用日光誘導葉綠素熒光和光化學植被指數(shù)建立水稻冠層總初級生產(chǎn)力模型

準確估計總初級生產(chǎn)力GPP對于捕捉植被生長狀況、了解全球碳匯分布以及了解陸地植被對氣候變化的影響至關(guān)重要。基于遙感技術(shù)的太陽誘導葉綠素熒光(SIF)為監(jiān)測植被光合作用提供了一種工具，但是僅僅利用SIF和GPP之間建立一個反映熒光信息和光合作用的簡單關(guān)系是不夠的，結(jié)合光化學植被指數(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生態(tài)與應(yīng)用氣象學院，江蘇省農(nóng)業(yè)氣象重點實驗室以及中國氣象局國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。
 

本文使用來自多角度光譜儀的PRI和SIF以及來自渦協(xié)方差系統(tǒng)的GPP來評估PRI增強SIF-GPP估計模型的能力。首先通過采用半經(jīng)驗核驅(qū)動的雙向反射分布函數(shù)(BRDF)模型來描述熱點PRI/SIFs (PRIhs/SIFhs)，并采用改進的雙葉模型來計算總冠層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 顯示在對應(yīng)圖中.

本文還比較了PRIhs/SIFhs和PRItot/SIFtot在估計GPP時的準確性。驗證結(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，相對預測偏差(RPD)為2.71。PRI和SIF的組合提高了預測精度，最終建立水稻冠層總初級生產(chǎn)力模型。

本文的主要目標是研究SIF與PRI結(jié)合估算GPP的能力，并比較PRI/SIF在熱點和總冠層的估計能力。驗證數(shù)據(jù)的結(jié)果表明，結(jié)合PRI和SIF估計GPP比單獨使用PRI和SIF更準確，PRI的加入提高了SIF估計GPP的精度和穩(wěn)定性，且總冠層的PRI/ SIF優(yōu)于熱點的PRI/ SIF。這些結(jié)果證明了SIF和PRI相結(jié)合估算GPP的可行性，為利無損采樣技術(shù)準確跟蹤作物光合過程開辟了新的視角，為研究植被指數(shù)對環(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)大學基于深度學習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 | 使用無人機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，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應(yīng)用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

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