SIF,LAI,NDVI,NIRv,PRI
本来想尝试写博客的，试了博客园，只是界面还是过于复杂，一上手感觉是为了写博客而写博客。而我理想的博客只是记录一下自己学习时遇到的问题，并不想接受过多外界信息。也有考虑就写在Word里，保存在云空间，但是怕以后都积累在一篇word里，难以查找回顾。而至于搭建自己博客，对搭建和维护都不太了解，所以先暂时用B站记录吧，或许暑假会学习弄一个最简单的静态博客。
双碳的实现，在减排之外，目前最重要的手段就是提高植被的固碳能力，即净初级生产力——NPP，一般也可以用总初级生产力——GPP表征。
通过对特定波段遥感数据计算，可以获取植被覆盖、植被生化性质、植被结构等信息。
冠层结构：叶片数量及其分布情况
一，这些信息可以用作光合作用模型的动态输入。
二，一些遥感植被参数，如日光诱导叶绿素荧光（sun-induced chlorophyll fluorescence,SIF），可直接对植被的光合作用进行直接监测。
植被遥感手段
SIF: 日光诱导叶绿素荧光，是植物在太阳光照条件下,由光合中心发射出的光谱信号(650~800 nm),具有红光(685 nm左右)和远红外(740 nm左右)两个波峰,能直接反映植物实际光合作用的动态变化实现作物病害的遥感监测。被认为是近年来遥感估算GPP研究领域最大的突破。SIF为自然条件下的光合作用研究提供了前所未有的机会。
植物叶绿体在进行光合作用时，所吸收的光能，有一部分会以荧光的形式散发出去。产生的荧光总量，是了解光合速率的直接数据。遥感SIF被视为近年来遥感估算碳吸收的最重要的突破，被迅速应用于大尺度植被光合作用计算。无论是单株植被冠层观测，生态系统长时间连续观测，还是全球卫星遥感产品，SIF均显示出与GPP良好的相关关系，且优于其他植被指数。随着无人机（SUV）发展，航空 SIF 成本会进一步降低，长时间航空 SIF 观测成为可能。
为什么SIF是测量大尺度GPP的利器：
一，SIF信号直接产生于植被光合作用过程中，更为直接，与GPP之间的关系有着明确的植被生理学基础。比如，对于常绿植被，植被指数在生长季和非生长季的区别很小，GPP则有着明显的季节动态变化--在冬季常绿植被基本上不进行光合作用，而SIF依然保持与GPP一样的季节变化趋势。
二，SIF是有物理意义的能量值（mW/m2/nm/sr），这意味着SIF受到基本物理定律的限制，这保证了SIF观测的统一性。可以通过控制实验等传统方法对SIF开展研究。而植被指数往往是不同波段的经验组合，无法从物理角度对其进行解释，且植被指数一般没有单位，难以进行量纲分析。
三，不同于涡度相关系统，SIF是这一种光谱数据，与卫星的光谱传感器数据结合更容易。进而可以进行更大尺度的GPP观测。
LAI：叶面积指数，叶片的疏密程度。是影响冠层吸收光合有效辐射能力的关键因子，某种程度上决定了冠层的光合作用能力，进而影响生态系统碳循环。
站点尺度——叶面积指数仪测量；更大尺度——遥感反演获取。
对常绿植被，LAI年际波动小，不能捕捉植被光和动态。是个结构量，难直接用于GPP计算。
NDVI：归一化植被指数，利用植物在红光波段强吸收，近红外强反射。
叶绿素含量高，吸收更多红光波段能量；
生物量更多，散射/反射更多红外辐射。
NDVI通过差分突出植被信号，抑制土壤信号。
优点：与叶片叶绿素含量之间存在良好相关关系，可用于植被密度参数估算（如LAI，植物吸收的光和有效辐射比例FPAR）
不足与解决方法：高植被覆盖度下存在饱和问题——改进NDVI算法，增强植被指数EVI。 不能真实反映植被光和作用动态——Badgley提出的NIRv。
NIRv：陆地植被的近红外反射率，
同样存在高值区饱和问题，年际变化小，无法表示常绿植被光合特性
PRI：光化学反射植被指数（PRI）是一种窄波段植被指数，通过下面公式进行计算：图1
光反应吸收的能量有三种可能的去向，包括光化学、荧光和热耗散。热耗散是通过叶黄素的状态转换实现的，叶黄素的变化会引起531nm和570nm处反射率的变化，所以PRI是热耗散良好的指示因子。由于荧光在植被吸收能量分配中占比很小，所以光化学和热耗散之间具有竞争关系，即PRI与光化学呈反比关系。因此PRI被广泛应用于光合作用模型（如光能利用率LUE模型），并被证明与LUE的良好相关关系。然而，PRI与LUE的关系受到多种色素含量的影响，且其关系在生态系统尺度不稳定，这些缺点限制了PRI的使用。
