日光诱导叶绿素荧光(SIF)作为直接的光合活性指标，对陆地蒸散量(ET)的动态监测、模型优化及区域碳-水耦合研究具有重要价值，并对气候变化评估、水资源管理指导和田间灌溉决策产生重大影响。然而，由于模型存在的结构误差和参数误差，利用遥感SIF估算ET仍具有较大的挑战。

_{近日，中国科学院西北生态环境资源研究院冰冻圈科学与冻土工程全国重点实验室研究团队构建了两种融合物理约束与机器学习方法的SIF驱动耦合ET模型，即物理引导混合ET模型（ETPHEM）和物理引导纯机器学习ET模型（ETPMEM）。}

_{ETPHEM模型利用机器学习框架改进冠层气孔导度-SIF物理模型（gc -SIF模型），再将改进的机制模型镶嵌至Penman-Monteith模型框架，构建ET模型。ETPMEM模型则将gc -SIF模型物理模型嵌入Penman-Monteith模型框架，再利用机器学习框架改进镶嵌gc -SIF物理模型后的Penman-Monteith模型，最终形成ET模型。}

此外，研究人员利用全球包含8种植物功能类型的52个站点评估了2种耦合ET模型的性能，并与SIF驱动的半机理ET模型进行了比较，分析了两种耦合ET模型的泛化性能和建模ET的优势。

_{研究表明，结合物理约束和机器学习模型的2种SIF驱动的耦合ET模型，表现出比SIF驱动的半机理ET模型更好的模型性能，与地面的观测结果最为接近。2种SIF驱动的耦合ET模型中，ETPMEM模型得到了最为准确的ET估算，能较准确地捕捉ET的季节动态，其整体决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和克林-古普塔效率系数（KGE）分别为0.84、0.58mm/day、0.39mm/day和0.88，且ETPMEM模型计算的所有站点ET多年总均值为1.79mm/day，基本接近站点观测的ET多年总均值1.80 mm/day。2种SIF驱动的耦合ET模型在多种极端环境条件中和数据稀疏区域具有较强的泛化性能。该研究为利用遥感技术开展全球尺度蒸散发估算提供了重要的理论支持与方法参考。}

该研究成果以Improving terrestrial evapotranspiration estimation using physics-guided machine learning model driven by solar-induced chlorophyll fluorescence为题发表于国际期刊Journal of hydrology。西北研究院博士研究生王仁军为论文第一作者，秦翔研究员为论文共同第一作者和通讯作者。该研究得到甘肃省生态文明重点研发计划、甘肃省重大科技专项、冰冻圈科学与冻土工程全国重点实验室自主部署项目和甘肃省教育厅高校教师创新基金项目等联合资助。

论文链接：https://doi.org/10.1016/j.jhydrol.2025.133468

SIF驱动的ET模型开发框架