基于夫琅和费暗线原理的太阳诱导叶绿素荧光仪

叶绿素荧光技术是探知植物生理状态及其与环境关系的理想方法。太阳诱导叶绿素荧光可以利用夫琅和费暗线原理进行提取。阐述了夫琅和费暗线探测自然光条件下光合作用荧光的基本原理和方法,以及波长760 nm叶绿素荧光探测仪的光学系统、仪器硬件组成及其各部分功能、仪器的软件设计。通过与ASD地物光谱仪器的对比试验表明,研制的太阳诱导叶绿素荧光测量的数据与地物光谱仪测量的数据相关系数都大于0.9。基于夫琅和费暗线原理的太阳诱导叶绿素荧光探测仪器提供了一种低成本、实时测量作物冠层太阳诱导叶绿素荧光的方法和仪器。

太阳诱导叶绿素荧光卫星遥感技术研究进展

陆地植被生态系统碳汇能力的定量评估对更好的理解全球碳循环,实现碳达峰、碳中和目标至关重要。卫星反演的太阳诱导叶绿素荧光(SIF)作为一种快速、直接、非侵入性的植被光合性能指标应用日益广泛,为估算区域到全球尺度陆地植被生态系统的碳汇水平提供了一种新的光学手段。文章首先回顾了用于卫星SIF反演的传感器及其反演SIF产品的特点;其次,综述了卫星SIF在陆地植被生态系统碳汇监测中的研究进展;最后,针对陆地碳循环遥感的应用需求,讨论分析了未来卫星SIF遥感发展的难点与重点。文章对卫星SIF遥感在陆地植被生态系统碳汇监测中的应用分析,可为生态系统碳源/汇管理、气候预测和卫星研制提供一定参考。

太阳诱导叶绿素荧光的卫星遥感反演方法研究进展

太阳诱导叶绿素荧光(Solar-Induced Chlorophyll Fluorescence,SIF)是光合作用的副产品,能够提供直观反映与植被光合作用相关的信息,同时也为光合作用和GPP的研究提供了新的手段。近年来,许多基于通量塔的荧光观测系统用于SIF和GPP的关系研究。定量估算SIF对陆地生态系统碳循环、初级生产力(Gross Primary Productionty,GPP)和干旱监测的研究具有重要的意义。综述了现有的卫星遥感SIF反演方法,并依据使用通道的位置将SIF反演方法分为基于夫琅禾费暗线法和基于大气吸收波段法两类;分析了SIF卫星遥感反演与应用存在的问题,主要包括传感器性能误差、云覆盖影响、角度效应影响、真实性检验、降尺度以及日尺度转换等;最后,对今后SIF卫星遥感反演的研究方向进行了展望。

太阳诱导叶绿素荧光的卫星遥感反演方法

利用卫星遥感探测区域和全球尺度太阳诱导叶绿素荧光SIF(Solar-Inducedchlorophyll Fluorescence)近年来成为研究热点。由于地球大气吸收和散射的影响,卫星尺度的SIF反演问题较为复杂,科学界对该问题一直存在争议,不同科学团队提出了众多方法。本文介绍了大气层顶SIF反演的机理、难点及思路,总结了近10年来最新发展的大气层顶SIF反演算法,并将这些算法归纳为3类:基于辐射传输方程的算法、简化的物理模型算法和数据驱动算法,分析讨论了各算法的特点及适用性;以应用最广泛的数据驱动算法为例,基于GOME-2数据详细介绍了算法的中间环节及注意事项;最后回顾了卫星遥感反演SIF的发展历程,汇总了目前及未来具有荧光探测能力的星载传感器,并依据数据源的特点相应地给出了适用的SIF反演算法,为今后基于航空和卫星高光谱数据的SIF反演提供了依据。

基于GMI数据的植被荧光反演研究

太阳诱导叶绿素荧光直接指示植被生理状态,而植被作为重要的碳汇,若能利用温室气体卫星遥感数据反演出植被叶绿素荧光,则对于分析大气温室气体源、汇具有重要意义。利用氧气吸收线拟合法,基于GF-5卫星“大气主要温室气体监测仪(GMI)”及美国OCO-2遥感数据,针对亚马逊森林、撒哈拉沙漠和非洲草原地区2019年1月和7月GMI卫星遥感数据开展了叶绿素荧光反演研究,并将结果与OCO-2数据荧光产品进行对比分析。反演结果表明:以OCO-2荧光产品为基准,在三个研究区域的两个研究时段内,GMI数据能够较好地反演叶绿素荧光强度。

墨西哥湾轨道碳观测2号卫星叶绿素荧光产品分析与评价

陆上植被荧光遥感分析已经发展了30余年,技术层面上日臻成熟;而海洋方面的叶绿素荧光研究正方兴未艾。为了促进卫星遥感手段研究叶绿素荧光的发展,以墨西哥湾东北部水域为研究区,对2014年9月~12月轨道碳观测2号(orbiting carbon observatory-2,OCO-2)提供的L2级叶绿素荧光遥感反演产品,进行了分析和评价。首先阐述了OCO-2荧光检索的原理和方法。在此基础上,结合表观辐射亮度和纠正参数Ci论述了叶绿素荧光值的变化趋势和波动范围;并进一步对太阳天顶角和观测天顶角等观测几何因素与荧光值之间的关系进行了分析。研究结果表明:(1)从数值上看,771 nm波段叶绿素荧光显著大于757 nm波段,而两个波段提取的叶绿素荧光相关性明显,这与地面实际观测得到的结果相一致;(2)太阳/卫星天顶角和方位角与叶绿素荧光反演结果关系不显著,表明观测几何因素对卫星遥感叶绿素荧光的影响不明显;(3)提取的叶绿素荧光值偏小,并出现负值,而纠正参数Ci相对恒定,这表明IMAP-DOAS反演算法和传感器探测可能存在一定的系统性误差。通过对以上研究结果的分析,可知利用OCO-2反演叶绿素荧光所得到的产品具有一定的可信度和稳定性;但其反演精度与地面观测数据相比,仍需相关部门投入大量的时间和精力进行比对和验证,以提高其实际利用价值。

水面菲涅尔反射对～761 nm叶绿素荧光估算的影响

叶绿素荧光是光合作用的有效探针,可用于海洋浮游植物的监测与定量评估。太阳诱导叶绿素荧光覆盖可见光—近红外650—800 nm,在～685 nm与～740 nm表现出两个形态不同的荧光峰特征。基于～685 nm荧光峰的叶绿素浓度反演算法较为成熟,但在高悬浮物和高叶绿素浓度的水体中,算法的有效性不足。基于叶绿素荧光在氧气吸收谱段(O2-A)的填充作用,水体遥感反射率光谱～761 nm峰值中包含有太阳诱导叶绿素荧光信号,能用于水体叶绿素浓度的估算,但该反射峰形态特征还取决于传感器的光谱分辨率。本研究基于不同光谱分辨率的大气吸收谱线特征,模拟了水体遥感反射率光谱(750—775 nm)上太阳诱导叶绿素荧光的信号响应特征;分析了利用遥感反射率(～761 nm)计算叶绿素荧光的原理,阐明了不同光谱分辨率条件下水体叶绿素荧光信号在反射光谱上的形态变化规律。采用水面以上测量法获取的离水光谱辐亮度,包含了水面的菲涅尔反射信号,由于真实的菲涅尔系数难以准确测量,这给基于～761 nm处遥感反射率峰值的荧光信号估算带来不确定性影响。研究表明,假定菲涅尔系数为0时,虽然～761 nm叶绿素荧光信号与其浓度具有较好的线性统计关系,但却带来较大的不确定性;这种不确定的影响,在低浓度叶绿素水体中表现明显,在高浓度叶绿素水体中,影响相对较小;准确估算菲涅尔系数,有助于减少这种不确定性影响。对基于遥感反射率～761 nm叶绿素荧光信号的深入探讨,将能推动未来水体叶绿素荧光的识别与利用。

陆地生态系统碳监测卫星远红波段叶绿素荧光反演算法设计

太阳诱导叶绿素荧光(Solar-Induced Chlorophyll Fluorescence,SIF)是陆表植被在自然光照条件下进行光合作用时释放的一种光信号。SIF携带有重要的光合作用信息,通过卫星遥感的方法探测区域-全球SIF信号为大尺度植被光合作用监测打开了新世界的大门。我国预计于2020年前后发射的陆地生态系统碳卫星(陆碳卫星)将搭载超光谱分辨率载荷,有望成为全球范围内第一个针对陆表植被SIF进行专门观测的卫星传感器。数据驱动算法是陆碳卫星远红波段SIF反演的主算法,作为一种半经验算法,需结合传感器指标进行参数优化。依据陆碳卫星超光谱载荷的设计指标,基于仿真数据进行了端对端反演模拟,讨论了不同潜在反演窗口下SIF反演的精度(精密度与准确度),确定了不同反演窗口所需的主成分个数(nv),分析了不同反演窗口内反演精度对荧光波形函数(hF)的敏感性。结果表明:随着反演窗口的拓宽,SIF反演的精密度(鲁棒性)提升,但准确度下降,且对nv及hF的敏感性增强。综合考虑各因素,确定了735~758nm作为陆碳卫星远红波段SIF反演的主窗口,同时nv取6,hF设置为单峰高斯函数(μ=740nm,σ=30nm)。基于近地表和航空遥感数据的SIF反演结果验证了所设计算法的可行性和合理性。研究结果将为陆碳卫星升空后SIF的反演及产品发布提供重要参考。

基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数(Normalized SIF Drought Index,NSDI)用于黄淮海地区冬小麦旱情监测。该方法首先基于哨兵-5p卫星(Sentinel-5p)对流层观测仪(Tropospheric Monitoring Instrument,TROPOMI)传感器反演得到的SIF原始产品集,通过0.1°等经纬步长栅格化处理为空间连续数据,然后基于时间序列分析进行了缺失值线性插补,再经过SG滤波重建获得了高时空分辨率荧光数据集。以此数据集为基础,结合研究区冬小麦分布数据构建NSDI指数。通过选取典型旱情事件对比分析,NSDI指数与同期归一化植被指数(Normalized Difference Vegetation Index,NDVI)以及温度植被干旱指数(Temperature Vegetation Drought Index,TVDI)都有良好的相关性,其中与NDVI的R^(2)为0.60,与TVDI的R^(2)为0.41;NSDI指数与野外土壤水分调查结果也高度相关,其中河北样区R^(2)为0.53,山东样区R^(2)为0.54,整体R^(2)为0.51;通过物联网监测数据分析显示,NSDI指数可以在优于2 d的滞后期内响应旱情的变化,其变化趋势与田间土壤水分保持高度相关。实验结果表明:NSDI指数可以在时空尺度上有效指示黄淮海地区冬小麦旱情。