全球高分辨率（8天，0.05°）日光诱导叶绿素荧光数据集（2001-2020）

光合作用是连接碳和水循环的关键过程，卫星检索的日光诱导叶绿素荧光 (SIF) 可以作为光合作用的有价值的代理。Copernicus Sentinel-5P 任务上的TROPOspheric Monitoring Instrument (TROPOMI) 能够显着改进提供高空间和时间分辨率的 SIF 观测，但数据记录的短时间覆盖限制了其在长期研究中的应用。我们使用机器学习在具有高时空分辨率（0.05°，8 天）的晴朗天空条件下重建 2001-2020 年期间的 TROPOMI SIF (RTSIF)。我们的机器学习模型在训练和测试数据集上表现良好（R^2 = 0.907, regression slope = 1.001）。RTSIF 数据集针对 TROPOMI SIF 和基于塔的 SIF 进行了验证，并与其他卫星衍生的 SIF（GOME-2 SIF 和 OCO-2 SIF）进行了比较。 RTSIF 与总初级生产 (GPP) 的比较说明了 RTSIF 在估算碳通量方面的潜力。这个数据集将在评估长期陆地生态系统光合作用和全球碳水通量方面有重要价值。

Photosynthesis is a pivotal process linking the carbon and water cycles. Satellite-retrieved solar-induced chlorophyll fluorescence (SIF) serves as a valuable proxy for photosynthesis. The TROPOspheric Monitoring Instrument (TROPOMI) aboard the Copernicus Sentinel-5P mission can substantially improve SIF observations with high spatial and temporal resolution, yet the short temporal coverage of its data record restricts its application in long-term research. We employed machine learning to reconstruct TROPOMI SIF (RTSIF) for the period 2001–2020 under clear-sky conditions with a spatial resolution of 0.05° and temporal resolution of 8 days. Our machine learning model performs excellently on both training and test datasets, with R² = 0.907 and regression slope = 1.001. The RTSIF dataset was validated against TROPOMI SIF and tower-based SIF, and compared with other satellite-derived SIF products including GOME-2 SIF and OCO-2 SIF. Comparisons between RTSIF and gross primary production (GPP) demonstrate the potential of RTSIF for estimating carbon fluxes. This dataset holds significant value for evaluating long-term terrestrial ecosystem photosynthesis and global carbon and water fluxes.

搜集汇总

背景与挑战

背景概述

该数据集是一个全球范围的日光诱导叶绿素荧光（SIF）数据集，覆盖2001年至2020年，具有高时空分辨率（0.05°，8天），通过机器学习算法重建TROPOMI SIF数据而成，旨在长期监测陆地生态系统光合作用。数据集包含125.33 GB的GeoTiff文件，单位是mW m−2 nm−1 sr−1，开放获取，可用于评估碳和水循环通量，支持全球环境变化研究。