精准预测作物产量对农业管理和粮食安全至关重要。传统方法依赖人工采样和统计估算，不仅耗时耗力，而且精度有限。近年来，随着遥感技术的发展，太阳诱导叶绿素荧光（SIF）成为一种具有潜力的新型作物监测指标。
那么，SIF是如何反映作物生长状况的？它在产量预测中有哪些优势？又受到哪些因素影响？南京农业大学农学院智慧农业团队对这些问题展开了系统分析。
「实验设计与方法」
研究人员在中国进行了连续两年的小麦田间试验，设置了不同氮肥施用水平、种植密度和品种的小麦小区。在不同时间尺度（包括关键生育期、日变化和全生长季时间序列）采集冠层光谱数据，并同步测定叶面积指数（LAI）、叶绿素含量（Cab）等参数，最终结合收获实测产量进行分析。
小麦农学参数（LAI和Cab）、日均VIs、日均SIF参数和PPFD的季节变化
「主要发现」
1. 时间尺度很关键
研究发现，在较大的时间尺度上，累积的SIF数据通常在小麦产量估计方面表现更好，多个生长时期的累积SIF值显示出更强的相关性。
2. 非线性模型更优
非线性模型通常能更准确地描述SIF与小麦产量的关系。尤其在瞬时测量尺度下，非线性模型比线性模型拟合效果更好。但随着时间尺度增大，两者差异逐渐缩小。
3. 最佳观测时期是开花期
在开花期测量的总近红外SIF（SIFNIR_tot）与产量相关性最高，是该时期最佳的产量预测指标。
关键生育期下SIF参数和植被指数与产量的相关性
4. 冠层结构影响显著
研究应用主成分分析法和偏最小二乘法的变量投影重要性分析，发现叶面积指数（LAI）和叶绿素含量（Cab）对SIF–产量关系有重要影响。其中，LAI的影响更大。两者都存在一个“最佳范围”。
偏最小二乘回归（PLSR）模型中影响因变量（yield/SIFypNIR或yield/SIFypNIR_tot的PC1）的因素（自变量的PC1：LAI、Cab和PAR）的变量投影重要性（VIP）得分
5. NDFI敏感但不强
归一化差异荧光指数（NDFI）对LAI和Cab的变化十分敏感，但在直接预测产量方面表现不如SIFNIR_tot。
「对农业的启示」
这项研究不仅明确了SIF在产量预测中的实用性，也指出了其受时间尺度、冠层结构和环境条件的综合影响。未来，通过多源数据融合与模型优化，SIF有望成为区域乃至全球尺度作物产量监测的核心手段。
拓展阅读：如何获取高质量SIF数据？
想要开展SIF相关研究或应用，高精度、可定制的地面或无人机载监测设备是关键。爱博能研发生产的日光诱导叶绿素荧光监测系统（ABN-SIF-2），配备双波段光谱仪，可同步获取SIF信号与多种植被指数，支持在线监测与无人机载监测。相比卫星遥感，该系统具备更高的空间分辨率，适合田间尺度精准监测，为农情研判与作物模型验证提供可靠数据支持。
论文：
Zhu, Jie, et al. “The Relationship between Wheat Yield and Sun-Induced Chlorophyll Fluorescence from Continuous Measurements over the Growing Season.” Remote Sensing of Environment, vol. 298, Dec. 2023, p. 113791. Crossref, https://doi.org/10.1016/j.rse.2023.113791.
