用日光誘導葉綠素熒光和光化學植被指數建立水稻冠層總初級生產力模型
準確估計總初級生產力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重要�；谶b感技術的太陽誘導葉綠素熒光(SIF)為監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系是不夠的，結合光化學植被指數PRI在估算GPP方面具有巨大的潛力。
2024年2月，Plant Phenomics在線發表了南京信息工程大學生態與應用氣象學院，江蘇省農業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以及來自渦協方差系統的GPP來評估PRI增強SIF-GPP估計模型的能力。首先通過采用半經驗核驅動的雙向反射分布函數(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。驗證結果表明PRItot+SIFtot-GPP模型表現最好，相關系數(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力模型。
本文的主要目標是研究SIF與PRI結合估算GPP的能力，并比較PRI/SIF在熱點和總冠層的估計能力。驗證數據的結果表明，結合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的精度和穩定性，且總冠層的PRI/ SIF優于熱點的PRI/ SIF。這些結果證明了SIF和PRI相結合估算GPP的可行性，為利無損采樣技術準確跟蹤作物光合過程開辟了新的視角，為研究植被指數對環境的響應提供了參考。
論文鏈接：
https://spj.science.org/doi/10.34133/plantphenomics.0144
——推薦閱讀——
https://spj.science.org/doi/10.34133/plantphenomics.0123
Plant Phenomics | 東北農業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，群內不定期開展作者分享會、�？l布會等高質量活動。
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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，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、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄�？祁Ｎò睯CR2021影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。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。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：周欽陽（南京農業大學）
排版：史奕（南京農業大學）
審核：孔敏、王平
