玉米农田日光诱导叶绿素荧光反演研究——以辽宁省为例

doi:10.14088/j.cnki.issn0439-8114.2026.09.031

湖北农业科学 ›› 2026, Vol. 65 ›› Issue (9): 194-199.doi: 10.14088/j.cnki.issn0439-8114.2026.09.031

玉米农田日光诱导叶绿素荧光反演研究——以辽宁省为例

余鹏程¹, 屈亚维¹, 任慈², 徐洁¹, 骆元家¹, 谢光雄¹

1.柳州工学院土木建筑工程学院,广西柳州 545616;
2.广西大学土木建筑工程学院,南宁 530004

收稿日期:2026-06-10 出版日期:2026-09-25 发布日期:2026-09-17
通讯作者: 任慈（1997-）,女,辽宁锦州人,硕士,主要从事结构工程方向研究,（电子信箱）1335598767@qq.com。
作者简介:余鹏程（1997-）,男,河南信阳人,助教,硕士,主要从事农业生态遥感研究,（电子信箱）924011360@qq.com;共同第一作者,屈亚维（2005-）,男,陕西渭南人,在读本科生,专业方向为农业生态遥感,（电子信箱）2036837304@qq.com
基金资助:
柳州工学院大学生创新创业训练计划项目（S202513639061）

Study on inversion of solar-induced chlorophyll fluorescence in maize farmland: A case study of Liaoning

YU Peng-cheng¹, QU Ya-wei¹, REN Ci², XU Jie¹, LUO Yuan-jia¹, XIE Guang-xiong¹

1. School of Civil Engineering and Architecture, Liuzhou Institute of Technology, Liuzhou 545616, Guangxi, China;
2. School of Civil Engineering and Architecture, Guangxi University, Nanning 530004, China

Received:2026-06-10 Published:2026-09-25 Online:2026-09-17

摘要/Abstract

摘要： 日光诱导叶绿素荧光（SIF）是表征植物光合作用状态的重要探针,也是估算植被总初级生产力的重要指标。气象条件通过影响植物生理状态和光合作用过程,进而影响SIF变化。为实现不同气象条件下SIF反演,以辽宁省玉米种植区为研究对象,利用2014—2023年辽宁省21个气象站点数据、基于山地小气候模拟模型获得的气象参数、基于OCO-2数据构建的全球SIF产品（GOSIF）以及气象栅格数据,采用偏最小二乘回归（PLSR）、主成分分析（PCA）、全连接神经网络（FCNN）和岭回归（RR）方法对干旱年和降水适宜年5—9月SIF进行反演。结果表明,站点尺度模型对比中PLSR模型的验证集精度最高,分城市区域RR模型在多数地区取得较好精度,且训练集R²多数达到0.65以上（P<0.05）。除本溪市和丹东市外,其余地区归一化均方根误差（NRMSE）均低于20%。反演结果与GOSIF产品的空间相关性分析表明,多数区域的空间相关系数达到0.7以上,二者空间变化趋势总体一致。通过筛选月平均实际蒸散量、月平均气温、月平均水汽压和月降水量作为输入变量,可有效构建区域玉米农田SIF的反演方法,为利用气象数据开展区域尺度SIF估算与智慧农业遥感应用提供技术参考。

关键词: 日光诱导叶绿素荧光, 干旱, 玉米, GOSIF, 辽宁省

Abstract: Solar-induced chlorophyll fluorescence (SIF) is an important indicator of plant photosynthetic status and a key metric for estimating vegetation gross primary productivity (GPP). Meteorological conditions influence SIF variations by affecting plant physiological status and photosynthetic processes. To achieve SIF inversion under different meteorological conditions, the maize planting areas in Liaoning Province were selected as the study area. Using data from 21 meteorological stations in Liaoning Province during 2014—2023, meteorological parameters simulated by the Mountain Microclimate Simulation Model, the Global SIF product (GOSIF) derived from OCO-2 data, and meteorological gridded datasets, SIF values during May-September in drought years and precipitation-suitable years were inverted using partial least squares regression (PLSR), principal component analysis (PCA), fully connected neural network (FCNN), and ridge regression (RR) methods. The results showed that the PLSR model achieved the highest validation set accuracy in site-scale model comparisons, while the city-level regional RR model obtained good accuracy in most regions, with the coefficient of determination (R²) of the training set mostly reaching above 0.65 (P<0.05). Except for Benxi and Dandong cities, the normalized root mean square error (NRMSE) was below 20% in other regions. Spatial correlation analysis between the inverted SIF results and GOSIF products showed that the spatial correlation coefficients in most regions exceeded 0.7, and the spatial variation trends of both were generally consistent. By selecting monthly mean actual evapotranspiration, monthly mean air temperature, monthly mean water vapor pressure, and monthly precipitation as input variables, the SIF inversion method for regional maize farmland could be effectively established. This provided a technical reference for regional-scale SIF estimation using meteorological data and smart agriculture remote sensing applications.

Key words: Solar-induced chlorophyll fluorescence, drought, maize, GOSIF, Liaoning province

中图分类号:

P49
S166

余鹏程, 屈亚维, 任慈, 徐洁, 骆元家, 谢光雄. 玉米农田日光诱导叶绿素荧光反演研究——以辽宁省为例[J]. 湖北农业科学, 2026, 65(9): 194-199.

YU Peng-cheng, QU Ya-wei, REN Ci, XU Jie, LUO Yuan-jia, XIE Guang-xiong. Study on inversion of solar-induced chlorophyll fluorescence in maize farmland: A case study of Liaoning[J]. HUBEI AGRICULTURAL SCIENCES, 2026, 65(9): 194-199.

参考文献

[1] 袁艳斌,张城芳,黄鹏,等.基于日光诱导叶绿素荧光的陆地总初级生产力估算[J].农业机械学报,2022,53(4):183-191.
[2] 张永江. 植物叶绿素荧光被动遥感探测及应用研究[D].杭州:浙江大学,2006.
[3] 王冉,刘志刚,杨沛琦.植物日光诱导叶绿素荧光的遥感原理及研究进展[J].地球科学进展,2012,27(11):1221-1228.
[4] 刘青瑞,居为民,张永光,等.日光诱导叶绿素荧光估算中国典型生态系统总初级生产力的能力[J].遥感技术与应用,2017,32(2):363-373.
[5] 张永江,刘良云,侯名语,等.植物叶绿素荧光遥感研究进展[J].遥感学报,2009,13(5):963-978.
[6] 刘良云. 植被定量遥感原理与应用[M].北京:科学出版社,2014.
[7] 章钊颖,王松寒,邱博,等.日光诱导叶绿素荧光遥感反演及碳循环应用进展[J].遥感学报,2019,23(1):37-52.
[8] JOINER J, GUANTER L, LINDSTROT R, et al.Global monitoring of terrestrial chlorophyll fluorescence from moderate-spectral-resolution near-infrared satellite measurements: Methodology, simulations, and application to GOME-2[J].Atmospheric measurement techniques, 2013, 6(10):2803-2823.
[9] LI X, XIAO J F.A global, 0.05-degree product of solar-induced chlorophyll fluorescence derived from OCO-2, MODIS, and reanalysis data[J].Remote sensing, 2019, 11(5):517.
[10] LIU L Y, DU S S, LIU X J, et al.Retrieval of global terrestrial solar-induced chlorophyll fluorescence from TanSat satellite[J].Science bulletin, 2018,63(22):1502-1512.
[11] YU L, WEN J, CHANG C Y, et al.High Resolution Global Contiguous Solar‐Induced Chlorophyll Fluorescence (SIF) of Orbiting Carbon Observatory-2(OCO-2)[J].Geophysical research letters, 2019,46(3):1449-1458.
[12] GENTINE P, ALEMOHAMMAD S H.Reconstructed solar-induced fluorescence: A machine learning vegetation product based on MODIS surface reflectance to reproduce GOME-2 solar-induced fluorescence[J].Geophysical research letters,2018,45(7):3136-3146.
[13] DUVEILLER G, CESCATTI A.Spatially downscaling Sun-induced chlorophyll fluorescence leads to an improved temporal correlation with gross primary productivity[J].Remote sensing of environment, 2016,182: 72-89.
[14] DUVEILLER G, FILIPPONI F, WALTHER S, et al.A spatially downscaled Sun-induced fluorescence global product for enhanced monitoring of vegetation productivity[J].Earth system science data, 2020, 12(2):1101-1116.
[15] WEN J, KÖHLER P, DUVEILLER G, et al. A framework for harmonizing multiple satellite instruments to generate a long-term global high spatial-resolution solar-induced chlorophyll fluorescence (SIF)[J].Remote sensing of environment,2020,239: 111644.
[16] ZHANG Y, JOINER J, ALEMOHAMMAD S H, et al.A global spatially contiguous solar-induced fluorescence (CSIF) dataset using neural networks[J].Biogeosciences,2018,15(19):5779-5800.
[17] 孙忠秋,高显连,杜珊珊,等.全球日光诱导叶绿素荧光卫星遥感产品研究进展与展望[J].遥感技术与应用,2021,36(5):1044-1056.
[18] 余凌翔,鲁韦坤,张加云,等.烤烟叶片光合速率日变化特征及其影响因素分析[J].气象与环境科学,2021,44(5):79-86.
[19] 曲学斌,王彦平,王涵,等.呼伦贝尔叶面积指数变化及其对气候的响应[J].气象与环境科学,2023,46(1):32-38.
[20] 中国气象局. 2023年中国气候公报[OL].(2024-02-23).https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202402/t20240223_6084527.html.
[21] 张存杰,任玉玉,曹丽娟,等.近60年中国干湿气候变化特征及其未来趋势预估[J].气候变化研究快报,2021,10(6):728-741.
[22] XU H J,WANG X P, ZHAO C Y.Drought sensitivity of vegetation photosynthesis along the aridity gradient in northern China[J].International journal of applied earth observation and geoinformation, 2021(102):102418.
[23] LIU Y J, YOU C H, ZHANG Y G, et al.Resistance and resilience of grasslands to drought detected by SIF in Inner Mongolia, China[J].Agricultural and forest meteorology, 2021(308-309):108567.
[24] 张帅. 辽宁省玉米种植区划研究[J].种子世界,2008(1):28-31.
[25] 彭雄标. 关中平原冬小麦/夏玉米农田水碳通量对环境因子响应机制及模拟研究[D].陕西杨凌:西北农林科技大学,2024.
[26] HOTELLING H.Analysis of a complex of statistical variables into principal components[J].Journal of educational psychology, 1933, 24(7):498-520.
[27] 韩小孩,张耀辉,孙福军,等.基于主成分分析的指标权重确定方法[J].四川兵工学报,2012,33(10):124-126.
[28] 毛李帆,江岳春,龙瑞华,等.基于偏最小二乘回归分析的中长期电力负荷预测[J].电网技术,2008,32(19):71-77.
[29] 李远清,韦岗,刘永清.全连接回归神经网络的稳定性分析[J].控制理论与应用,2000,17(4):537-541.
[30] HOERL A E, KENNARD R W.Ridge regression: Biased estimation for nonorthogonal problems[J].Technometrics,2000, 42(1):80-86.
[31] 朱尚伟,李景华.岭回归参数的两个预期约束[J].统计与决策,2015,31(22):71-74.

玉米农田日光诱导叶绿素荧光反演研究——以辽宁省为例

Study on inversion of solar-induced chlorophyll fluorescence in maize farmland: A case study of Liaoning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	余长平, 何亚慧, 周刚, 彭家清, 陈光勇, 唐余成, 杨虎, 陈强, 闫香凝, 李玉露. 采用GGE双标图评价玉米品种郧单27的丰产性、稳产性及适应性[J]. 湖北农业科学, 2026, 65(9): 6-11.
[2]	侯慧杰, 吉春容, 孙帅, 彭靖婷, 胡皓楠, 吴思怡, 杨明凤. 不同干旱胁迫下种植模式对棉花生长、产量形成及纤维品质的影响[J]. 湖北农业科学, 2026, 65(9): 12-16.
[3]	余长平, 何亚慧, 周刚, 彭家清, 陈光勇, 唐余成, 杨虎, 陈强, 闫香凝, 李玉露. 强优势玉米杂交种郧单26的选育、应用潜力评价及低耗高效栽培技术[J]. 湖北农业科学, 2026, 65(9): 17-23.
[4]	祝琳, 吴艳, 吴昊, 曹凯, 韩亚, 黄小军, 张九兰, 胡丹丹, 宋惠洁, 万小兵, 胡华明, 柳开楼. 红壤旱地喷施阴离子表面活性剂对玉米产量和土壤紧实度的影响[J]. 湖北农业科学, 2026, 65(9): 34-39.
[5]	宋诚亮, 程冬冬. 不同水分管理模式配施缓控释尿素对玉米田土壤肥力的影响[J]. 湖北农业科学, 2026, 65(9): 48-51.
[6]	孙淼, 刘湃, 赵东保, 李艺超. AquaCrop模型与模型预测控制相结合的灌溉决策方法[J]. 湖北农业科学, 2026, 65(9): 186-193.
[7]	曾天云, 朱昱, 李慧琴, 张文涛, 郭总总, 王乾, 林霞. 北疆小麦×玉米诱导小麦单倍体育种技术究初报[J]. 湖北农业科学, 2026, 65(7): 6-11.
[8]	徐紫刚, 秦典锋, 周洪宇, 杨利, 刘波, 宋娜, 洪俊. 鄂西北重金属污染农田玉米镉低积累品种筛选与综合评价[J]. 湖北农业科学, 2026, 65(7): 17-22.
[9]	张超一, 纪元, 刁红霞, 宋海妹. 海藻提取物配施液体肥对旱作玉米生长发育及产量的影响[J]. 湖北农业科学, 2026, 65(6): 20-25.
[10]	马盛峰, 何莉莉, 池立军, 田平平, 李先梅, 孙勇胜, 熊婷, 周登文. 江汉平原大豆玉米带状复合种植模式优化与品种筛选[J]. 湖北农业科学, 2026, 65(6): 26-30.
[11]	孙燕, 文超, 闫丹, 汪金花, 李丽娜, 张广杰. 褪黑素缓解芍药幼苗干旱胁迫效应研究[J]. 湖北农业科学, 2026, 65(6): 111-116.
[12]	毛乙如, 左丽君, 孙菲菲, 徐进勇, 赵媛媛. 基于CENTURY模型的东北玉米产量与土壤碳汇效益协同评估[J]. 湖北农业科学, 2026, 65(5): 46-55.
[13]	任冬雪, 丁贵江, 穆云森, 李一, 杨志会, 李青松, 刘美艳, 梁秋华. 生物有机肥氮替代部分化肥氮对玉米产量、养分利用及氮肥利用效率的影响[J]. 湖北农业科学, 2026, 65(4): 96-101.
[14]	腾峰, 虞思佳, 张士龙, 贺正华, 孙霄鹏, 贾海涛. 1 040份玉米地方品种苗期耐渍性鉴定与优异种质资源筛选[J]. 湖北农业科学, 2026, 65(3): 1-5.
[15]	王林成, 徐海生, 于芮芦. 不同春小麦品种产量、品质与氮利用效率对节水控氮栽培模式的响应差异[J]. 湖北农业科学, 2026, 65(3): 12-19.