Estimation of field-scale crop evapotranspiration from the mechanistic SIF-ET model using the UAV hyperspectral imagery
Ruiqi Du · Yonghong Zhang · Youzhen Xiang 等 7 人
利用无人机高光谱影像构建田间尺度SIF-ET机理模型，实现作物蒸散发高精度估算。
无人机窄波段高光谱结合SCOPE模型反演SIF，耦合光响应与水碳关系构建SIF-
小麦估算精度最高（R²=0.72–0.94），模型能稳定捕捉多生育期蒸散发动态与空间异质性。
可探索多作物多环境下的SIF-ET普适性，并融合热红外与机器学习提升胁迫诊断能力。
该研究基于无人机高光谱与SIF-ET机理模型实现田块尺度作物蒸散发高精度估算，方法新颖、验证充分，对精准灌溉与水氮管理有实质参考价值，值得进入每日精选。
准确估算蒸散发（ET）对农业水资源管理和理解陆气相互作用至关重要。传统的热红外与光学遥感是估算ET的有力工具，但现有方法仍受限于经验参数化、校准复杂性和适用性有限等问题。作为植被光合作用的直接指示因子，日光诱导叶绿素荧光（SIF）能够通过机理明确的框架实现一致且准确的ET估算，且无需对SIF-GPP关系进行站点特定的经验校准。然而，当前基于SIF的ET估算主要依赖粗分辨率卫星数据，其解析农田高分辨率ET动态的能力尚未得到探索。为此，本研究整合机理光响应模型与水碳关系，利用无人机窄波段高光谱影像构建了田块尺度的SIF-ET模型。主要结论如下：（1）利用光化学与能量通量（SCOPE）模型，从无人机高光谱影像中反演了1 nm光谱分辨率下油菜、大豆和小麦的高分辨率冠层SIF₇₄₀；（2）基于SIF-ET模型的日ET估算值在多个生育期和水氮处理下与原位观测进行了验证，其中小麦精度最高（R²=0.72–0.94，RMSE=0.04–0.11 mm/d，MAPE=1.70–5.89%），油菜和大豆次之；（3）各生育期内重复无人机观测的累积ET误差均在可接受范围内，表明SIF-ET模型在捕捉长期ET动态方面具有稳定性。总体而言，基于无人机高光谱影像的SIF-ET模型揭示了精细尺度的农田ET时空异质性。这些发现为精准灌溉、合理水氮管理以及变化环境条件下的胁迫诊断提供了支持。