介绍
总初级生产力（ GPP）已被用来监测陆地植被的光合作用和固碳能力[ 1-3 ]。准确估算GPP对于捕捉植被生长状况、了解全球碳汇分布以及了解陆地植被对气候变化的影响具有重要意义[ 2-5 ] 。基于遥感技术的太阳诱导叶绿素荧光（SIF）[ 6 ]，为监测植被光合作用提供了工具，并为计算GPP创造了新的机会[ 2,6-8 ]。

然而，光合作用过程中阳光能量的利用效率很复杂，特别是对于农作物而言。Butler [ 9 ] 将吸收的光合有效辐射分为 3 种途径：光化学猝灭（Kp）、荧光（Kf）和非辐射耗散或非光化学猝灭（NPQ）（Kn）[ 5 ]。因此，仅仅在SIF和GPP之间建立简单的关系（反映荧光信息和光合作用）来监测GPP是不够的。除了荧光和光合作用之外，第三条途径（NPQ）同时吸收阳光能量，NPQ 通常影响 Kp 和 Kf 之间的能量分布。研究表明，光化学反射指数（PRI）与 NPQ 一致 [ 8 , 10– 13 ]; 因此，我们可以使用 PRI 结合 SIF 来估计 GPP [ 14 ]。

在遥感中，观测到的冠层 SIF 和 PRI 受植被类型、观测几何形状（太阳-传感器-目标角度）、冠层结构以及观测到的阴影（只能吸收散射辐射）与阳光（可以吸收散射和直接辐射）叶子[ 15 ]，导致SIF/PRI和GPP之间的关系随着生态系统类型、时间尺度和天空条件而变化[ 16 ]。多角度观测是解决漫射光引起的观测数据不稳定、描述冠层阳光照射和阴影部分引起的植被表面反射率各向异性的有效方法[ 17 , 18 ]]。该方法可以有效地将光照环境的影响与植被冠层表面的生理信号分开。半经验核驱动的双向反射分布函数（BRDF）模型将不同角度的反射分布呈现为BRDF形状和冠层结构相对于太阳位置的线性叠加[ 19 ]。

许多研究已经使用BRDF模型从植被冠层中提取热点反射率[ 20-22 ]。然而，BRDF模型假设植被冠层背景的反射是恒定的，因为从众多观测角度实际观测到的非冠层信息的反射率不可能恒定[ 20 , 23]]。Hall[ 24,25 ]从植被光能利用理论推论，每半小时观测到的冠层多角度反射率的角度变化可能取决于传感器记录的阴影部分的变化。张等人。文献[ 26 ]在此基础上开发了双叶模型，用于区分华南亚热带森林阳光照射和遮荫叶片的PRI，发现该PRI可以成功增强光利用效率能力的评估。目前，很少有研究探讨将 BRDF 和两叶模型应用于 SIF 的可能性。此外，将 SIF 建模与 PRI 相结合来估计 GPP 尚未得到进一步研究。

在本研究中，我们使用多角度光谱仪和涡度协方差（EC）系统来研究中国亚热带稻田中 PRI 增强 SIF-GPP 估计模型的准确性。我们使用半经验核驱动的 BRDF 模型和两叶模型来描述热点 PRI 和 SIF (PRI hs /SIF hs ) 以及总冠层 PRI 和 SIF (PRI tot /SIF tot ) 来构建热点和冠层总量分别采用 PRI+SIF-GPP 模型，并使用验证数据集来评估这些估计模型。

材料和方法
研究领域及时期
实验在安徽省寿县气象局国家气候台（北纬32°26'，东经116°47'）进行，实验场地面积20 hm 2。寿县位于我国南北气候过渡带，观测实验期间平均气温为25℃[ 27 ]。冬小麦和中型水稻被用作轮作作物。

高光谱观测与植被指数计算
多角度高光谱观测系统采用JAZ-Combo2光纤光谱仪（美国Ocean Optics公司），位于实验样地上方1.5 m处，自动观测并记录辐照度，光谱范围为350~800 nm。该光谱仪有 2 根光纤：一根 (ZFQ-15029) 配备余弦校正器 (CC-3-UV-S)，垂直向上安装以随时观察太阳辐照度，另一根 (QP400-2-UV-VIS)连接到云台装置（PTU）平台（FLIR Systems，戈利塔，加利福尼亚州，美国）以获得不同观察角度的冠层反射辐照度。两种光纤均经过卤素光源（HL-2000-CAL）的暗噪声去除、电子暗噪声校正和杂散光校正，其平均积分时间为63 ms。1）。当传感器旋转时，我们记录了观测到的天顶角、方位角、太阳天顶角和太阳方位角。

图。1。上下光谱仪传感器分别在1.5 m高度处测量多角度高光谱太阳光和反射辐照度；下部光谱仪传感器在水平和垂直方向上都有固定的旋转角度。

JAZ-Combo2 光谱仪获得的高光谱数据包含冠层反射和太阳辐照度。获取高光谱数据后，我们使用白板校正来检索反射率，这是一种标准的漫辐射方法

光谱仪测量的太阳辐照度和水稻冠层反射辐照度的光谱，反映了本实验采集的光谱数据的有效性。结果表明，水稻冠层接收到的太阳入射光谱在760 nm附近有所减少，这种现象很可能是由于O2的存在而导致大气中的氧分子对太阳光谱的吸收所致。2 -A夫琅和费暗线在波长760 nm附近，此时大气中的氧气有强烈的吸收。因此，我们将762nm设置为暗线中心带，将758和769nm设置为暗线中心带对应的左右外带

EC观测和GPP计算
EC观测系统由湍流观测子系统、梯度观测子系统和常规气象要素技术（RMET）系统组成。在多角度高光谱观测系统附近安装湍流观测子系统，测量冠层水汽含量、CO 2浓度、风速和温度。该子系统包含红外开路 CO 2 /H 2O气体分析仪（LI-7500，LI-Cor Inc.，美国）、数据采集器和3维超声波风速计（CSAT，Campbell Scientific，美国），使用高速数据采集器保存和分析通讯系统（DATALOGGER，CR4000，Campbell Scientific，美国），采样频率为 10 Hz，每 30 分钟取一次数据的平均值。梯度观测子系统安装在距湍流观测子系统约20 m处，以减少与EC观测的相互干扰，观测频率设置为与湍流观测子系统同步。使用LI-8150（LI-Cor Inc.，美国）测量冠层内部和上方距离地面5、15、30、50、80和200厘米处的温度、湿度和CO 2浓度。

使用 Longgernet 2.0 和 Eddypro 处理原始 EC 数据，进行坐标旋转、频率响应校正、野点抑制和角度修正。在这项研究中，潜热和CO 2通量使用Webb等人的方法进行了校正。[ 33 ]。采用平均日变化对剔除后空白的日数据进行插值，并采用Lloyd[ 34 ]呼吸方程对缺失的夜间数据进行插值。我们使用以下4个标准来删除无效的通量数据：（a）超出设备范围，（b）夜间CO 2通量为负值，（c）降雨前后1小时，以及（d）摩擦风夜间速度低于阈值（在我们的研究中设置 0.13 m·s −1 [35 ]）。最后，每30分钟收集一次CO 2通量、蒸气压差(VPD)和温度( T )。

RMET 系统由 VECTOR 和 VAISALA 提供，安装在距湍流观测子系统约 5 m 处，用于测量冠层上方的风向、风速、总辐射 ( R 0 ) 和 PAR。观察期间每7天在田间随机取样10株水稻，测量叶面积指数（LAI）。

楷模
在本研究中，我们使用半经验核驱动的 BRDF 模型来表征水稻冠层上多角度 PRI/SIF 的测量 BRDF 角度分布。计算不同时刻的太阳入射位置，提取热点处的 PRI 和 SIF（PRI hs和 SIF hs）[ 19 , 38 ]。我们修改了 Hilker 等人首次应用于针叶林 P​​RI 的半经验核驱动 BRDF 模型。

式中，ρ为多角度下的PRI和SIF；k i、  k g和k v是不同的散射分量（各向同性、几何和体积）；K L和K R是 Li-Sparse [ 39 ] 和 Ross-Thick [ 40 ] 内核（LSRT），已被证明在植被生态系统中具有更好的应用[ 41 , 42 ]。图3为PRI和SIF的多角度观测值和BRDF建模的角度分布，结果表明多角度的PRI/SIF特征分布与BRDF模型接近。

张等人提出的两叶模型。[ 26 ]是基于4尺度几何光学模型[ 43 ]与角度归一化校正相结合构建的。该模型可以区分阳光照射和阴影叶片的冠层 PRI/SIF，并且总冠层 PRI 和 SIF（PRI tot和 SIF tot）计算为阳光照射和阴影 PRI/SIF 各自的阳光照射和阴影 LAI 加权之和。模型的主要流程如下。

数据分类和模型评估
观测数据采集时间为2018年8月3日至10月4日，09:00至15:00每半小时采集一次，共325组数据集（25天）。每个数据集包含半小时通量数据和1500个多角度冠层遥感数据点。通过按日期和时间对数据进行排序，创建了建模数据集（286 组，22 天）和验证数据集（39 组，3 天）。验证集的年份（DOY）为224、251和271，这3个日期分别代表水稻的抽穗、灌浆和成熟阶段。
根据09:00至15:00每半小时采集的多角度PRI和SIF数据，采用多元回归进行参数反演。使用均方根误差（RMSE）和确定系数（R 2）来评估GPP估计模型的准确性。

结果
将基于多角度高光谱观测的植被指数与EC观测系统每半小时和日尺度观测到的通量数据进行比较。采用线性模型考察不同时间尺度下PRI/SIF与GPP的相关性，建立GPP估计模型。探讨了PRI/SIF对环境的响应，并计算了验证数据集的R 2 、RMSE和RPD，以评估不同GPP估计模型的准确性。

不同时间序列的 PRI、SIF 和 GPP
图4显示了 GPP、LAI 和 PAR 的每日时间序列。LAI 首先呈现上升趋势，在 DOY 224 达到峰值 7.7，随后下降。阴天（日均 PAR < 1,000）GPP 与 LAI 之间无相关性，而晴天（日均 PAR > 1,000）则相关性较强。图5比较了平均每日 SIF tot、SIF hs、PRI tot和 PRI hs值。SIF tot大于 SIF hs，而 PRI tot小于 PRI hs。SIF有效追踪GPP每日变化（图5 ）），而 PRI 只能跟踪晴天的变化。每日平均SIFc、SIFh、PRIc和PRIh与GPP的关联如图6所示。与BRDF标准化热点处理相比，二叶模型中冠层遮荫和阳光照射的叶子的区分提高了SIF/PRI和GPP的相关性，其中PRI的改善更大。PRI tot和 SIF tot分别解释了每日 GPP 变化的 72.0% 和 92.8%。

图7使用 SIF tot、 SIF hs、 PRI tot和 PRI hs比较了观察期间每个半小时时间序列的 GPP 。GPP 的峰值出现在 11:30 和 12:30，谷值出现在 12:00。SIF 的趋势与 GPP 类似。相比之下，PRI 半小时走势则相反，在 11:30 和 12:30 出现 2 个波谷。与 PRI hs和 SIF hs相比，PRI tot和 SIF tot的半小时变化更加呈抛物线状，与 GPP 趋势更加一致。图8显示 GPP 和 PRI/SIF 半小时系列之间的相关性。考虑了冠层遮荫和太阳叶之间的区别后，在估计 GPP 时，PRI tot和 SIF tot大于 PRI hs和 SIF hs，并且分别可以解释 GPP 变化的 61.5% 和 81.0%。

不同环境胁迫对 PRI 和 SIF 的影响
为了探讨环境因素对PRI和SIF估计性能的影响，半小时PRI/SIF与PAR、T和VPD之间的关系如图9所示。一般情况下，PAR和VPD对SIF的影响大于PRI；T对 SIF 的影响比对 PAR 的影响小，但对 PRI 的影响比对 PAR 的影响稍大。表1显示了不同 LAI、 T和 VPD 间隔的 GPP 和 PRI/SIF 之间的相关系数。当 LAI > 7 ( R 2 = 0.92)、25 °C < T < 30 °C ( R 2 = 0.79) 和 VPD > 3 kPa ( R 2 )时， R 2最高= 0.78) 就 SIF tot和 GPP之间的关系而言。LAI 对 GPP 的 PRI/SIF 估计具有线性影响，而T和 VPD 具有非线性影响。

PRI 和 SIF 估计 GPP 的建模和验证
如表2所示，使用各自的建模数据集创建了PRI-GPP、SIF-GPP和PRI+GPP线性估计模型。结合 PRI 和 SIF 来估计 GPP 比单独使用 PRI 和 SIF 更准确。在两叶模型区分树冠的遮荫叶子和阳光照射叶子之后，估计模型的决定系数急剧增加，PRI tot +SIF tot -GPP 模型的R 2 = 0.86 和 RMSE = 3.7。图10确认了估计模型并使用了表1中的6个估计模型获得 GPP 估计值，该估计值与验证数据集中的 GPP 观测值形成散点分布。PRI和SIF的结合取得了比个体植被指数估计模型更好的结果（图10E和F）。区分阳光照射和阴影叶片后，观测值和估计值的分布更接近1:1线，RPD远大于PRI hs /SIF hs估计模型。PRI tot +SIF tot -GPP 模型表现最好，R 2 = 0.88，RMSE = 3.8，RPD = 2.71。验证结果表明，PRI 和 SIF 的结合提高了预测精度，我们确定了 PRItot +SIF tot -GPP 模型是最适用的 GPP 估算模型。

讨论
PRI 和 SIF 开发的 GPP 估算模型
如表2所示，PRI改进了SIF和GPP估计模型之间的R 2和RMSE，无论是在热点还是在整个冠层，使得估计模型更加高效。这种改进的必要条件是 PRI 与 NPQ 相关，NPQ 是一种影响光化学和荧光量子产率并调节叶黄素循环的能量途径。许多研究证实 NPQ 和 PRI 之间存在良好的关系，其线性R 2范围为 0.6 至 0.9 [ 8 , 10 – 13 , 49 – 55]，表明 PRI 是 NPQ 遥感的良好代理。本研究使用了来自水稻冠层的更详细的光谱数据来证明使用 PRI 来改善 SIF-GPP 在每个半小时时间步长的空间相关性，并证明 PRI 和 NPQ 之间的高度一致性。这些结果与 Wang 等人报道的结果相似。[ 14]。相比之下，本研究在时间尺度上更加详细，并且适用于作物冠层，其中光合作用的每日变化更加复杂。本研究采用的PRI+SIF-GPP估算模型可为卫星遥感追踪大面积碳循环提供参考。然而，水稻等粮食作物的肥力较短，受到观测时间跨度的限制。未来应考虑在实验场进行额外的高光谱观测来校准估计模型。

热点与总冠层 PRI/SIF 的比较
结果如图。图 4和图 5证明了两叶模型对水稻冠层的适用性，因为 GPP 和 LAI 之间具有良好的相关性。然而，两叶模型的有效性很大程度上取决于 LAI [ 56 , 57 ]。我们注意到，在每半小时的变化中，最大的GPP值出现在12:00左右（图7）。尽管 GPP 在 12:00 呈现中午光合作用“抑制”，但这种现象在 PRI 和 SIF 中都有反映，其中 SIF hs和 PRI hs显而易见。然而，在区分阳光照射和阴影的冠层叶子后，“抑制”作用减弱，因为与顶部叶子相比，其他下部叶子接收到的太阳辐射往往保持相对较低。因此，SIF tot和 PRI tot在 12:00 左右出现极值的可能性较小 [ 58 ]。
使用 BRDF 模型进行冠层标准化的标准是它应该不受观察到的背景反射的影响，表1中的结果支持了这一点。LAI 的降低影响了多角度水稻观测的 BRDF 模型的校准。在不同LAI条件下，PRIc和SIFc与二叶模型估计的GPP的相关性优于PRIh和SIFh。然而，根据方程式，背景参数也是两叶模型的一部分。8 . 巴格利等人。[ 59 ]和Zeng等人。[ 60] 建议将归一化植被指数 (NDVI) 乘以近红外 (NIR) 反射率，以减轻背景反射的有害影响。尽管如此，根据卢等人的说法。[ 61 , 62 ]，NDVI补偿的应用削弱了SIF估算阔叶林GPP的能力。此外，从观测光谱获得的NDVI并没有受到背景信息消除的影响[ 58 ]。

本研究采用PROSPECT模型计算叶片反射率，而不是通过多角度观测反射率的最大值来计算[ 26 ]，提高了基于水稻冠层获取叶片反射率的准确性。这是因为直射阳光下的叶子反射率可能与有限的观察角度不一致[ 57 ]。在本研究建立BRDF模型的基础上，将考虑对BRDF模型的建立和热点选择进行优化，并在未来将BRDF模型融合到二叶模型中以支持叶子反射率。根据图。从图6和图8可以看出，SIF tot比SIF hs具有更好的跟踪性能，而 PRI tot可以更准确地估算 GPP。每日和半小时线性回归分析结果表明，SIF tot和 PRI tot与 GPP 的相关性高于 SIFhs 和 PRI hs。与主要收集顶叶辐射信号的SIF hs和PRI hs相比，SIF tot和PRI tot捕获了所有水稻冠层的SIF和PRI，而我们的涡通量观测也针对整个水稻冠层；因此，SIF tot和 PRI tot可以表现出与 GPP 更强的一致性。表2和图10表明 SIF tot和 PRI tot在估计 GPP 方面比 SIF hs和 PRI hs表现更好；然而，在构建大规模SIF+PRI-GPP模型时必须考虑尺度转换因子。获取 SIF tot和 PRI tot根据现有的卫星 SIF 和 PRI 数据，需要一些参数，例如 LAI。然而，这些参数通常是粗略常数或 8 天产物，需要时间插值来细化它们。将在不同农业区域开展实验，对卫星光谱观测进行更宽波段的校准，全面了解GPP变化与叶黄素光谱反射率和荧光相关吸收特征的相关性，为GPP参数校准提供参考全球农业地区的模式。

PRI 和 SIF 对环境因素的响应
GPP的PRI和SIF估算环境因素复杂；例如，T和VPD强烈影响PRI和GPP之间的关系。其主要原因是温度和湿度的变化影响了叶片光合器官的活动。此外，本研究发现高低温和VPD都限制了GPP的PRI和SIF跟踪（表1），这表明温度和水汽对GPP遥感估算研究的积极影响存在一个阈值。水稻冠层。本研究中温度对植被指数估算的影响与一些森林生态系统研究的结果类似[ 22 , 26 ]]，但VPD的效果存在差异[ 21 , 22 ]，这可能是由于不同植被类型叶片光合器官对水的敏感性不同所致。后续将针对不同作物开展水汽对遥感估算影响阈值的研究。不同的天气条件导致不同的 PRI/SIF-GPP 相关性；因此，开发作物整个生育期的实证 SIF+PRI-GPP 模型仍然是一个挑战。

结论
我们的主要目标是研究 SIF 与 PRI 相结合来估计 GPP，并比较热点和总冠层的 PRI/SIF 估计能力。验证数据集的结果表明，PRI的加入提高了SIF估算GPP的准确性和稳定性，并且总冠层的PRI/SIF表现优于热点。这些结果证明了结合SIF和PRI进行GPP估计的可行性。我们的研究为利用无创采样准确跟踪作物光合作用过程开辟了新的视角，并为研究植被指数对环境的响应提供了参考。