生长季结束（End of Season, EOS）和生长季长度（Length of Season, LOS）。随后，他们系统地对比了两种方法得到的物候期差异，并分析了这种差异在不同植被类型和区域间的分布规律。
● 结果与结论 (Results & Conclusion): 研究发现，功能物候与结构物候之间存在着系统性的、显著的差异。平均而言，由NDVI定义的 SOS 比SIF定义的SOS提早了约10.1天，而 NDVI定义的EOS则比SIF定义的EOS推迟了约11.5天。综合来看，NDVI估算的生长季长度（LOS）比SIF估算的实际光合作用周期平均长了21.6天。这一结论揭示了NDVI 会系统性地高估植被的有效生长季长度，因为植被叶片变绿（结构变化）并不等同于光合作用的开启。SIF 所定义的“功能物候”更真实地反映了生态系统的实际固碳活动周期，这一发现对于准确评估全球变化背景下生态系统碳循环对物候变化的响应至关重要。
图12
图13
● 研究目的 (Objective): 由 Jeong et al. (2017) 进行的研究，旨在利用卫星SIF和NDVI数据，探究北方高纬度森林在季节尺度上生理功能（由SIF代表）和冠层结构（由NDVI代表）的动态关系，特别是验证两者在秋季是否存在解耦现象。
● 研究方法 (Methods):
○ 平台与设备： 该研究使用了2009至2011年的卫星遥感数据，包括来自GOME-2卫星的SIF数据和来自MODIS的NDVI数据。同时，使用了一个数据驱动的GPP模型产品作为光合作用的参考基准。
○ 数据采集与分析： 研究人员对比了北半球高纬度森林地区SIF和NDVI的季节性时间序列。他们提取了由两种数据定义的生长季长度，并分析了它们与温度变化的响应关系，特别关注春季和秋季的差异。
● 结果与结论 (Results & Conclusion)：研究证实了SIF和NDVI在季节动态上的显著差异。由 SIF 定义的生长季比由 NDVI定义的生长季要短。这种差异主要源于秋季：在秋季，尽管植被冠层仍然保持绿色（NDVI维持在高位），但其光合生理活性（SIF 和 GPP）已经开始显著下降。NDVI 的高值期比SIF的高值期平均延长了约46天。这清晰地揭示了在秋季，北方森林的生理功能衰退远早于其冠层结构的衰败，即存在大规模的“功能－结构”解耦。该研究强调了SIF在捕捉植被真实生理季节性方面的独特价值，尤其是在传统绿度指数可能产生误导的物候转换期。
图14
图14： 该图改编自 Jeong et al. (2017) 的原文图2。图中X轴为月份，Y轴为各指标的标准化值。图中展示了北方森林地区SIF（红色线）、NDVI（绿色线）和GPP（蓝色线）的平均年际变化曲线。可以清晰地看到，在秋季（约9月之后），NDVI仍然维持在较高水平，而SIF和GPP已经开始快速下降，三条曲线出现明显分离，直观地证明了功能与结构在秋季的“解耦”现象。
● 研究目的 (Objective): 由 Zhang et al. (2023) 进行的研究，旨在系统性地评估新一代高时空分辨率卫星传感器TROPOMI的SIF数据在监测植被光合作用物候方面的性能，并将其与传统的植被指数（NDVI, EVI）以及近红外植被反射率（NIRv）进行全面比较。
● 研究方法 (Methods):
○ 平台与设备： 该研究使用了来自TROPOMI卫星的高分辨率 SIF 数据，以及来自MODIS的 NDVI 和EVI数据。地面验证基准数据来源于全球通量塔网络的 GPP 数据和PhenoCam网络的绿度指数（Gcc）数据。
○ 数据采集与分析： 研究人员从各种卫星数据和地面数据中提取了四个关键的物候指标：生长季开始（SOS）、生长季结束（EOS）、生长季长度（LOS）和生长季峰值（POS）。他们通过与地面 GPP 和Gcc衍生的物候指标进行对比，评估了TROPOMI SIF 和其他植被指数在捕捉真实物候方面的准确性。
● 结果与结论 (Results & Conclusion): 研究结果一致表明，TROPOMI SIF 在捕捉光合作用物候方面优于所有传统的植被指数。与地面 GPP 衍生的物候相比，SIF 衍生 phenology 的总体一致性（R2 范围为0.30-0.63）显著高于 NDVI（0.17–0.41）和EVI（0.19–0.39）。此外，SIF 衍生的物候指标的误差和偏差也最小。该研究证实，TROPOMI SIF 凭借其高时空分辨率和与光合作用的直接联系，为监测植被功能物候提供了一个强大工具，能够比传统方法更准确地反映生态系统的季节性碳吸收动态。
图15
图15： 该图改编自 Zhang et al. (2023) 的原文图4。图中为一系列散点图，X轴为由地面塔基GPP数据提取的SOS，Y轴为分别由TROPOMI SIF、MODIS NDVI、MODIS EVI等不同遥感指标提取的SOS。每个散点代表一个站点年。与NDVI和EVI相比，SIF的数据点更紧密地分布在1:1对角线周围，其R²值最高，RMSE最低，表明SIF提取的物候期与真实的光合作用开启时间更为一致。
尽管SIF遥感技术在过去十年取得了飞速发展，并在多个应用领域展现出巨大潜力，但该领域仍处于快速发展阶段，面临着一系列科学和技术挑战。同时，新一代空天观测技术的部署也为其带来了机遇。
1. 尺度转换与冠层结构效应：从叶片尺度发射的荧光信号，在穿透冠层的过程中会经历复杂的散射和重吸收过程，最终到达传感器（即冠层顶部SIF）的信号已经与叶片原始信号大相径庭。如何从冠层顶部信号中准确地剥离出冠层结构（如叶倾角分布、叶面积指数、聚集效应等）的影响，从而反演出与生理过程更直接相关的叶片级荧光产率，是当前研究的热点和难点 43。同样，如何将在通量塔“点”尺度上验证的
SIF-GPP关系，可靠地应用到异质性更强的卫星“像元”尺度，也是一个巨大的挑战 42。
2. 大气校正的复杂性：对于星载SIF遥感而言，信号在穿过大气层到达卫星传感器的过程中，会受到大气分子和气溶胶的吸收与散射影响。这些大气效应，尤其是在夫琅和费暗线内部，其光谱特征与SIF的填充效应相似，如果不能被精确校正，会给SIF反演带来巨大误差。开发高精度的、能够与SIF反演耦合的大气校正算法是提升全球SIF产品质量的关键 49。
3. SIF-GPP关系的机理理解：尽管在宏观尺度上SIF与GPP表现出良好的线性关系，但在更精细的时间尺度（如小时）和特定条件下（如胁迫），二者的关系会变得非线性且受多种因素（如非光化学淬灭NPQ、光呼吸等）的调控。深入理解并模型化这些影响SIF-GPP关系的生物物理和生物化学过程，是利用SIF精准量化GPP的基础 50。
图16
图16：FLEX卫星艺术概念图。该图为欧洲空间局（ESA）FLEX（Fluorescence Explorer）卫星的艺术概念图。FLEX是专为SIF观测而设计的任务，它将与哥白尼计划的Sentinel-3卫星协同飞行，精度绘制全球植被荧光图，极大推动SIF科学的发展。
未来几年将是SIF遥感的黄金时代。欧洲空间局（ESA）即将发射的FLEX（Fluorescence Explorer） 卫星是专为SIF观测而设计的任务。它将精度和信噪比绘制全球植被荧光图，并与哥白尼计划的Sentinel-3卫星协同飞行，获取同步的植被结构和温度信息，将极大推动SIF科学的发展 52。此外，德国的EnMAP、欧盟的Copernicus CO2M等新一代高光谱任务也将SIF作为其重要的科学产品，将共同构建一个全球高光谱SIF观测网络 56。
未来的植被遥感将不再依赖于单一平台，而是走向一个天－空-地一体化的协同观测新范式。在这个范式中，各个平台扮演着不可或缺的角色：
● 卫星平台（如FLEX）：提供全球覆盖、长期一致的宏观背景观测，用于监测全球变化趋势。
● 地面塔基系统（如搭载FS-SIF-2A的通量塔）：提供高时间频率的连续“点”观测，是理解 SIF 与光合作用过程机理、发展和验证模型的基石。
● 无人机高光谱系统（如FS-SIF-6A）：作为连接天与地的关键桥梁，提供高空间分辨率的“面”上信息。它飞行在大部分大气层之下，有效规避了复杂的大气校正问题，其获取的数据是验证卫星产品、研究地表异质性、并将生态系统过程研究成果转化为精准管理实践的“金标准”数据。
当前卫星遥感面临的尺度和大气校正等挑战，恰恰凸显了高质量地面和航空测量的不可替代性。随着 FLEX 等新一代卫星的升空，全球将产生海量的SIF数据，这将引爆对高精度地面验证数据的巨大需求。因此，像彩谱科技（FigSpec®）这样能够提供覆盖从地面到无人机的全链条、高精度、交叉定标的SIF测量系统的技术方案，将处在未来SIF科学发展的核心位置，为迎接全球SIF遥感新时代的到来提供坚实的硬件支撑。
1. Mohammed, G. H., Colombo, R., Middleton, E. M., Rascher, U., van der Tol, C., Nedbal, L. & Damm, A. (2019). Remote sensing of solar-induced chlorophyll fluorescence (SIF) in vegetation: 50 years of progress. Remote Sensing of Environment, 231, 111177. DOI: 10.1016/j.rse.2019.04.030
2. Li, X., & Xiao, J. (2018). Solar‐induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes: First global analysis based on OCO‐2 and flux tower observations. Global Change Biology, 24(9), 3993-4009. DOI: 10.1111/gcb.14297
3. Sun, Y., Frankenberg, C., Wood, J. D., Schimel, D. S., Jung, M., Guanter, L. & Köhler, P. (2017). OCO-2 advances photosynthesis observation from space via solar-induced chlorophyll fluorescence. Science, 358(6360), eaam5747. DOI: 10.1126/science.aam5747
4. Drusch, M., Moreno, J., Del Bello, U., Franco, R., Goulas, Y., Huth, A. & Drusch, M. (2017). The FLuorescence EXplorer (FLEX) mission: a mission to observe vegetation fluorescence. IEEE Transactions on Geoscience and Remote Sensing, 55(8), 4419-4437. DOI: 10.1109/TGRS.2017.2685961
5. Magney, T. S., Bowling, D. R., Logan, B. A., Grossmann, K., Stutz, J., Blanken, P. D.,... & Frankenberg, C. (2019). Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence. Proceedings of the National Academy of Sciences, 116(24), 11640-11645. DOI: 10.1073/pnas.1900278116
6. Parazoo, N. C., Frankenberg, C., Köhler, P., Joiner, J., Yoshida, Y., Magney, T.,... & Sun, Y. (2019). Towards a harmonized long-term global solar-induced fluorescence (SIF) record from GOME-2 and SCIAMACHY. Atmospheric Measurement Techniques, 12(12), 6529-6546. DOI: 10.5194/amt-12-6529-2019
7. Yoshida, Y., Joiner, J., Tucker, C., Berry, J., Lee, J. E., Walker, G.,... & Nomura, N. (2015). The 2010 Russian drought impact on satellite measurements of solar-induced chlorophyll fluorescence: Insights from modeling and data assimilation. Remote Sensing of Environment, 166, 129-142. DOI: 10.1016/j.rse.2015.06.008
8. Guanter, L., Zhang, Y., Jung, M., Joiner, J., Voigt, M., Berry, J. A.,... & Frankenberg, C. (2014). Global and time-resolved monitoring of crop photosynthesis with chlorophyll fluorescence. Proceedings of the National Academy of Sciences, 111(14), E1327-E1333. DOI: 10.1073/pnas.1320008111
9. Cogliati, S., Verrelst, J., Celesti, M., Schickling, A., Julitta, T., Altenburger, C.,... & Rascher, U. (2019). Retrieval of solar-induced chlorophyll fluorescence (SIF) from spectral fitting of airborne hyperspectral data. Remote Sensing of Environment, 225, 398-411. DOI: 10.1016/j.rse.2019.03.013
10. Zhang, Y., Guanter, L., Berry, J. A., van der Tol, C., Yang, X., Tang, J., & Zhang, F. (2016). Model-based analysis of the relationship between sun-induced chlorophyll fluorescence and gross primary production for remote sensing applications. Remote Sensing of Environment, 187, 145-155. DOI: 10.1016/j.rse.2016.10.023
11. Damm, A., Guanter, L., Verhoef, W., Schläpfer, D., Schaepman, M. E., & Rascher, U. (2015). Impact of varying irradiance on vegetation indices and SIF retrievals from hyperspectral data. Remote Sensing of Environment, 159, 156-170. DOI: 10.1016/j.rse.2014.11.032
12. Wieneke, S., Ahrends, H., Damm, A., Pinto, F., Stadler, A., Rossini, M., & Rascher, U. (2016). Airborne-based spectroscopy of solar-induced chlorophyll fluorescence in a mixed forest: Comparison of different retrieval methods. Remote Sensing of Environment, 186, 614-626. DOI: 10.1016/j.rse.2016.09.012
13. Liu, X., Liu, L., & Chen, X. (2017). Evaluating the ability of solar-induced chlorophyll fluorescence to track the diurnal and seasonal dynamics of gross primary production in a maize cropland. Remote Sensing, 9(9), 947. DOI: 10.3390/rs9090947
14. Verrelst, J., Rivera, J. P., Veroustraete, F., Muñoz-Marí, J., Clevers, J. G., & Moreno, J. (2015). Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods–A comparison. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 260-272. DOI: 10.1016/j.isprsjprs.2015.04.005
15. Zarco-Tejada, P. J., Morales, F., Testi, L., & Villalobos, F. J. (2016). Spatio-temporal patterns of chlorophyll fluorescence and physiological indices derived from hyperspectral imagery as compared with carbon assimilation rates and water stress in a vineyard. Remote Sensing of Environment, 173, 158-171. DOI: 10.1016/j.rse.2015.11.025
16. Rossini, M., Nedbal, L., Guanter, L., Ač, A., Alonso, L., Burkart, A.,... & Rascher, U. (2015). Red and far-red sun-induced chlorophyll fluorescence from airborne high-resolution imaging spectroscopy. Remote Sensing of Environment, 167, 18-31. DOI: 10.1016/j.rse.2015.04.015
17. Yang, X., Tang, J., Mustard, J. F., Lee, J. E., Rossini, M., Joiner, J.,... & Munger, J. W. (2015). Solar-induced chlorophyll fluorescence is more sensitive to drought than NDVI in a grassland ecosystem. Geophysical Research Letters, 42(17), 7010-7017. DOI: 10.1002/2015GL065243
18. Cendrero-Mateo, M. P., Wieneke, S., Damm, A., Alonso, L., Pinto, F., Moreno, J., & Rascher, U. (2019). Sun-induced chlorophyll fluorescence III: A new perspective on the connection between remote sensing and ecophysiology. Remote Sensing, 11(15), 1792. DOI: 10.3390/rs11151792
19. Li, X., Xiao, J., He, B., Arain, M. A., Beringer, J., Desai, A. R.,... & Varlagin, A. (2018). Spatiotemporal patterns of solar-induced chlorophyll fluorescence and their relationships with climate and land cover in the Northern Hemisphere. Science of The Total Environment, 622, 1079-1090. DOI: 10.1016/j.scitotenv.2017.12.046
20. Du, S., Liu, L., Liu, X., Zhang, X., Zhang, X., Wu, S., & Zhang, L. (2018). Retrieval of global terrestrial solar-induced chlorophyll fluorescence from TROPOMI: First results and validation. Science Bulletin, 63(22), 1497-1500. DOI: 10.1016/j.scib.2018.10.007
21. Köhler, P., Guanter, L., & Joiner, J. (2018). A linear method for the retrieval of sun-induced chlorophyll fluorescence from satellite measurements. Atmospheric Measurement Techniques, 11(3), 1589-1602. DOI: 10.5194/amt-11-1589-2018
22. Bacour, C., Maignan, F., MacBean, N., Bastrikov, V., Kuppel, S., Santaren, D.,... & Peylin, P. (2019). Differences in seasonal cycle of plant fluorescence and photosynthesis at global scale. Global Change Biology, 25(12), 4293-4306. DOI: 10.1111/gcb.14800
23. De Grave, C., Verrelst, J., Morcillo-Pallarés, P., Pipia, L., Rivera-Caicedo, J. P., & Moreno, J. (2022). A new SIF retrieval algorithm for APEX data based on spectral fitting methods. Remote Sensing of Environment, 270, 112853. DOI: 10.1016/j.rse.2021.112853
24. Zhang, Z., Zhang, Y., Zhang, Y., & Liu, Z. (2022). Photosynthesis phenology, as defined by solar-induced chlorophyll fluorescence, is overestimated by vegetation indices in the extratropical Northern Hemisphere. Agricultural and Forest Meteorology, 323, 109062. DOI: 10.1016/j.agrformet.2022.109062
25. Wang, S., Zhang, Y., Ju, W., Qiu, B., & Zhang, Z. (2021). The role of solar-induced chlorophyll fluorescence in understanding the terrestrial carbon cycle. Science of The Total Environment, 780, 146589. DOI: 10.1016/j.scitotenv.2021.146589
1. Chapter 5: Food Security — Special Report on Climate Change and Land, accessed August 30, 2025, https://www.ipcc.ch/srccl/chapter/chapter-5/
2. Estimating Global GPP with SIF and a Data Assimilation System, accessed August 30, 2025, https://ocov2.jpl.nasa.gov/documents/3/norton-2018jul10.pdf
3. Climate Change, Global Food Security, and the U.S. Food System - USDA, accessed August 30, 2025, https://www.usda.gov/about-usda/general-information/priorities/climate-solutions/climate-change-global-food-security-and-us-food-system
4. Prioritizing Productivity For Food Security | Global Agricultural Productivity Initiative at Virginia Tech - GAP Initiative, accessed August 30, 2025, https://globalagriculturalproductivity.org/sustainable-food-and-agriculture-systems-are-built-on-productivity/prioritizing-productivity-for-food-security/
5. Climate Change Impacts on Agriculture and Food Supply | US EPA, accessed August 30, 2025, https://www.epa.gov/climateimpacts/climate-change-impacts-agriculture-and-food-supply
6. Normalized difference vegetation index - Wikipedia, accessed August 30, 2025, https://en.wikipedia.org/wiki/Normalized_difference_vegetation_index
7. NDVI or PPI: A (Quick) Comparison for Vegetation Dynamics Monitoring in Mountainous Area - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/16/20/3894
8. NDVI Explained: Understanding the Normalized Difference Vegetation Index - Cropler, accessed August 30, 2025, https://www.cropler.io/blog-posts/ndvi-explained-understanding-the-normalized-difference-vegetation-index
9. www.mdpi.com, accessed August 30, 2025, https://www.mdpi.com/2072-4292/16/3/555#:~:text=SIF%20exhibits%20a%20stronger%20response,drought%20than%20NDVI%20%5B59%5D.
10. Variation trends of SIF, SIFyield, NDVI, EVI, LAI, and fPAR... - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Variation-trends-of-SIF-SIFyield-NDVI-EVI-LAI-and-fPAR-standardized-anomalies-during_fig3_368325720
11. Global Analysis of the Relationship between Reconstructed Solar-Induced Chlorophyll Fluorescence (SIF) and Gross Primary Production (GPP) - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/13/14/2824
12. Solar Induced Chlorophyll Fluorescence: Origins, Relation to Photosynthesis and Retrieval | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/318752629_Solar_Induced_Chlorophyll_Fluorescence_Origins_Relation_to_Photosynthesis_and_Retrieval
13. Solar‐induced chlorophyll fluorescence and short‐term photosynthetic response to drought - OpenScholar, accessed August 30, 2025, https://uva.theopenscholar.com/files/plant-ecology-lab/files/helm_et_al._2020_-_solar-induced_chlorophyll_fluorescence_and_short-term_photosynthetic_response_to_drought.pdf
14. www.researchgate.net, accessed August 30, 2025, https://www.researchgate.net/publication/224026472_Remote_sensing_of_solar-
(SIF,for%20direct%20measurement%20%5B2%5D.
15. Review of Top-of-Canopy Sun-Induced Fluorescence (SIF) Studies from Ground, UAV, Airborne to Spaceborne Observations - MDPI, accessed August 30, 2025, https://www.mdpi.com/1424-8220/20/4/1144
16. Introduction to Chlorophyll Fluorescence - PhenoVation, accessed August 30, 2025, https://www.phenovation.com/introduction-to-chlorophyll-fluorescence
17. Non-photochemical quenching - Wikipedia, accessed August 30, 2025, https://en.wikipedia.org/wiki/Non-photochemical_quenching
18. Nonphotochemical Chlorophyll Fluorescence Quenching: Mechanism and Effectiveness in Protecting Plants from Photodamage - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC4825125/
19. Solar-induced chlorophyll fluorescence imaging spectrometer: design, manufacture, and evaluation - Optica Publishing Group, accessed August 30, 2025, https://opg.optica.org/abstract.cfm?uri=oe-30-23-41422
20. Fraunhofer line depth (FLD) method. (A) The solar down-welling... - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Fraunhofer-line-depth-FLD-method-A-The-solar-down-welling-irradiance-E-is_fig1_332594417
21. Retrieval of solar-induced chlorophyll fluorescence (SIF) from satellite measurements - AMT, accessed August 30, 2025, https://amt.copernicus.org/articles/15/2125/2022/amt-15-2125-2022.pdf
22. Fraunhofer Line Depth (FLD) principle depicted by measurements inside... | Download Scientific Diagram - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/figure/Fraunhofer-Line-Depth-FLD-principle-depicted-by-measurements-inside-and-outside-the_fig1_322103067
23. disentangling isotropic fluorescence from the canopy directional reflectance using brdf models - Sci-Hub, accessed August 30, 2025, https://2024.sci-hub.se/6818/2e26b6ab2d4e039c0b02611c8b59ef67/10.1109@whispers.2016.8071658.pdf
24. Accounting for the Spectral Resolution on Sif Retrieval From a Narrow-Band Airborne Imager Using Scope - QuantaLab, accessed August 30, 2025, https://quantalab.ias.csic.es/pdf/Accounting_for_the_Spectral_Resolution_on_Sif_Retrieval_From_a_Narrow-Band_Airborne_Imager_Using_Scope.pdf
25. Comparing the Retrieval of Chlorophyll Fluorescence from Two Airborne Hyperspectral Imagers with Different Spectral Resolutions - QuantaLab IAS-CSIC, accessed August 30, 2025, https://quantalab.ias.csic.es/pdf/Comparing_the_Retrieval_of_Chlorophyll_Fluorescence_from_Two_Airborne_Hyperspectral_Image.pdf
26. Review of Top-of-Canopy Sun-Induced Fluorescence (SIF) Studies from Ground, UAV, Airborne to Spaceborne Observations - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC7070282/
27. Quantifying Uncertainties in Solar-Induced Fluorescence Retrieval Algorithms with Simulated Data, accessed August 30, 2025, https://scisoc.confex.com/scisoc/2024am/meetingapp.cgi/Paper/158382
28. Comparison of Four Different Sun-Induced Chlorophyll Fluorescence Retrieval Algorithms Using Simulated and Field-Measured Data | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/328986867_Comparison_of_Four_Different_Sun-Induced_Chlorophyll_Fluorescence_Retrieval_Algorithms_Using_Simulated_and_Field-Measured_Data
29. Irradiance source comparison for FLD-based solar-induced fluorescence (SIF) retrieval using hyperspectral imagery - SPIE Digital Library, accessed August 30, 2025, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13475/134750A/Irradiance-source-comparison-for-FLD-based-solar-induced-fluorescence-SIF/10.1117/12.3053825.full
30. Retrieval of sun-induced fluorescence using advanced spectral fitting methods | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/282322943_Retrieval_of_sun-induced_fluorescence_using_advanced_spectral_fitting_methods
31. FSM: A Reflectance Reconstruction Method to Retrieve Full-Spectrum Sun-Induced Chlorophyll Fluorescence From Canopy Measurements, accessed August 30, 2025, https://ris.utwente.nl/ws/portalfiles/portal/492885691/FSM_A_Reflectance_Reconstruction_Method_to_Retrieve_Full-Spectrum_Sun-Induced_Chlorophyll_Fluorescence_From_Canopy_Measurements.pdf
32. FSM: A Reflectance Reconstruction Method to Retrieve Full-Spectrum Sun-Induced Chlorophyll Fluorescence From Canopy Measurements | Request PDF - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/385222951_FSM_a_reflectance_reconstruction_method_to_retrieve_full-spectrum_sun-induced_chlorophyll_fluorescence_from_canopy_measurements
33. New Spectral Fitting Method for Full-Spectrum Solar-Induced Chlorophyll Fluorescence Retrieval Based on Principal Components Analysis - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/7/8/10626
34. Performance of Ground-Based Solar-Induced Chlorophyll Fluorescence Retrieval Algorithms at the Water Vapor Absorption Band - PMC, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11821067/
35. Retrieving Sun-Induced Chlorophyll Fluorescence from Hyperspectral Data with TanSat Satellite - PubMed Central, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8309921/
36. A Novel Principal Component Analysis Method for the Reconstruction of Leaf Reflectance Spectra and Retrieval of Leaf Biochemical Contents - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/9/11/1113
37. Noise Reduction for Solar-Induced Fluorescence Retrievals Using Machine Learning and Principal Component Analysis: Simulations a - AMS Journals, accessed August 30, 2025, https://journals.ametsoc.org/downloadpdf/view/journals/aies/3/3/AIES-D-23-0085.1.pdf
38. A convolutional neural network for spatial downscaling of satellite-based solar-induced chlorophyll fluorescence (SIFnet) - BG, accessed August 30, 2025, https://bg.copernicus.org/articles/19/1777/2022/
39. Machine learning methods for assessing photosynthetic activity: environmental monitoring applications - PMC, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9481805/
40. Noise Reduction for Solar-Induced Fluorescence Retrievals Using Machine Learning and Principal Component Analysis: Simulations and Applications to GOME-2 Satellite Retrievals in - AMS Journals, accessed August 30, 2025, https://journals.ametsoc.org/view/journals/aies/3/3/AIES-D-23-0085.1.xml
41. 日光诱导叶绿素荧光（SIF）高光谱测量系统-2.pdf
42. Development of the Long-term Harmonized multi-satellite SIF (LHSIF) dataset at 0.05° resolution (1995–2023) - ESSD Copernicus, accessed August 30, 2025, https://essd.copernicus.org/preprints/essd-2025-94/essd-2025-94.pdf
43. Wide discrepancies in the magnitude and direction of modeled solar-induced chlorophyll fluorescence in response to light conditions - BG, accessed August 30, 2025, https://bg.copernicus.org/articles/17/3733/2020/
44. Integrating SIF and Clarity Index to Improve Maize GPP Estimation Using Continuous Tower-Based Observations, accessed August 30, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC7249652/
45. Solar‐induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes - USDA Forest Service, accessed August 30, 2025, https://www.fs.usda.gov/nrs/pubs/jrnl/2018/nrs_2018_li-x_001.pdf
46. Exploring the Potential of Solar-Induced Chlorophyll Fluorescence Monitoring Drought-Induced Net Primary Productivity Dynamics in the Huang-Huai-Hai Plain Based on the SIF/NPP Ratio - MDPI, accessed August 30, 2025, https://www.mdpi.com/2072-4292/15/13/3276
47. Combining multiple UAV-based indicators for wheat yield estimation, a case study from Germany - EconStor, accessed August 30, 2025, https://www.econstor.eu/bitstream/10419/281166/1/Khodjaev_2024_wheat_yield_estimation.pdf
48. Wu, G., Guan, K., Jiang, C., Kimm, H., Miao, G., Yang, X., Bernacchi, C.J., Sun, X., Suyker, A.E., Moore, C.E. 2023. Can upscaling ground nadir SIF to eddy covariance footprint improve the relationship between SIF and GPP in croplands. Agricultural and - Publication: USDA ARS, accessed August 30, 2025, https://www.ars.usda.gov/research/publications/publication/?seqNo115=405328
49. Challenges in the atmospheric characterization for the retrieval of spectrally resolved fluorescence and PRI region dynamics from space | Request PDF - ResearchGate, accessed August 30, 2025,
PRI_region_dynamics_from_space
50. Seasonal changes in GPP/SIF ratios and their climatic determinants across the Northern Hemisphere - ORNL's Impact, accessed August 30, 2025, https://impact.ornl.gov/en/publications/seasonal-changes-in-gppsif-ratios-and-their-climatic-determinants
51. Investigating the responses of sun-induced chlorophyll fluorescence, gross primary production and their inter-relationship to abiotic factors changes in a temperate deciduous forest - EGUsphere, accessed August 30, 2025, https://egusphere.copernicus.org/preprints/2024/egusphere-2024-657/
52. (PDF) Fluorescence imaging spectrometer (FLORIS) for ESA FLEX mission - ResearchGate, accessed August 30, 2025, https://www.researchgate.net/publication/317865106_Fluorescence_imaging_spectrometer_FLORIS_for_ESA_FLEX_mission
53. FLEX Objectives - ESA Earth Online - European Space Agency, accessed August 30, 2025, https://earth.esa.int/eogateway/missions/flex/objectives
54. FLEX/Sentinel 3 Tandem Mission FLEX Bridge Study - HOME Page - P&M Technologies, accessed August 30, 2025, https://www.pmtech.ca/FLEX/FB_PAGE.htm
55. FLEX - ESA Earth Online, accessed August 30, 2025, https://earth.esa.int/eogateway/missions/flex
56. Applications - EnMAP, accessed August 30, 2025, https://www.enmap.org/science/applications/
57. Atmospheric Research - EnMAP, accessed August 30, 2025, https://www.enmap.org/science/applications/atmosphere/
58. Satellite: CO2M-A - WMO OSCAR, accessed August 30, 2025, https://space.oscar.wmo.int/satellites/view/co2m_a
59. Copernicus CO2M: status of the mission for monitoring anthropogenic carbon dioxide from space - SPIE Digital Library, accessed August 30, 2025, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/12777/127774I/Copernicus-CO2M--status-of-the-mission-for-monitoring-anthropogenic/10.1117/12.2690839.full
