近日，中国农业科学院农业资源与农业区划研究所在全球GOME-2卫星太阳诱导叶绿素荧光（SIF）反演研究方面取得重要进展。相关成果以“Global Retrieval of GOME-2 Sun-Induced Chlorophyll Fluorescence via Neural Networks Trained on Mixed-Pixel Simulations”为题，发表在《International Journal of Applied Earth Observation and Geoinformation》上。
太阳诱导叶绿素荧光作为植物光合作用的天然探针，能够直接表征植被的光合作用动态。卫星遥感SIF是实现大尺度陆地碳循环监测的重要手段。然而，现有反演技术面临两大严峻挑战：一是荧光信号相对于大气层顶辐射背景极其微弱；二是粗分辨率卫星观测常包含植被与土壤、雪等混合像元，极大地增加了信号准确提取的难度。
为解决上述科学难题，研究团队创新性地提出了一种基于模拟数据训练的神经网络反演框架（NN-SIF）。与依赖现有SIF产品进行训练的传统方法不同，NN-SIF完全基于耦合辐射传输模型（SCOPE和MODTRAN）生成的物理模拟光谱进行训练。更为重要的是，该框架首次明确考虑了混合像元条件、观测几何和大气变化，突破了传统算法依赖纯像元假设和现有训练数据集的局限性。
中国农业科学院农业资源与农业区划研究所博士后李石磊为论文第一作者，高懋芳研究员为通讯作者。该研究得到了北方干旱半干旱耕地高效利用全国重点实验室、国家重点研发计划、国家留学基金等项目的资助。
图 展示了NN-SIF、NR-SIF与SVD-SIF方法在独立合成数据集上的反演精度对比，包括预测SIF与真实SIF的散点图以及对应的残差直方图。
原文链接：https://www.sciencedirect.com/science/article/pii/S156984322600289X