机载SIF应用研究进展：从田间表型到生态系统功能 | SIF系列科普 第四期

日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）与植物光合作用过程密切相关，为植被光能利用和生理状态研究提供了新的遥感信息。

随着高光谱传感器、SIF反演方法和机载观测平台的发展，SIF观测已经从叶片、冠层和固定点位拓展到田块乃至更大的生态系统尺度。机载平台能够在较高空间分辨率下观察不同品种、处理和植被类型之间的SIF差异，为研究光合作用、环境胁迫、冠层结构和生态系统功能提供新的观测手段。

前面几期，我们介绍了SIF的基本原理和机载观测方式。这一期不再讲设备和参数，而是回到实际研究：

机载SIF已经被用来研究哪些科学问题？

图1 机载SIF应用研究版图

1 从“测到SIF”走向“解释SIF”

早期机载SIF研究首先要解决的是一个基础问题：微弱的荧光信号能不能从空中稳定获取。

随着传感器和反演方法的发展，研究重点逐渐向后推进——数据获取之后，观测到的SIF究竟反映了什么？

现在的机载SIF研究，已经越来越多地与反射光谱、生理测量、土壤水分和辐射传输模型结合。从农田中的品种差异、水分胁迫，到冠层结构和森林生态系统功能，SIF开始进入更具体的植物生理和生态研究

2 精准农业与作物表型：SIF能告诉我们什么？

农业是目前机载SIF较具代表性的应用方向之一。传统反射光谱和植被指数能够表征作物的色素、长势和冠层结构等特征，SIF则增加了与光合作用过程相关的信息。在田间表型研究中，两类信息关注的侧重点并不完全相同。

冬小麦表型：品种差异不能只看一个指标

Salattna（2025）在波恩大学完成的博士研究中，开发并应用了一套无人机载SIF成像系统，将多光谱反射率与760 nm附近的SIF观测结合，用于田间作物监测和表型研究。

在冬小麦品种比较中，不同品种之间可以观察到F760差异。不过，冠层SIF并不能脱离冠层结构单独解释：部分具有复杂冠层结构的品种同样可能表现出较高的F760。与此同时，一些基于反射率构建的色素相关指数，在品种区分中仍表现出较好的能力。

因此，在田间表型研究中，SIF更适合作为一个新的信息维度，与反射光谱、生化特征和冠层结构结合使用，而不是代替已有的反射光谱指标。

图2 无人机载SIFcam在冬小麦表型研究中的应用

柑橘水分胁迫：从SIF观察光合作用变化

水分胁迫是SIF农业应用中另一个受到较多关注的问题。

Zarco-Tejada等（2016）在不同灌溉处理的柑橘园中开展了持续两年的机载高光谱实验。研究设置正常供水和不同程度的亏缺灌溉处理，同时测量叶片CO₂同化速率、气孔导度和水势等生理参数，并通过机载高光谱影像反演冠层SIF。

结果显示，在不同生育阶段和水分条件下，FLD3反演得到的SIF能够较稳定地追踪光合作用变化。在研究比较的指标中，FLD3在两年多次飞行实验中表现出较好的季节稳定性；进一步对SIF进行归一化后，研究获得了跨季节更加统一的SIF—CO₂同化关系。

这项研究关注的不只是“缺水以后SIF怎么变”，更重要的是利用机载SIF观察水分处理下与光合作用相关的生理响应，以及这种关系在不同时间和环境条件下是否稳定。

当然，SIF不能单独判断具体的胁迫类型。水分状况、冠层结构、光照和其他环境条件仍需结合起来分析。

图3 不同水分处理下柑橘SIF与光合作用关系

3  SIF为什么会不同？冠层结构不能忽略

随着SIF应用逐渐深入，一个问题变得越来越重要：

传感器在冠层顶部看到的SIF，能不能直接代表植物产生的荧光？

不能简单画等号。

叶片产生的荧光在穿过冠层、到达传感器之前，会受到叶片排列、冠层密度、土壤背景以及太阳—冠层—传感器几何关系的影响。因此，即使两个冠层内部的荧光产生过程相近，最终在冠层顶部观测到的SIF也可能存在差异。

Bendig等（2025）利用无人机获取大麦冠层的日变化SIF数据，并结合辐射传输模型，研究冠层结构、太阳角度以及SIF—土壤光学相互作用对F760的影响，同时比较NIRvH1和FCVI两种校正方法。

模拟结果显示，NIRvH1在补偿F760混杂效应方面总体表现更好，尤其是在较稀疏的冠层条件下；但在实际机载光谱数据中，两种方法的表现更加接近。

这里需要关注的已经不只是SIF数值本身。冠层结构、土壤背景和观测几何都会参与塑造传感器最终接收到的SIF信号。 在利用SIF进一步研究光合作用时，这些因素不能被忽略。

图4 冠层结构与太阳角度对机载SIF观测的影响

4 从单次胁迫实验到多年监测：SIF如何响应作物可利用水？

前面的柑橘实验说明SIF能够追踪水分处理下的光合作用变化。但如果把时间尺度进一步拉长，一个更实际的问题是：

不同年份、不同作物、不同土壤水分背景下，这种关系还能不能观察到？

Quirós-Vargas等（2026）利用HyPlant获取了2018—2022年连续五个生长季的机载SIF数据，覆盖甜菜、小麦和马铃薯等作物，并分析SIF与土壤—植物有效水（Plant Available Water，PAW）的空间变化。

为了降低冠层结构的影响，研究进一步计算了SIF emission efficiency（eSIF），并分析其与PAW之间的关系。

在生长早期的雨养甜菜田中，eSIF与PAW表现出明显的正相关，而且在考虑LAI变化后，这种关系仍然存在。相比之下，在水分供应相对稳定的灌溉马铃薯中，并没有观察到相同的eSIF—PAW关系。

由此可以看到，SIF与水分条件之间并不存在一个脱离环境背景的固定关系。当水分限制较为明显时，与水分状态相关的SIF变化可能更容易表现出来；在水分供应稳定的情况下，同样的关系未必存在。

从单次实验走向多年、多作物和不同水分背景，也让机载SIF的研究场景更接近真实、复杂的农业环境。

图5 多年机载SIF与土壤—植物有效水空间关系

5 从农田走向森林：SIF还能告诉我们什么？

机载SIF的应用并不局限于农业。

与农田相比，森林具有更加复杂的树种组成和三维冠层结构。传统反射光谱可以表征树种、色素和结构差异，而SIF是否还能提供与森林功能相关的信息，也是生态遥感关注的问题之一。

Tagliabue等（2020）利用机载HyPlant获取温带混交林高空间分辨率影像，并分析远红光SIF（F760）的空间异质性与森林功能多样性（functional diversity）之间的关系。

研究者将F760空间异质性与基于植物功能性状建立的参考功能多样性进行比较，同时与NDVI异质性和高光谱反射率变异等方法进行对照。

结果显示，在该研究的数据和分析框架下，F760的空间异质性能够有效捕捉森林功能性状的空间变化，并优于基于NDVI异质性的功能多样性指标。

这个案例把机载SIF的应用从单一植被目标进一步拓展到了复杂生态系统。研究关注的也不只是某一区域SIF的高低，而是利用其空间异质性分析森林内部植物功能状态的空间差异。 

图6 机载F760表征森林功能多样性的研究案例

6 从这些研究中，我们还能看到三个共同问题

前面的研究对象并不相同，但在实际应用中都绕不开几个问题。

***，冠层结构不能忽略。

SIF从叶片产生到最终被传感器接收，中间经历复杂的辐射传输过程。LAI、叶倾角、冠层密度和土壤背景等因素都可能改变最终观测到的SIF。不同冠层之间的SIF差异，不能全部直接解释为光合作用差异。

第二，观测条件需要尽量一致。

太阳高度、入射辐射、观测方向和观测时间都会影响SIF。在比较不同日期、不同处理或不同平台的数据时，需要尽量保持观测条件一致，并记录入射辐射和观测几何等信息。

第三，SIF需要和其他信息一起看。

将SIF与反射光谱、冠层结构、环境参数、生理测量和模型结合，可以帮助区分不同因素对SIF变化的影响，也有利于建立更完整的生理和生态解释。

综合来看，机载SIF研究已经不再局限于信号获取本身。在保证观测质量的基础上，如何区分植物生理、冠层结构和环境条件对SIF的影响，并建立SIF与光合作用过程之间更可靠的联系，正在成为研究中需要重点解决的问题。

图7 从SIF观测到科学解释：机载SIF应用研究框架

7 从“新型信号”走向“科研工具”

从冬小麦品种表型、柑橘水分胁迫，到大麦冠层结构、多年作物水分变化和森林功能多样性，近年来的研究已经展示了机载SIF在不同研究场景中的应用。

这些案例也说明，SIF的价值并不在于替代反射光谱、热红外或传统植物生理测量，而是增加一个与光合作用过程密切相关的信息维度。

同时，SIF也不是一个可以脱离冠层结构和环境条件独立解释的指标。冠层辐射传输、观测几何、多源数据协同以及跨时间、跨平台的一致性，都是机载SIF开展定量研究时需要考虑的问题。

随着研究深入，关注点也会逐渐从“获取SIF”转向如何解释SIF。将SIF与冠层结构、环境条件、生理测量和多尺度遥感信息结合，才能更好地把观测到的荧光信号转化为植物生理和生态信息。

目前，机载SIF已经应用于作物表型、胁迫监测、光合作用、精准农业和生态遥感等研究方向。

双利合谱 GaiaSky-SP2-SIF 与 GaiaSky-IM-SIF 也面向这些科研需求，为不同类型的机载SIF观测与应用研究提供相应的技术选择。

参考文献

[1] Salattna, S. (2025). UAV-based Imaging of Multispectral Reflectance and Solar-Induced Chlorophyll Fluorescence for Crop Monitoring. Doctoral dissertation, Rheinische Friedrich-Wilhelms-Universität Bonn.

[2] Zarco-Tejada, P. J., González-Dugo, M. V., & Fereres, E. (2016). Seasonal stability of chlorophyll fluorescence quantified from airborne hyperspectral imagery as an indicator of net photosynthesis in the context of precision agriculture. Remote Sensing of Environment, 179, 89–103. DOI: 10.1016/j.rse.2016.03.024.

[3] Bendig, J., Malenovský, Z., Siegmann, B., Krämer, J., & Rascher, U. (2025). Comparing methods for solar-induced fluorescence efficiency estimation using radiative transfer modelling and airborne diurnal measurements of barley crops. Remote Sensing of Environment, 317, 114521. DOI: 10.1016/j.rse.2024.114521.

[4] Quirós-Vargas, J., Brogi, C., Damm, A., et al. (2026). Solar-induced chlorophyll fluorescence (SIF) tracks variations in the soil-plant available water (PAW): a multiyear analysis on three crops. Science of Remote Sensing, 13, 100367. DOI: 10.1016/j.srs.2026.100367.

[5] Tagliabue, G., Panigada, C., Celesti, M., et al. (2020). Sun-induced fluorescence heterogeneity as a measure of functional diversity. Remote Sensing of Environment, 247, 111934. DOI: 10.1016/j.rse.2020.111934.