基于星载超光谱仪的日光诱导叶绿素荧光探测和应用

 图1. 非洲尼日利亚北部区域2025年4月8日SIF分布图

 目前日光诱导叶绿素荧光（SIF）数据大多为离散点形式，空间覆盖稀疏。

我们使用0.48nm光谱分辨率的超光谱仪，进行了成像式高分辨率叶绿素荧光探索，希望以更高的空间分辨率补充目前卫星平台日光诱导叶绿素荧光的缺口。

 表1. 部分具有SIF探测能力的星载传感器的主要性能指标

  *参考资料：张立福, 王思恒, 黄长平. 2018. 太阳诱导叶绿素荧光的卫星遥感反演方法.遥感学报, 22(1): 1-12  

SIF计算基础原理

植被吸收的光能一部分未进行光合作用，以长波的形式发射荧光。叶绿素荧光位于植被红光区和远红光区（650-800nm）。荧光作为光合作用的副产品，与光合作用有机理的联系，可直接反映植被光合作用的能力。

荧光对冠层表观反射率有一定贡献，通过亚纳米级分辨率光谱仪，能观察到685和760nm存在反射峰。在685nm处荧光对表观反射率贡献为10%～20%，740nm处为2%～6%。

在植被红边区（650-800nm），荧光对表观反射率具有贡献。

相比植被指数的优势：基于反射率的植被指数无法及时捕捉环境异常初早期植被生长状态异常信号，具有滞后性。而SIF能够更敏锐地探测异常。

 图2. 夫朗和费暗线位置

 夫琅和费暗线填充法：由于大气吸收，太阳光谱中有许多细小的暗线，被称为Fraunhofer暗线。在被太阳光谱削弱的特定波长，荧光信号可以定量测量。

太阳辐射在红光和近红外区有3个主要吸收带，656.3 nm处太阳大气氢吸收的Hα线,687 nm和760 nm波段地球大气层O2吸收线。这些波段通常与叶绿素荧光发射波谱相重叠。荧光遥感技术方法是比较太阳辐射光谱线深度与植物辐射光谱线深度，测量来自短波激发的荧光辐射将Fraunhofer“井”填充到一定程度。其中Fraunhofer“井”表示特定波段的吸收线，形似“井”。

假定植被在夫琅和费暗线与相邻谱区的冠层光谱反射率R相等，则植被在夫琅和费暗线与相邻谱区的荧光强度为f，计算公式如下：

图3. 夫朗和费暗线荧光探测原理

a、b：利用参考板测定的太阳辐照度光谱在夫琅和费暗线与相邻谱区的强度。

c、d：植被冠层反射的辐照度光谱在夫琅和费暗线与相邻谱区的强度。

λ0：夫琅和费暗线中心波长。

其中R与荧光无关，因此只要测得夫琅和费暗线波段的光谱反射率、太阳辐照度和冠层反射辐亮度，就可以测得叶绿素荧光。

不同植被种类及所处状态不同，通过FLD计算的760nm和687nm处荧光相对强度值比例不同，可以作为判断植物生理状况的依据。

数据样例

 图4. 植被像元光谱示例

 图5. O2A吸收峰

 上图为04星典型植被光谱，可以观察到687nm附近的O2B吸收峰、760附近的O2A吸收峰以及720附近的H2O吸收峰。与标准夫朗和费吸收光谱对比，光谱位置准确，光谱偏移影响可以忽略（<0.01nm）。

SIF计算

改进样条插值夫琅和费暗线填充法（iFLD）

基于夫琅和费暗线填充法（FLD），在参考波段和相邻波段的选择上进行改进，根据吸收峰宽度，选择共计8个波段，使用样条函数进行背景光谱拟合。

 图6. 用于拟合的波段范围

 图7. 样条函数拟合和插值结果（Pixel1、2、3分别代表灌木、农田、建筑像元）

 如上图所示，虚线为使用O2A吸收峰附近8个波段进行拟合结果，因为211、212波段分布在O2A吸收峰两侧，因此使用平均值，即760.43195nm作为有SIF影响的辐射值，同时也作为样条函数拟合的目标波长。上图中，在二次函数底部，原光谱值与样条函数拟合值的差是被SIF填充的部分，即为SIF强度。

参考实际地物情况，Pixel1灌木像元植被覆盖度相对农田明显较低，且光合强度也低于生长旺盛期的农作物，因此SIF值明显低于Pixel1农田。而Pixel3是建筑区域，仅有少量景观和绿化树木提供SIF，因此SIF值相对最低。  

SIF结果验证

 图8. 不同吸收波段计算结果对比

 上图显示了使用不同波段位置的SIF结果，并与同期来自Sentinel-2数据的NDVI进行了对比。如图示，使用O2A波段的SIF噪声最小，且数据分布与NDVI接近。而O2B波段由于吸收深度较浅，结果噪声明显，但仍然能看出分布趋势，而非SIF特征波段计算结果则几乎没有有效信息。上述结果对比证明了本方法的有效性。

应用案例

 图9. 农田和森林区域SIF分布图

 图10. NDVI农田和森林区域NDVI分布图 

 图11. 农田区域NDVI高分辨率分布图

 图12. crop和forest区域根区土壤墒情和降水对比统计图

上述forest和crop区域SIF值有明显差异，且与NDVI分布略有不同。在crop作物区域，因为哨兵影像原始分辨率为10米，在重采样到与SIF分辨率一致后，左下方农田区域作物与土壤混合，降低了整体NDVI值。但在SIF结果中，能够很好地观察到农田的高SIF现象。而forest区域地形为山地，植被分布主要是低矮灌木和部分乔木，且植被覆盖率低于农田区域，因此SIF值明显偏低。且根据上述统计图，两区域3月后降水减少，土壤墒情明显降低，且forest区域降低程度大于crop区域，且作物区域通常具备灌溉条件，而山地则一般不使用灌溉，因此推测forest区域可能遭受干旱胁迫，从而导致了SIF的进一步降低，这表明相对于NDVI，SIF能够更加敏锐地观测到作物胁迫现象，识别受胁迫区域，为生态环境评估和精准农业提供更有力的工具。