日光诱导叶绿素荧光信号如何在作物病虫害症状出现前发出预警

【核心摘要】

- 日光诱导叶绿素荧光（SIF）能够在植物光合系统受损、但叶片外观仍正常时检出异常，比肉眼可见病斑提早数天至数周。

- 传统植被指数（NDVI、EVI）依赖叶绿素含量变化，胁迫初期往往无响应；SIF直接测量光合过程的量子辐射信号，不存在这一滞后。

- 爱博能 ABN-SIF-1 / ABN-SIF-2 在线式系统支持长期无人值守连续运行，自动优化积分时间，远程数据传输，防雨防尘保护。

- 目前该技术尚无统一行业标准，不同作物和病害的荧光响应幅度存在差异，阈值设定需本地化标定。

SIF是什么

SIF（日光诱导叶绿素荧光）是植物吸收日光后以荧光形式重新发射的量子辐射信号。它的产生与光合作用过程直接关联：阳光照射叶片后，能量有三条去路——光合作用、热耗散、荧光发射。当光合作用受抑制时，荧光产率也随之改变。这种物理联系使SIF成为植物光合系统功能状态的直接指示器（Baker, 2008, Annual Review of Plant Biology）。

病害潜伏期的技术机会

病原菌入侵后，光合系统先于叶片外观出现损伤

病原菌侵入细胞壁时的一个关键变化发生在叶绿体类囊体：细胞膜通透性首先改变，类囊体结构受到干扰，光系统II（PSII）的光化学效率随之下降。这个过程属于细胞层面的功能损伤，通常比肉眼可见的病斑提早数天至数周。

同期叶片外观仍然正常，叶绿素含量无明显变化，NDVI值不出现异常。但光合系统已经在受损。

等待可见症状，防治已经滞后

以白粉病为例：

- 从孢子萌发到田间可见病斑：7 至 14 天

- 再侵染周期：仅需 3 至 5 天

在病斑出现前检测到SIF信号的异常压低，可以在病原菌指数级扩增之前完成防治部署。反之，等叶片出现症状再行动，病原菌已经完成至少一轮再侵染。

注：田间植物外观正常，不等于光合系统功能正常。SIF能够捕捉到光合系统最早期的功能损伤——这是目前已知的胁迫最早响应信号。

植被指数为什么"看"不到早期胁迫

测量对象不同：反射率 vs. 荧光

NDVI、EVI等植被指数测量的是叶片对光的反射，本质上是叶绿素含量和冠层结构的代理变量。胁迫初期有两个关键事实：

- 叶绿素含量往往维持稳定

- 叶片尚未退绿，反射率不发生明显变化

植被指数无响应时，光合系统内部的电子传递链已经在受损。这是基于光谱反射率的测量方法的结构性局限。

相关研究

Zhang et al.（2025, GIScience & Remote Sensing）对中国北方大范围草地的研究指出，传统反射率植被指数在捕捉"环境胁迫响应"的生理过程时存在系统性局限。SIF作为光合作用直接的量子辐射信号，能够区分"形态健康但功能受损"的植被状态。

SIF与光合作用过程存在直接的物理联系，其信号受植被冠层内叶片重吸收与散射效应的共同调制。当前SIF的时空模拟与预测模型主要依赖可见光-近红外波段反射率作为预测因子，而对气象信息的融合仍相对有限。Zhang et al. 通过整合气候条件、植被生理状态、土壤状况、生物量水平及人类活动等多源信息对反射率数据进行增强，并采用空间精准的点位变量采集策略，实现了SIF数据的精确点位预测。

Cui et al.（2017, Scientific Reports）在全球人口最多的10个城市圈的植被GPP与SIF时序一致性研究中确认，SIF季节动态对光合变化的追踪精度显著高于EVI，二者相关性在多数城市圈超过 0.8。EVI在胁迫响应中普遍滞后。

反射率植被指数测的是"结果"——叶绿素含量有没有变化。SIF测的是"过程"——光合电子传递是否正常。两者的时间窗口不同。

2000年至2014年全球10个城市年总初级生产力（蓝色）、日均最大总初级生产力（GPPmax，橙色）及碳吸收期（CUP，灰色）的年际变化。

2000年至2014年10个城市年总初级生产力（蓝色）与增强型植被指数（EVI，橙色）的年际变化。

从单点测量到连续监测

第一步：建立时间序列基线

单次SIF读数只能反映某时刻的冠层光合状态。用于预警的是连续时间序列数据。标准化的操作流程：

1. 在生长季内建立SIF基线，确定正常物候期下的荧光均值与波动范围

2. 当某时段SIF值持续偏低、偏差幅度超过预设阈值时，先结合气象数据排查是否为光照或温度引起的正常波动

3. 排除气象干扰后，进入病虫害专项核查

第二步：部署地面连续监测设备

这套逻辑依赖连续、稳定、高频的地面数据。单次测量或低频采集无法建立有意义的基线，也无法区分短暂的天气波动与持续的生理异常。

爱博能 ABN-SIF-1 和 ABN-SIF-2 在线式系统的设计即面向这一需求：

- 长期无人值守连续运行

- 自动优化积分时间

- 远程数据传输

- 防雨防尘保护

- 适用于农田、林地等全时段监测场景

地面系统还可与无人机巡田数据联动：地面系统发现异常后，无人机快速覆盖同一区域做大范围排查，形成"地面确认异常，空中快速扫描"的协同工作方式。

技术现状：尚未标准化

SIF用于病虫害预警目前没有统一的行业标准。原因在于：

- 不同作物对同一病害的SIF响应幅度不同

- 不同病害的响应时间窗口存在差异

- 现有研究结论大多来自特定作物和特定病害的试验环境

阈值设定需要本地化标定。地面连续监测设备的核心价值之一，正是为本地化基线的建立提供数据积累条件。足够长时间的历史数据，才能支撑有实际分辨力的预警阈值。

【常见问题 FAQ】

ABN-SIF系统适用于哪些作物和种植场景？

系统部署场景涵盖农田、林地、果园等。不同作物的SIF响应特征存在差异，阈值设定需针对具体作物和病害做本地化标定。

需要多长时间的数据积累才能建立有效基线？

至少需要一个完整生长季的数据，才能覆盖正常物候期内SIF的均值与波动范围。数据积累越长，基线的统计分辨力越高。

SIF预警目前有行业标准吗？

尚无统一行业标准。目前的研究结论大多来自特定作物—特定病害的试验组合。行业层面的标准化工作尚在推进中。

地面系统与遥感数据如何配合？

地面系统提供连续的时间序列数据用于建立基线和异常检出，无人机或卫星遥感数据用于大范围空间覆盖。两者互补：地面定标，空中扫描。

参考文献

1. Baker, N.R. (2008). Chlorophyll fluorescence: a probe of photosynthesis in vivo. Annual Review of Plant Biology.

2. Cui, Y., Xiao, X., Zhang, Y. et al. (2017). Temporal consistency between gross primary production and solar-induced chlorophyll fluorescence in the ten most populous megacity areas over years. Scientific Reports.

3. Zhang, L., Guo, Y., He, Y. et al. (2025). Spatiotemporal simulation and prediction of solar-induced chlorophyll fluorescence (SIF) across large-scale grasslands via multi-source data synergy: a case study of Northern China. GIScience & Remote Sensing.