利用改进的核归一化差异植被指数（MKNDVI）对红色太阳光诱导的叶绿素荧光进行降尺度处理的方法

《Remote Sensing of Environment》：Downscaling method for red solar-induced chlorophyll fluorescence using modified kernel normalized difference vegetation index

基于非线性映射理论的Modified Kernel Normalized Difference Vegetation Index（MKNDVI）方法成功实现了冠层红边荧光（RSIFcpy）向光合系统水平荧光（RSIFPS）的降尺度，显著提升低至中等植被密度条件下的估算精度，有效抑制土壤背景干扰和叶绿素重吸收效应。

　　

夏静|赵家琦|刘新杰|李秉宇|张圆芳|赵天浩|刘晓鹏

西安科技大学测绘学院，中国西安710054

摘要

太阳诱导的叶绿素荧光（SIF）是光合作用活动的直接指标。主要由光系统II（PSII）发出的红光SIF（RSIF）在生理学上比远红光SIF（FRSIF）更具相关性。然而，冠层水平的RSIF受到叶绿素再吸收和多次散射的显著影响，因此仅代表了一小部分光系统水平的荧光（RSIF_PS）。现有的将RSIF降尺度到RSIF_PS的方法通常依赖于经验指数，在考虑冠层结构异质性和背景效应方面表现有限，特别是在植被稀疏的情况下。为了解决这一限制，我们基于非线性映射理论开发了一种改进的核归一化差异植被指数（MKNDVI），以提高荧光逃逸概率和RSIF_PS的估计精度。基于MKNDVI，我们推导出了纯植被的红光反射率（Red_MKNDVI），并将冠层RSIF降尺度到光系统水平（RSIF_PS-MKNDVI）。我们使用SCOPE模拟和两种作物（小麦和玉米）的实地测量数据评估了所提出降尺度方法的表现。通过分析RSIF_PS-MKNDVI与模型模拟的RSIF_PS（RSIF_PS-model）以及绿色叶片吸收的光合有效辐射（APAR_green）之间的相关性，我们评估了该方法在不同冠层条件下的表现。与现有的降尺度方法相比，RSIF_PS-MKNDVI在各种土壤反射率、叶面积指数（LAI）和叶绿素含量（Cab）条件下与RSIF_PS-model和APAR_green的相关性更为一致，尤其是在低至中等植被密度下表现出显著改进。我们的方法有效减轻了土壤背景干扰和叶绿素再吸收的影响，从而提高了RSIF_PS估计的准确性。实地验证进一步证实，RSIF_PS-MKNDVI在多年和不同作物类型中与APAR_green保持了更强且更一致的关系。因此，MKNDVI为将RSIF从冠层降尺度到光系统水平提供了一个稳健有效的工具，显著提高了RSIF监测光合作用活动的潜力。

引言

太阳诱导的叶绿素荧光（SIF）是叶绿素分子在吸收太阳辐射时发出的光谱信号（Campbell等人，2019；Magney等人，2020；Mohammed等人，2019；Porcar-Castell等人，2014；Siegmann等人，2021）。它提供了一种快速且无损的方法来评估植物的光合作用状态，并有助于识别应激的最初迹象（Mohammed等人，2019；Wieneke等人，2022；Wu等人，2022）。这些能力使SIF成为植被遥感研究中的一个重要焦点（Zhang等人，2019）。

SIF的荧光发射光谱在650–800纳米波长范围内显示出两个明显的峰值：红光SIF（RSIF）和远红光SIF（FRSIF）。RSIF主要来源于光系统II（PSII）的天线叶绿素分子，而FRSIF则由PSII和光系统I（PSI）的天线叶绿素分子共同发出（Buschmann，2007；Meroni等人，2009；Wang等人，2008）。尽管PSI和PSII都能发出荧光，但在常温条件下，大部分SIF来源于PSII（Porcar-Castell等人，2021）。PSII的荧光量子产率对光化学淬灭（PQ）和非光化学淬灭（NPQ）的变化比PSI更敏感（Franck等人，2002；Genty和Wonders，1990）。因此，来自PSII的荧光是监测植被光合作用生理的可靠指标（Wieneke，2024；Zhang等人，2020b）。在这方面，RSIF通常被认为比FRSIF更能揭示植物的光保护反应和生化动态（Du等人，2017；Liu等人，2020；Wu等人，2024；Wieneke，2024）。然而，用于RSIF反演的Fraunhofer吸收线比用于FRSIF量化的吸收线具有更窄的带宽和更浅的吸收深度（Joiner等人，2016；Rossini等人，2016）。因此，在相同的数据条件下，RSIF的反演稳健性和准确性低于FRSIF（Du等人，2022；Liu等人，2020）。这些问题限制了RSIF在植被监测中的有效应用（Wang等人，2020），导致当前的SIF研究主要集中在冠层水平的FRSIF（FRSIF_cpy）（Chen等人，2020；Goulas等人，2017；Li等人，2020；Liu等人，2017，Liu等人，2024；Miao等人，2018；Yang等人，2025；Yang和Van Der Tol，2018；Zhang等人，2024）。

通过遥感传感器测量的冠层SIF不仅与植被的光合作用生理状态有关，还受到冠层结构特征和叶绿素再吸收效应的影响（Dechant等人，2020；Geng等人，2016；Hwang等人，2023；Liu等人，2019；Romero等人，2020；Zhang等人，2025）。冠层内的多次散射过程和叶绿素再吸收共同加剧了SIF的衰减（Romero等人，2018；Van Wittenberghe等人，2021；Yang等人，2020）。特别是在复杂的冠层结构中，冠层下方叶片发出的荧光信号不仅被叶片内的叶绿素吸收，还受到上层叶片的遮挡和光散射的双重影响（Rossini等人，2015；Van Wittenberghe等人，2013）。这种现象导致在冠层顶部观察到的RSIF信号（RSIF_cpy）远小于光系统发出的总RSIF（RSIF_PS）（Romero等人，2018；Van Wittenberghe等人，2021；Yang和Van Der Tol，2018）。为了更好地反映植物的实际光合作用生理状态，进行了降尺度研究，以量化光系统或叶片水平上植被发出的总荧光。Zeng等人（2019）提出了一种方法，通过结合植被的近红外反射率（NIR_V）来估计FRSIF_cpy的逃逸概率。值得注意的是，这种方法假设叶片反照率和土壤反射率为零，从而在实际逃逸概率估计中引入了额外的误差（Siegmann等人，2021；Yang等人，2020）。为了解决这一限制，Yang等人（2020）引入了一种荧光校正植被指数（FCVI），通过整合叶片生物化学、冠层结构和太阳观测几何对FRSIF的影响来估计FRSIF的逃逸概率（Yang等人，2020）。然而，这种方法在植被稀疏的情况下容易引入误差（Qi等人，2023；Siegmann等人，2021；Zeng等人，2022）。

由于红光和远红光波段的反射特性不同，RSIF和FRSIF受到冠层结构的影响也不同。具体来说，FRSIF受到冠层内多次散射的强烈影响（Yang和Van Der Tol，2018），而RSIF则更显著地受到叶片中叶绿素再吸收的影响（Buschmann，2007；Fournier等人，2012；Liu等人，2020；Van Wittenberghe等人，2015）。因此，应用FRSIF降尺度方法来准确估计RSIF_PS仍然具有挑战性（Wieneke，2024）。

为了解决准确估计RSIF_PS的挑战，Gitelson等人（1998）提出了一种基于波长校正函数的方法来估计叶片水平的RSIF逃逸概率。Van Wittenberghe等人（2021）在Gitelson等人（1998）模型的基础上，通过开发基于叶片反射率和透射率的校正方法进行了改进。然而，由于获取冠层水平红光波段透射率的实际限制，这种方法的实施面临挑战（Wieneke，2024）。Romero等人（2018，2020）结合了冠层光再吸收过程来推导叶片到冠层的SIF逃逸概率的校正因子，避免了土壤黑体假设的限制。Liu等人（2019）使用随机森林算法模拟了RSIF逃逸概率；然而，这种机器学习方法由于其经验参数化而具有有限的物理可解释性。此外，Liu等人（2020）开发了一种基于光谱不变理论的反射率驱动方法（Red_V），通过归一化差异植被指数（NDVI²的平方来校正土壤效应。这种方法在RSIF的方向校正方面表现良好（Liu等人，2020），但由于土壤背景和冠层几何效应，在植被稀疏的情况下适用性有限（Qi等人，2023；Siegmann等人，2021；Zeng等人，2022）。Wu等人（2024）通过结合FRSIF_cpy和叶片叶绿素含量（LCC）构建了一个经验模型用于RSIF降尺度。然而，该模型在实地应用中与SCOPE模型的结果存在一些差异，其物理基础相对薄弱。Wieneke（2024）借鉴了Zeng等人（2019）用于估计FRSIF逃逸概率的方法，用NIR_V²替换NDVI²以提高估计精度，并引入了MERIS陆地叶绿素指数（MTCI）的平方根进行归一化，以减轻低叶绿素含量带来的限制。然而，这项研究主要关注的是在热干旱胁迫下的马铃薯，该模型对其他植物类型和环境条件的普遍适用性需要进一步验证（Wieneke，2024）。

本研究提出了一种基于非线性映射理论的改进核归一化差异植被指数（MKNDVI）。该指数用于将冠层水平的RSIF降尺度到光系统水平（RSIF_PS）。使用SCOPE模拟数据，我们系统地分析了通过Red_MKNDVI方法得到的RSIF_PS（RSIF_PS-MKNDVI）与模型模拟的RSIF_PS（RSIF_PS-model）以及绿色叶片吸收的光合有效辐射（APAR_green）之间的相关性，这些数据涵盖了不同的土壤背景、冠层结构和叶绿素含量（Cab）。该方法与现有方法进行了比较。此外，本研究还利用了小唐山（C₃作物）和大满（C₄作物）站点的长期实地观测数据来验证不同RSIF降尺度方法的表现，特别是分析了不同降尺度方法得到的RSIF_PS与APAR_green之间的相关性。本研究的目标是：（1）评估Red_MKNDVI在不同土壤和冠层条件下表征红光波段植被反射率的能力；（2）评估Red_MKNDVI方法在这些条件下检索RSIF_PS的准确性；（3）探索RSIF_PS-MKNDVI在表征光合作用吸收过程中的潜力。

SCOPE模拟数据

SCOPE是一个一维（1-D）模型，整合了辐射传输、能量平衡和光合作用（Yang等人，2019；Yang等人，2017）。它已被广泛用于研究不同尺度下SIF与光合作用之间的关系（Hu等人，2018），有助于阐明潜在的生理和生化机制（Liu等人，2019；Yang等人，2017）。该模型可以模拟关键的遥感变量，包括叶片和冠层的光谱反射率

结果

通过将SCOPE模型模拟与长期实地测量相结合，本研究系统评估了不同RSIF降尺度方法在检索RSIF_PS方面的表现及其在监测光合作用过程中的适用性。首先，使用SCOPE模拟数据评估了MKNDVI估计纯红光波段植被反射率的有效性。随后，我们分析和比较了不同基于Red_veg的降尺度方法得到的RSIF_PS的反应

比较不同降尺度方法的表现

准确表征冠层结构和生理状态对于将RSIF从冠层降尺度到光系统水平至关重要。传统方法通常依赖于NDVI简单的结构和高效的应用来估计逃逸概率（Liu等人，2020；Zeng等人，2019）。然而，现有研究表明NDVI容易受到土壤背景的干扰（Baret和Guyot，1991），并且难以捕捉非线性光谱变化

结论

本研究开发了一种基于非线性核映射理论的新植被指数——MKNDVI，并使用Red_MKNDVI来估计RSIF的逃逸概率，从而实现了将RSIF_cpy降尺度到光系统水平。SCOPE模拟和实地观测的结果表明，RSIF_PS-MKNDVI在不同冠层结构和作物类型下与RSIF_PS-model和APAR_green保持了强相关性。该方法在低至中等LAI和Cab条件下表现稳健

CRediT作者贡献声明

夏静：撰写 – 审稿与编辑，资金获取，概念构思。赵家琦：撰写 – 审稿与编辑，原始草稿撰写，方法论，正式分析，数据管理。刘新杰：撰写 – 审稿与编辑，方法论，概念构思。李秉宇：撰写 – 审稿与编辑，调查。张圆芳：调查，数据管理。赵天浩：调查，数据管理。刘晓鹏：调查。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（42171394）的资助。作者感谢Christiaan van der Tol博士公开提供了SCOPE模型（https://github.com/Christiaanvandertol/SCOPE）。