用日光誘導(dǎo)葉綠素?zé)晒夂凸饣瘜W(xué)植被指數(shù)建立水稻冠層總初級(jí)生產(chǎn)力模型

準(zhǔn)確估計(jì)總初級(jí)生產(chǎn)力GPP對(duì)于捕捉植被生長(zhǎng)狀況、了解全球碳匯分布以及了解陸地植被對(duì)氣候變化的影響至關(guān)重要�；�于遙感技術(shù)的太陽(yáng)誘導(dǎo)葉綠素?zé)晒?SIF)為監(jiān)測(cè)植被光合作用提供了一種工具，但是僅僅利用SIF和GPP之間建立一個(gè)反映熒光信息和光合作用的簡(jiǎn)單關(guān)系是不夠的，結(jié)合光化學(xué)植被指數(shù)PRI在估算GPP方面具有巨大的潛力。
 

2024年2月，Plant Phenomics在線發(fā)表了南京信息工程大學(xué)生態(tài)與應(yīng)用氣象學(xué)院，江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室以及中國(guó)氣象局國(guó)家氣象中心等的合作完成的題為Establishing a Gross Primary Productivity Model by SIF and PRI on the Rice Canopy的研究成果。
 

本文使用來(lái)自多角度光譜儀的PRI和SIF以及來(lái)自渦協(xié)方差系統(tǒng)的GPP來(lái)評(píng)估PRI增強(qiáng)SIF-GPP估計(jì)模型的能力。首先通過(guò)采用半經(jīng)驗(yàn)核驅(qū)動(dòng)的雙向反射分布函數(shù)(BRDF)模型來(lái)描述熱點(diǎn)PRI/SIFs (PRIhs/SIFhs)，并采用改進(jìn)的雙葉模型來(lái)計(jì)算總冠層PRI/SIF (PRItot/SIFtot)。
 

圖1 PRI(A和B)和SIF(C和D)特征分布的多角度(A和C)和BRDF模型(B和D)
 

圖2 不同估算模型下水稻GPP觀測(cè)值和估算值的分布, (A) PRIhs-GPP, (B) PRItot-GPP, (C)SIFhs-GPP, (D)SIFtot-GPP, (E)PRIhs+SIFhs-GPP, (F)PRItot+SIFtot-GPP); R2, RMSE和RPD 顯示在對(duì)應(yīng)圖中.

本文還比較了PRIhs/SIFhs和PRItot/SIFtot在估計(jì)GPP時(shí)的準(zhǔn)確性。驗(yàn)證結(jié)果表明PRItot+SIFtot-GPP模型表現(xiàn)最好，相關(guān)系數(shù)(R2)為0.88，均方根誤差(RMSE)為3.74，相對(duì)預(yù)測(cè)偏差(RPD)為2.71。PRI和SIF的組合提高了預(yù)測(cè)精度，最終建立水稻冠層總初級(jí)生產(chǎn)力模型。

本文的主要目標(biāo)是研究SIF與PRI結(jié)合估算GPP的能力，并比較PRI/SIF在熱點(diǎn)和總冠層的估計(jì)能力。驗(yàn)證數(shù)據(jù)的結(jié)果表明，結(jié)合PRI和SIF估計(jì)GPP比單獨(dú)使用PRI和SIF更準(zhǔn)確，PRI的加入提高了SIF估計(jì)GPP的精度和穩(wěn)定性，且總冠層的PRI/ SIF優(yōu)于熱點(diǎn)的PRI/ SIF。這些結(jié)果證明了SIF和PRI相結(jié)合估算GPP的可行性，為利無(wú)損采樣技術(shù)準(zhǔn)確跟蹤作物光合過(guò)程開(kāi)辟了新的視角，為研究植被指數(shù)對(duì)環(huán)境的響應(yīng)提供了參考。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0144

——推薦閱讀——

Lightweight Deep Learning Models for High-Precision Rice Seedling Segmentation from UAV-Based Multispectral Images

https://spj.science.org/doi/10.34133/plantphenomics.0123

Plant Phenomics | 東北農(nóng)業(yè)大學(xué)基于深度學(xué)習(xí)的輕量化水稻秧苗分割模型

Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models

https://spj.science.org/doi/10.34133/plantphenomics.0056

Plant Phenomics | 使用無(wú)人機(jī)圖像和光合積累模型估算水稻地上生物量

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專(zhuān)刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類(lèi)一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：周欽陽(yáng)（南京農(nóng)業(yè)大學(xué)）
排版：史奕（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平