太阳诱导的叶绿素荧光（SIF）是光合作用的重要替代物。哥白尼哨兵-5P 任务所搭载的 TROPOspheric Monitoring Instrument（TROPOMI）提供了几乎覆盖全球的精细光谱分辨率，可进行可靠的 SIF 检索。然而，目前卫星获得的 SIF 数据集只有较粗的空间分辨率，限制了其在精细尺度上的应用。在此，我们利用加权叠加算法，从 TROPOMI 卫星上生成了 2000 年至 2022 年的中国高空间分辨率 SIF 数据集（500 米，8 天）（HCSIF），其空间分辨率为 3.5 千米乘 5.6-7 千米。我们的算法在验证数据集上表现出很高的准确性（R2 = 0.87，RMSE = 0.057 mW/m2/nm/sr）。HCSIF 数据集对照 OCO-2 SIF、基于塔的 SIF 测量值以及通量塔的总初级生产力（GPP）进行了评估。我们的数据集可促进对精细尺度陆地生态过程的了解，从而对生态系统的生物多样性进行监测，并对作物健康、生产力和压力水平进行精确的长期评估。比例因子为 0.0001。
Sentinel-5P
使用加权叠加集合算法，以 8 天的间隔对中国上空 500 米分辨率的 TROPOMI SIF（HCSIF）进行长时间（2000-2022 年）的降尺处理，中国是拥有 2 公顷以下土地的小农户最多的国家（2.3 亿）。HCSIF 数据来自加州理工学院 TROPOMI SIF 数据 11、中分辨率成像光谱仪 (MODIS) 植被指数38,39、fPAR 数据40、数字高程模型 (DEM) 数据41 和 ERA5-Land 数据42。这项研究的三个目标是：(1)开发一个基于堆叠的降尺度模型，并与地形相关变量相结合；(2)为中国制作一个长期的高分辨率 SIF 数据集（HCSIF）；(3)分别用通量塔、OCO-2 SIF 和 GOME-2 SIF 的 SIF、总初级生产力（GPP）的塔基测量数据对 HCSIF 进行评估。我们预计，这一新型数据集有望监测生态过程、碳循环，并评估气候多变性对农业和林业在精细尺度上的影响。
HCSIF 数据集是使用与 SR、LST、fPAR、气象因素和地形相关的多个特征生成的。采用包含三个基本学习器（CatBoost、RF 和 GBDT）的加权集成学习算法来构建缩小模型。HCSIF 数据集显著提高了 TROPOMI SIF 的空间分辨率，这有助于更好地表示空间细节。这种增强导致了 SIF 和 GPP 验证的高精度，无论是在站点级别和卫星观测。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。