自工业革命以来，受人类活动影响，大气中二氧化碳（CO₂）的浓度持续上升。作为重要的温室气体之一，CO₂浓度的上升被认为是引发全球变暖的主要原因。陆地生态系统通过光合作用可以吸收约30%的人为碳排放（Le Quéré et al.，2013; Piao et al.，2022），因此植被在调节全球碳平衡、减缓大气中CO₂浓度上升等方面具有不可替代的作用（于贵瑞等，2011; 袁文平等，2014; Ryu et al.，2019）。植物通过光合作用在单位时间内所固定有机碳的量是植被总初级生产力（Gross Primary Productivity，GPP），它决定了进入陆地生态系统的初始物质和能量，直接影响植被净初级生产力及其在各碳库的分配量。因此，GPP是联系植被和大气之间碳交换的重要纽带，在陆地生态系统碳循环研究中具有重要的作用。

植被光合作用直接影响植被与大气之间的物质和能量交换，近半个世纪以来，如何准确估算全球尺度GPP是陆地碳循环领域的研究热点之一。植被的光合作用受到温度、降水、辐射、大气中CO₂浓度等很多因素的影响（Ryu et al.，2019），目前对植被光合作用只能实现叶片尺度的观测，但是无法实现更大尺度上的直接观测，因此需要一些代用指标来估算区域和全球尺度植被光合作用的速率（Tucker，1979; Frankenberg et al.，2011; Badgley et al.，2017）。随着遥感技术的发展，区域和全球尺度植被光合作用的代用指标逐渐发展起来，其中应用最为广泛的就是植被指数。植被指数是根据植被的光谱特性，将卫星可见光和近红外波段进行组合而形成的指数，可以简单、有效地反映地表植被的生长状态及其对于环境变化的响应（Goward et al.，1985; Justice et al.，1985; Tucker et al.，1985）。20世纪80年代开始，基于AVHRR卫星光谱数据构建的归一化植被指数（Normalized Difference Vegetation Index，NDVI）开始用来监测全球植被的生长状况，是目前陆地碳循环领域应用最为广泛的植被指数之一（Goward et al.，1991; Tucker et al.，2001）。随后越来越多的植被指数，如增强植被指数（Enhanced Vegetation Index，EVI），开始应用于全球植被监测和GPP的估算。这些植被指数（如NDVI和EVI）的发展极大地促进了陆地生态系统生产力及其对气候变化响应的研究（Turner et al.，2003; Running et al.，2004），但是传统的植被指数只能反映植被潜在的光合作用能力，并不与光合作用过程直接相关，在全球植被光合作用监测中还存在一些问题（van Leeuwen et al.，2006; Meroni et al.，2008），因此需要一种更直接反映光合作用的指数来监测区域和全球尺度植被的生长状况。

叶绿素荧光是植物在光照条件下，由植物的光合作用中心在650~800 nm波段发射的光谱信号，在红光（690 nm左右）和近红外（740 nm左右）波段有两个波峰，能直接反映植被实际光合作用的动态变化（Porcar-Castell et al.，2014）。在植物生理学领域，利用实验室中观测到的叶绿素荧光来研究光合作用已经有几十年的历史（Krause and Weis，1991），叶绿素荧光可以用于研究植物对环境和养分条件变化的响应过程（Maxwell and Johnson，2000; Baker 2008; Ashraf et al.，2013）。但是在区域和全球尺度上，由于植被吸收的太阳辐射只有0.5%~2%用于发射荧光（Maxwell and Johnson，2000; Porcar-Castell et al.，2014），光谱信号非常弱，大大增加了叶绿素荧光遥感反演的难度。Frankenberg et al.（2011）首次实现了全球尺度日光诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence，SIF）的反演，并发现SIF与GPP之间存在显著的线性相关关系（Frankenberg et al.，2011; Joiner et al.，2011）。由于早期反演的SIF数据空间分辨率都是几十至上百公里，在更精细的空间尺度上SIF与GPP之间的线性关系是否成立仍不清楚。2017年，基于OCO-2卫星的高分辨率SIF数据，发现在通量站点尺度上SIF与GPP之间的线性关系仍然成立，这项研究也成为叶绿素荧光遥感领域的又一个“里程碑”（Sun et al.，2017）。随后越来越多的研究都表明在不同的时空尺度上SIF与GPP之间的变化高度一致（Guanter et al.，2014; Sun et al.，2018; Taylor et al.，2020; Li and Xiao，2022）。NDVI和EVI等传统的植被指数只能反映植被潜在的光合作用能力，叶绿素荧光遥感是植被实际光合作用能力的探测方法，为全球植被光合作用的监测提供了新的思路和方法（Frankenberg et al.，2011; Joiner et al.，2013; Guanter et al.，2014）。

叶绿素荧光遥感是近10年来陆地碳循环领域最具突破性的研究。中国科学院科技战略咨询研究院每年会发布研究前沿报告，遴选和展示各个学科领域中的热点前沿和新兴前沿，“基于卫星数据的日光诱导叶绿素荧光”在2020和2021年连续两年入选地球科学领域的10大热点前沿（科睿唯安，2021，2022）。本文将梳理叶绿素荧光遥感发展及其在陆地生态系统碳循环和陆气相互作用中的应用研究进展，讨论该领域研究面临的挑战和未来发展方向。

1 叶绿素荧光遥感研究进展

1.1 卫星叶绿素荧光遥感产品的发展

叶绿素荧光是光合作用过程中重新释放的微弱能量，是植物本身的一种“发光”现象（Maxwell and Johnson，2000; Baker，2008）。许多研究都表明，相对于传统的植被指数，SIF在陆地生态系统监测中具有优势。一方面，SIF包含植物生理相关的信号，而基于反射率构建的植被指数并没有包含植物的生理信息（Porcar-Castell et al.，2014）。另一方面，植被指数的反演受到土壤背景和云的影响较大（van Leeuwen et al.，2006; Montandon and Small，2008），SIF的信号主要来自植被，土壤和云并不会发射荧光信号，因此SIF数据受土壤背景和云的影响较小（Doughty et al.，2021）。

由于SIF是相对微弱的信号，SIF的反演对于传感器的光谱分辨率和信噪比要求很高。随着遥感技术的发展，最初设计用于反演大气中CO₂和甲烷浓度的温室气体卫星传感器具备了反演SIF所需的高光谱数据，使得利用卫星反演全球的SIF成为可能。Frankenberg et al.（2011）基于GOSAT卫星的数据，首次反演得到了全球尺度的SIF数据。基于不同卫星平台SIF的成功反演（Joiner et al.，2011; Du et al.，2018; Köhler et al.，2018; Sun et al.，2018; Eldering et al.，2019; Doughty et al.，2021），极大地促进了SIF数据在植被光合作用监测中的应用。

1.1.1 卫星SIF遥感数据

GOSAT卫星是由日本宇宙航空开发机构与日本环境省、国立环境研究所等合作开发的全球首颗温室气体观测卫星，该卫星在日本当地时间2009年1月发射升空。GOSAT的温室气体传感器光谱分辨率为0.012 nm，Frankenberg et al.（2011）利用GOSAT卫星的758~775 nm这一较窄波段的高光谱数据反演得到全球SIF产品。GOSAT卫星运行周期为98 min，过境时间为当地时13:00左右，每3 d就可以覆盖全球，像元大小约为82 km²（直径约为10 km），数据覆盖时段为2009年12月至今。由于GOSAT卫星空间分别率较粗，同时使用的是空间非连续的间断采样模式，因此SIF数据的空间覆盖率较低。

GOME-2是搭载在欧空局MetOp-A卫星上的传感器，GOME-2传感器的光谱分辨率为0.2~0.5 nm，利用该传感器的高光谱数据反演得到740 nm波段的SIF。卫星过境时间为当地时09:30左右，每3 d可以覆盖全球，像元大小为40×80 km²，2013年7月之后像元大小变为40×40 km²，GOME-2 SIF数据覆盖时段为2007年1月至今（Joiner et al.，2011，2013）。由于传感器衰减的原因，GOME-2 SIF数据有较为明显的下降趋势，因此使用时需要进行去线性趋势的方法来减少传感器衰减造成的影响（Zhang et al.，2018b; Qiu et al.，2019b）。

OCO-2是美国航空航天局在2014年7月发射的碳卫星（Sun et al.，2017），OCO-3是OCO-2的姊妹星，从2019年5月开始搭载在国际空间站上（Eldering et al.，2019）。OCO-2和OCO-3都可以反演757 nm波段的SIF，两颗卫星像元大小非常接近，分别为1.3×2.25 km²和1.6×2.2 km²。相比于GOSAT和GOME-2，OCO-2和OCO-3大大提高了SIF数据的观测精度和空间分辨率。虽然OCO-2和OCO-3的传感器类似，由于搭载的平台不同，各自的SIF产品有很大的不同。OCO-2是极轨卫星，过境时间为当地时13:36左右，每16 d可以覆盖全球，OCO-2 SIF数据覆盖时段为2014年7月至今（Sun et al.，2018）。OCO-3卫星搭载在国际空间站上，轨道范围在南北纬52°之间。多数卫星的过境时间是固定的，而OCO-3的过境时间并不固定，能够在一天内不同时间对某一点进行观测，可以在日尺度上研究植被光合作用的变化特征（Xiao et al.，2021）。

TanSat是由中国研制的首颗全球大气二氧化碳观测科学实验卫星，于2016年12月发射升空。利用卫星搭载的高光谱二氧化碳探测仪（ACGS），我国也首次实现了全球SIF数据的反演（Du et al.，2018; Yao et al.，2021）。TanSat在758~778 nm波段的光谱分辨率为0.044 nm，可以反演758 nm波段的SIF，卫星过境时间为当地时13:30左右，每16 d可以覆盖全球，像元大小为2×2 km²。TanSat SIF数据与OCO-2 SIF之间有较好的一致性（Du et al.，2018）。

2017年10月，欧洲航天局发射了搭载TROPOMI传感器的Sentinel-5P卫星，TROPOMI传感器具有更高的信噪比和光谱分辨率，可以同时反演红光（683 nm）和近红外（740 nm）两个波段的SIF（Köhler et al.，2018; Guanter et al.，2021）。卫星过境时间为当地时13:30左右，像元大小为3.5×7.5 km²。相比于之前的SIF产品，TROPOMI可以提供高分辨率的SIF数据，使得研究更精细时空尺度上植被光合作用的变化成为可能（Doughty et al.，2021）。

图1给出了基于不同卫星平台的SIF数据全球空间分布，可以看到，GOSAT数据空间连续性较差，在季节尺度上全球观测数据有限，因此数据的空间覆盖度很低。GOME-2空间分辨率较粗，季节尺度上数据的全球覆盖度较好，但是数据反演精度较低。OCO-2、OCO-3和Tansat数据虽然空间分辨率较高，但是采用的是空间非连续的间断采样模式，空间连续性较差，因此在季节尺度上，数据仍然能看到与卫星轨迹类似的条带状分布。TROPOMI提供了全球连续覆盖的高质量SIF数据，空间连续性较好，在月尺度、周尺度上都有较高的空间覆盖度。

1.1.2 SIF降尺度数据

目前大部分SIF产品受空间分辨率和数据连续性等问题的影响，使得数据的应用范围受到限制。近年来，随着机器学习算法的发展，基于不同卫星的SIF降尺度数据开始出现。Gentine and Alemohammad（2018）利用机器学习算法，结合MODIS地表反射率和光合作用有效辐射的数据，对GOME-2 SIF数据进行降尺度，得到了时空分辨率更高的RSIF（Reconstructed SIF）数据。在季节和年际尺度上，RSIF数据与通量站点观测的GPP之间的相关系数都优于原始的GOME-2 SIF数据，特别是在干旱和寒冷地区。这主要是因为在植被覆盖度较低的地区，遥感信号中的内部噪声会给SIF的反演带来较大的不确定性（Joiner et al.，2011; Frankenberg et al.，2014），而基于机器学习的降尺度数据可以减少这种信号噪声带来的误差（Gentine and Alemohammad，2018）。Zhang et al.（2018a）利用神经网络算法，结合MODIS的地表反射率的数据，对OCO-2 SIF数据进行降尺度，得到了空间分辨率更高（0.05°）、时间连续性更好（4 d）、时间覆盖范围更久（2000年至今）的CSIF（Contiguous SIF）数据，拓展了荧光数据的应用范围。随后，越来越多的基于不同机器学习算法和卫星平台的SIF降尺度数据开始出现（Li and Xiao，2019; Wang et al.，2019a; Duveiller et al.，2020），并广泛应用在陆地碳循环等研究中（Liu et al.，2020b; Zhang et al.，2020a，2020b）。

1.2 叶绿素荧光遥感的应用

1.2.1 SIF-GPP关系

全球尺度GPP的估算是陆地碳循环领域研究前沿和热点。GPP是联系植被和大气之间碳交换的重要纽带，而基于卫星和站点观测的SIF为GPP的估算提供了新的思路。Frankenberg et al.（2011）基于GOSAT卫星的高光谱数据反演得到全球SIF数据，并发现在全球尺度上SIF和GPP之间呈显著线性相关关系。Lee et al.（2013）发现热带地区GOSAT SIF与GPP在雨季和干季存在一致的变化特征，而植被指数则无法显示雨季和干季的GPP变化。在农田生态系统，GOME-2 SIF与GPP之间为显著的线性相关关系（Guanter et al.，2014），因此SIF可以用来提高农作物产量的估算精度（Guan et al.，2016）。虽然GOSAT和GOME-2 SIF的空间分辨率较粗，但是不同生态系统的SIF和GPP之间的线性关系都显示了SIF在估算区域和全球尺度GPP研究中应用的潜力（Frankenberg et al.，2011; Lee et al.，2013; Qiu et al.，2018）。相比于GOSAT和GOME-2 SIF产品，OCO-2 SIF在空间分辨率和反演精度方面有了很大的提高，为研究不同时空尺度上SIF-GPP关系提供了新的机会（Wood et al.，2017; Köhler et al.，2018）。Sun et al.（2017）利用多套GPP数据，结合经验正交函数分析法，发现SIF数据可以反映全球尺度GPP的时空变化特征，不同植被类型的GPP通量观测数据也进一步验证了SIF和GPP之间的线性关系。随后基于OCO-3、TROPOMI等多个卫星平台的SIF产品也都证实了区域和全球尺度上SIF和GPP之间一致的时空变化特征（Taylor et al.，2020; Li and Xiao，2022）。

除了基于卫星的SIF产品，越来越多的地面站点观测数据也进一步证实了不同陆地生态系统SIF和GPP之间的线性关系。基于站点观测的SIF-GPP的线性关系在混交林（Yang et al.，2015; Paul-Limoges et al.，2018）、针叶林（Magney et al.，2019）、草地（Migliavacca et al.，2017; Verma et al.，2017）、农田（Miao et al.，2018，2020; Dechant et al.，2020; Li et al.，2020c）等生态系统得到了验证。基于卫星和站点观测的数据都证实了高质量的SIF数据对于陆地碳循环的研究具有重要的意义。

在叶片和冠层尺度上SIF和GPP存在显著的线性相关，但是两者之间的关系会受到其他因素的影响（Yang and van der Tol，2018; Zhang et al.，2018c; Chen et al.，2021a，2021b）。首先，SIF-GPP关系会受到植被冠层结构的影响。目前站点和卫星观测到的都是冠层顶的SIF，冠层顶观测到的荧光实际上是叶片激发的总荧光在冠层内经过复杂的冠层辐射传输过程之后被观测到的，冠层顶的SIF取决于叶片激发的总荧光在冠层内部的吸收和多次散射过程（Liu et al.，2019; Zeng et al.，2019; Dechant et al.，2020; Lu et al.，2020）。Zhang et al.（2019）利用卫星观测的荧光资料反演出了叶片激发的总荧光，发现相比于冠层顶观测到的荧光，叶片激发的总荧光与GPP的关系更好，表明冠层结构对于SIF和GPP之间关系有很大的影响。

SIF-GPP关系也会受到光合作用途径的影响。虽然C₃和C₄植被类型SIF和GPP之间都呈现显著的线性相关关系，但是C₄植物SIF-GPP的斜率显著区别于C₃植物（Liu et al.，2017; Zhang et al.，2020c; Li and Xiao，2022）。He et al.（2020）利用TROPOMI SIF的数据研究了C₃和C₄作物SIF-GPP关系的差异，并结合作物分布比例，提高了美国大平原地区作物产量的估算结果。观测角度（Hao et al.，2021，2022）和散射辐射比例（章钊颖等，2019; Zhang et al.，2020d; Hu et al.，2021）等因素也会影响SIF-GPP的关系。因此，利用SIF遥感数据估算GPP时需要更加细致考虑到这些影响因素，减小GPP估算结果的不确定性。

1.2.2 基于SIF产品的陆地生态系统对极端气候事件的响应过程研究

全球气候变暖背景下，极端气候事件频发，对陆地生态系统造成了严重的负面影响，及时精确地监测植被动态变化对了解植被对气候变化的响应具有非常重要的意义。遥感数据可以监测不同时空尺度上植被对于极端事件的响应过程。2011年和2012年，美国德州和中部大平原分别出现了极端干旱，虽然两次干旱事件形成机制略有不同，但是GOME-2 SIF都及时地显示出植被对于水分胁迫的响应，显示了SIF数据监测大范围干旱事件的潜力（Sun et al.，2015）。

在季节尺度上，基于多个卫星平台的SIF产品广泛地应用在热带地区（Qian et al.，2019）、印度北部（Song et al.，2018）、中国西南（Wang et al.，2019b）、欧洲（Yoshida et al.，2015; Wang et al.，2020）等全球不同地区的极端干旱事件的研究中。在日尺度上，Qiu et al.（2020）利用GOME-2和OCO-2 SIF数据分析了植被在日尺度上对高温和干旱的响应过程，发现在澳大利亚热浪事件过程中OCO-2 SIF比GOME-2 SIF显示出更早、更强的下降，造成这种差异的主要原因是卫星过境时间的不同。GOME-2和OCO-2 SIF过境时间分别为当地时09:30和13:30，而午后植被受高温胁迫的影响更严重。通量站点的GPP观测数据也表明植被在午后受到高温胁迫的影响更加严重，表明植被在日尺度上对极端高温的响应程度不同。类似受到高温胁迫在正午之后SIF下降的现象也出现在森林和农田生态系统（Paul-Limoges et al.，2018）。

传统的植被指数（NDVI、EVI）反映植被对干旱和高温胁迫响应过程存在一定的滞后性，SIF在监测植物光合生理变化方面具有优势，可以更加准确、及时地反映植被对于极端气候事件响应过程，揭示了SIF遥感数据对于极端事件响应的高敏感性（Song et al.，2018; Jiao et al.，2019; Wang et al.，2019b; Li et al.，2020b，2022a; Kimm et al.，2021a，2021b; Damm et al.，2022）。

2 叶绿素荧光模型研究进展

陆面模式包含较为完备的植被生化过程参数化方案，同时很多陆面模式是从关注与地表和大气之间能量交换的气候模式中发展起来的（Dickinson，1983; Sellers et al.，1986; Xue et al.，1991; Dai et al.，2003; Niu et al.，2011），因此陆面模式不仅可以用来估算全球尺度的GPP，还可以研究植被和大气之间的相互作用。Wang et al.（2021b）评估了多个陆面模式对于GPP的模拟能力，结果表明不同模式之间的结果差异较大，全球年平均GPP的模拟结果最小的为104 Pg（以碳质量计），最大的为175 Pg（以碳质量计）。目前陆面模式对于GPP模拟的不确定性主要来自模式的驱动数据、模型结构和参数等方面（陈海山和孙照渤，2002; 孙国栋，2009; Fisher et al.，2014; 袁文平等，2014; Wu et al.，2017）。如何提高陆面模式对于不同生态系统GPP的模拟效果，降低模拟结果的不确定性，仍面临重大挑战（Friedlingstein et al.，2006; Wang et al.，2011）。叶绿素荧光与光合作用密切相关，能直接反映实际光合作用的状态，利用SIF遥感数据提高陆面模式对于全球植被光合作用的模拟能力，首先需要发展适用于陆面模式的荧光模型。

2.1 叶绿素荧光模型发展及其与陆面模式的耦合

近年来，国际上主流的陆面模式开始发展冠层尺度的荧光模型，并利用站点和卫星SIF数据提高陆面模式对于光合作用的模拟效果。SCOPE（Soil-Canopy Observation of Photochemistry and Energy fluxes）模型较早实现了SIF的模拟（van der Tol et al.，2009，2014）。SCOPE模型采用与SAIL（Scattering of Arbitrarily Inclined Leaves）模型一致的植被分层方案，即将整个植被冠层分成60层，同时定义了13个叶倾角、36个叶片方位角。在早期的SCOPE模型中，冠层结构在垂直方向上为均匀分布，这与实际情况相差较大。

为了考虑冠层垂直结构不均匀的情况，SCOPE模型改进了垂直方向上对冠层的描述，使得每一层可以具有不同的叶片倾角和叶绿素含量，改进之后的模型提高了冠层辐射传输过程和SIF的模拟效果（Yang et al.，2017，2021; van der Tol et al.，2019）。SCOPE模型较为详细地描述了叶片尺度的荧光在冠层内的吸收和散射过程，但是这个模型的计算量较大、过程复杂、输入参数多，因此SCOPE模型在站点尺度上应用较多（Zhang et al.，2016; Verma et al.，2017; Yang et al.，2021）。

为了实现全球尺度荧光的模拟，多数陆面模式通过简化荧光在冠层内的辐射传输过程，提高计算效率，使得模式具备全球尺度SIF的模拟能力（Lee et al.，2015; Qiu et al.，2018; Cui et al.，2020）。这些模式对于SIF的模拟主要基于以下公式:

$\mathrm{S}\mathrm{I}\mathrm{F}=\mathrm{A}\mathrm{P}\mathrm{A}\mathrm{R}\cdot {\varphi }_{\mathrm{F}}\cdot f_{\mathrm{e}\mathrm{s}\mathrm{c}}$

其中:APAR（Absorbed Photosynthetically Active Radiation）为植被吸收的光合作用有效辐射，由陆面模式中冠层辐射传输模块模拟得到，与植被的冠层结构密切相关。${\varphi }_{\mathrm{F}}$为叶绿素荧光产额，与太阳辐射在光合作用、热耗散与发射荧光三方面的能量分配过程有关。$f_{\mathrm{e}\mathrm{s}\mathrm{c}}$为所有叶片发射的总荧光逃离冠层的概率，是叶片激发的总荧光在冠层内经过散射、吸收等过程之后，最终到达冠层顶部被传感器观测到的荧光比例。

Lee et al.（2015）建立了$f_{\mathrm{e}\mathrm{s}\mathrm{c}}$和最大羧化速率之间的经验关系，发展了一种简化的冠层荧光计算方案，并将该计算方案耦合到CLM4（Community Land Model version 4）中，CLM4再现了SIF与GPP之间的线性关系，模拟的全球SIF空间分布与观测较为一致。这一研究首次在陆面模式中实现了全球尺度SIF的模拟，显示了SIF遥感数据在提高陆面模式碳循环的模拟能力方面的潜力。BETHY（Biosphere Energy Transfer HYdrology）模式通过耦合简化的SCOPE模型中的SIF计算方案，具备了冠层尺度荧光的模拟能力（Norton et al.，2018）。Qiu et al.（2019a）考虑了叶片尺度激发的荧光在冠层内的多次散射过程，构建了适用于不同生态系统类型的冠层尺度SIF模拟方案，并将该方案耦合到BEPS（Boreal Ecosystem Productivity Simulator）模式中，实现了站点和全球尺度SIF的模拟。更多的冠层荧光计算方案也耦合到SSiB2（Simplified Simple Biosphere model version 2）、BETHY（Biosphere Energy Transfer HYdrology）、SiB4（Simple Biosphere model version 4）、ORCHIDE（ORganizing Carbon and Hydrology In Dynamic Ecosystems）等陆面模式中（Thum et al.，2017; Norton et al.，2018; Qiu et al.，2018; Haynes et al.，2019; Raczka et al.，2019; Parazoo et al.，2020）。多数的陆面模式利用逃逸概率$f_{\mathrm{e}\mathrm{s}\mathrm{c}}$与特定参数之间的经验公式来表示荧光在冠层内的辐射传输过程，实现全球尺度SIF的模拟。Zeng et al.（2019）利用植被的近红外反射率NIRv与fPAR这两种广泛使用的光学遥感数据，构建了一种简单估算$f_{\mathrm{e}\mathrm{s}\mathrm{c}}$的方法，该方案可以消除土壤背景对于$f_{\mathrm{e}\mathrm{s}\mathrm{c}}$的影响，被应用在CLM5.0的荧光计算方案中（Li et al.，2022b）。

2.2 叶绿素荧光模型在陆地生态系统碳循环及陆气相互作用研究中的应用

2.2.1 陆面模式参数优化

叶绿素荧光模型可以用来优化陆面模式中光合作用模拟的关键参数，提高模式对GPP的模拟效果。光合作用模型中GPP的模拟不仅受到温度、降水、光照强度等环境因素的影响，还与植物的生理参数密切相关，其中最重要的就是植物的最大羧化速率（V _cmax，maximum carboxylation rate）。V _cmax是光合作用模型中表示植物光合作用能力的重要参数，指示光合作用过程中羧化反应的速率（Li et al.，2020a; Wang et al.，2022）。已有的观测研究表明，V _cmax受到环境因素的影响而变化，但是目前大部分陆面模式的光合作用模块将V _cmax设置为常数，给GPP的模拟带来了较大的误差（Zhang et al.，2014）。SIF数据为优化光合作用模型中V _cmax的数值大小和季节变化提供了新的思路。Zhang et al.（2014）利用GOME-2 SIF数据，通过优化SCOPE模型中的V _cmax，提高了模型对GPP的模拟效果。

除了植被生理参数的优化，SIF数据还可以用来优化陆面模式中其他与光合作用模拟相关的参数。陆地上的碳循环和水循环通过土壤、植被以及大气之间复杂的相互作用过程联系起来，但是在全球尺度上陆地上的碳循环和水循环的耦合机制仍不清楚。Qiu et al.（2018）利用全球SIF和土壤湿度遥感数据，结合耦合了荧光模型的SSiB2陆面模式优化了模式中碳水耦合的关键参数，提高了模式对土壤湿度的模拟效果，也进一步提高了模式对SIF和GPP的模拟效果，揭示了陆面模式中碳、水循环之间的关键耦合机制。

2.2.2 SIF数据同化及应用

全球碳同化系统是陆地和大气之间碳通量的模拟系统，通常由大气输送模式、陆面过程模式以及同化系统等部分组成，可以估算陆地碳汇的时空变化（Piao et al.，2022）。基于多个卫星平台的SIF数据与GPP呈显著的相关关系，因此同化高质量的SIF数据可以提高碳同化系统对于陆地生态系统碳通量的模拟效果（Bacour et al.，2019）。MacBean et al.（2018）基于SIF和GPP之间的线性关系，利用GOME-2 SIF数据优化了GPP模拟的关键参数，提高了GPP的模拟效果。由于SIF-GPP的关系受到冠层结构和光合作用途径的影响，这种基于简单线性关系的同化方法仍存在很大的不确定性。碳同化系统中需要耦合基于过程的SIF计算方案，才能更好利用高质量的SIF遥感数据提高对陆地生态系统碳通量的估算精度。BETHY模式具有冠层尺度SIF的模拟能力，同时也是碳同化系统CCDAS（Carbon Cycle Data Assimilation System）的核心部分，这使得在CCDAS系统中同化SIF遥感数据来提高GPP的模拟效果成为可能（Norton et al.，2019）。BEPS模式具有叶片和冠层尺度SIF的模拟能力，同时也是全球高分辨率碳同化系统（Global Carbon Assimilation System，GCAS）核心部分，Wang et al.（2021a）基于GCAS碳同化系统同化了OCO-2 SIF数据，同化后全球GPP的估算误差减小了8.3%。未来随着SIF遥感数据和荧光模型的发展，碳同化系统对于全球陆地碳汇的估算精度可以进一步提高。

2.2.3 冠层结构对SIF-GPP关系的影响机理

陆面模式是研究SIF-GPP关系的重要工具。Zhang et al.（2016）利用全球多个通量站点的气象数据驱动SCOPE模型，研究了不同时空尺度SIF-GPP的关系，结果表明从叶片到冠层、瞬时到季节尺度上，模拟的SIF-GPP之间的线性趋势愈加显著。Verrelst et al.（2015）利用SCOPE模式分析了模式中冠层顶SIF模拟的关键驱动因子，研究发现除了叶绿素含量等生理参数，LAI和叶片倾角等参数对于SIF的模拟也有重要的影响，表明冠层结构不仅直接影响冠层尺度SIF的模拟，同时也会影响SIF-GPP之间的关系。由于不同植被类型的冠层结构差异非常大，基于站点和卫星平台的SIF观测系统目前无法实现叶片激发总荧光的观测，而陆面模式可以同时模拟叶片激发的总荧光和冠层尺度的荧光，是研究冠层结构对于SIF-GPP关系影响的重要工具。Qiu et al.（2019a）利用模式分析了叶片尺度以及冠层尺度SIF-GPP的关系，结果表明相比于冠层尺度SIF与GPP之间的相关系数，叶片尺度激发的总荧光与GPP之间的相关系数更高。不同植被类型相关系数提高的幅度也不相同，对于冠层结构较为复杂的植被类型（阔叶林、针叶林等），相关系数提高幅度较大，对于冠层结构相对简单的植被类型（草地、灌木等），相关系数提高幅度较小。

3 总结与展望

本文讨论了叶绿素荧光遥感发展及其在陆地生态系统碳循环和陆气相互作用方面的研究进展，重点介绍了卫星SIF数据的发展趋势及其在GPP估算和极端气候事件监测中的应用，叶绿素荧光模型的发展及其在陆面模式中的应用。虽然叶绿素荧光遥感发展迅速，SIF产品广泛应用在陆地碳循环等研究领域，但是目前的研究中仍面临诸多挑战，针对这些问题有以下几点展望:

3.1 SIF数据发展与改进

随着遥感技术的发展，高质量的SIF数据越来越多应用到全球气候变化（Liu et al.，2020a; Zhang et al.，2020a，2020b; Porcar-Castell et al.，2021）、陆地碳循环（Mohammed et al.，2019; Doughty et al.，2021; Wang et al.，2021c; Xiao et al.，2021）、陆气相互作用（Green et al.，2017，2020; Jonard et al.，2020; Liu et al.，2020b）等研究中，但是受技术手段的限制，目前主流SIF产品各有优缺点。GOME-2和GOSAT的SIF产品积累时间较长，但是数据的精度较低; OCO-2和OCO-3的SIF产品精度较高，但是数据的时空连续性较差，积累时间较短; TROPOMI SIF具有较高的精度和时空分辨率，但是数据积累时间很短，限制了TROPOMI SIF数据的应用。

基于不同SIF产品的降尺度数据，可以较大程度上拓展SIF数据的应用范围，特别是在全球气候变化等需要长期数据的研究领域。在应用SIF降尺度数据时，还需要注意数据不确定性的影响。Sloat et al.（2021）利用GOME-2 SIF和降尺度SIF数据预测作物产量，发现降尺度SIF数据虽然有更高的空间分辨率，但是预测结果却低于原始GOME-2 SIF数据，主要是因为降尺度产品虽然有更多的训练数据用于产量的预测，但是降尺度数据的不确定性在这个过程中也被放大了，降低了产量的预测效果。

未来更多高质量的遥感数据可以提高SIF在不同的研究领域的应用。目前欧空局设计的FLEX卫星，是全球第一个专门为测量SIF设计的卫星（Drusch et al.，2017），FLEX将提供更高质量的红光（685 nm）和近红外（740 nm）波段的SIF数据，空间分辨率（300 m×300 m）超过了现有的所有SIF产品。除了空间分辨率的提高，FLEX卫星过境时间为当地时10:00，OCO-3可以提供在一天内不同时间的SIF观测，这些与现有的SIF产品相互补充，可以更加广泛地应用在日尺度植被光合作用变化的研究中（Xiao et al.，2021）。综上所述，未来不同的SIF产品可以在更精细的时空尺度上监测植被的生理变化及其对于极端气候的响应。

3.2 叶绿素荧光模型发展与改进

陆面模式对SIF的模拟仍然存在较大的不确定性（Parazoo et al.，2020），不确定性主要来自以下三个方面:APAR的模拟，荧光产额的模拟，以及荧光在冠层内的辐射传输过程。

在APAR的模拟方面，很多的研究已经表明APAR和SIF在不同的时间尺度上都有密切的关系（Yang et al.，2015），因此APAR的模拟效果也直接影响陆面模式对于SIF的模拟（Parazoo et al.，2020）。目前陆面模式中广泛应用的二流辐射传输模型假设入射和反射的散射辐射均为各向同性，冠层垂直结构均匀，叶片正反面的光学性质相同等（Dickinson，1983; Sellers et al.，1986）。实际上冠层垂直方向的物理性质具有显著的非均匀性，不同高度的叶角分布也有较大的差异。陆面模式需要更加准确描述冠层辐射传输过程的计算方案（Yuan et al.，2014; 周文艳等，2018），比如考虑了正反叶片光学性质不同的情况以及冠层垂直结构不同的参数化方案（Dai et al.，2007; Qiu et al.，2016），提高模式对于APAR的模拟效果，并进一步提高对于SIF的模拟效果。

在荧光产额的模拟方面，叶片尺度的荧光模型是基于光量子产额的方法建立的，即叶片吸收的能量用于光化学过程，非光化学淬灭（Non-Photochemical Quenching，NPQ）和发射荧光（van der Tol et al.，2014）。目前的荧光模型对于NPQ的参数化方案是基于观测数据建立的简单经验关系，缺乏对于不同环境条件下NPQ变化机制的描述，因此模型很难模拟不同状态下NPQ的变化过程，导致荧光产额的模拟误差较大（Parazoo et al.，2020; Martini et al.，2022）。未来还需要更多的主动和被动的荧光观测数据，建立不同环境条件下NPQ的动态变化机制，提高荧光产额的模拟效果。

在荧光的辐射传输方面，陆面模式对于叶片激发的总荧光在冠层内辐射传输过程的模拟较为简化，多数模式都是通过给出荧光的逃逸概率与特定参数之间的经验关系来模拟到达冠层顶部的荧光。但是冠层几何结构和叶片表面的光学性质等因素对于f _esc都有很大的影响（Liu et al.，2019; Zeng et al.，2019），因此这种f _esc的计算方案会给SIF的模拟带来很大的不确定性。未来需要建立更加精确的荧光辐射传输计算方案，特别是考虑冠层结构、叶片倾角等关键因素的影响，提高冠层顶SIF的模拟效果。

致谢:GOME-2 SIF获取自https://avdc.gsfc.nasa.gov/pub/data/satellite/MetOp/;GOSAT、OCO-2,TROPOMI SIF获取自ftp://fluo.gps.caltech.edu/data/;OCO-3 SIF获取自https://ocov3.jpl.nasa.gov/science/oco-3-data-center/;TanSat SIF获取自http://gre.geodata.cn/thematicView/modislly.html?guid2=10341724097904。

参考文献