卫星遥感技术在生态学研究中发挥着越来越重要的作用，尤其是在理解生态系统功能和全球碳循环方面。近年来，太阳诱导叶绿素荧光（Solar-induced Chlorophyll Fluorescence, SIF）作为一种反映植物光合作用的可靠指标，受到广泛关注。SIF的获取主要依赖于卫星遥感数据，但受限于卫星扫描范围与空间分辨率之间的固有权衡，以及空间覆盖不完整和时间采样不规律等问题，其在精细尺度生态研究中的应用受到一定限制。因此，如何提升SIF的空间分辨率，成为推动生态学研究的重要方向之一。
本研究提出了一种中国区域的高分辨率SIF数据集（China National SIF, CNSIF），时间跨度为2003年至2022年，空间分辨率为500米。该数据集通过深度学习方法，整合了高分辨率的Landsat 7/8和Sentinel-2卫星地表反射率数据以及热红外数据，从而实现了对植被光合活动的高精度捕捉。CNSIF不仅能够反映植被的光合空间格局，还揭示了显著的年度增长趋势（0.054 mW m⁻² sr⁻¹ nm⁻¹ year⁻¹）。与基于塔基观测的SIF数据对比，CNSIF在不同生态系统中能够追踪月度光合动态，其R²值范围从0.324（
p < 0.01）到0.947（
p < 0.001），显示出良好的一致性。此外，CNSIF与塔基观测的总初级生产力（Gross Primary Productivity, GPP）之间也表现出强相关性（R² = 0.55，
p < 0.001），进一步证明了其在碳通量估算中的应用潜力。
与现有的高分辨率SIF产品相比，CNSIF在解析破碎景观、减少空间伪影以及提高异质生态系统中精细尺度特征（如冬小麦田、城市边界）的识别方面展现出明显优势。这些优势使得CNSIF成为监测植被动态和评估破碎农业生产的一种有力工具。同时，CNSIF的高分辨率估算能力也促进了生态系统破碎效应在地球观测和碳循环系统中的整合，为生态学研究提供了更加精细的数据支持。
尽管SIF技术在生态系统研究中取得了显著进展，但目前全球范围内高分辨率、长期连续的SIF数据集仍然较为稀缺。这主要受限于输入数据和解释变量的空间分辨率，以及SIF反演过程中所面临的挑战。因此，本研究致力于填补这一空白，通过深度学习方法构建了一个覆盖中国区域、时间跨度长达20年的高分辨率SIF数据集。该数据集的建立不仅有助于更全面地了解中国区域的植被动态，也为东亚地区的生态系统研究提供了重要的数据支持。
CNSIF的构建过程采用了多种遥感数据源，包括地表反射率数据和热红外数据。这些数据来自Landsat 7/8和Sentinel-2卫星，具有较高的空间分辨率和时间连续性。通过深度学习算法，我们能够从这些数据中提取出与植被光合作用相关的SIF信号，并将其转化为高分辨率的SIF数据集。这种数据驱动的方法在提升SIF空间分辨率方面表现出良好的效果，同时也能够减少由于数据不完整或时间采样不规律所带来的不确定性。
在验证过程中，CNSIF的数据质量得到了充分评估。我们通过与基于塔基观测的SIF数据和GPP数据进行对比，发现CNSIF在不同生态系统中能够准确反映植被的光合动态，其R²值范围较广，表明其在不同环境条件下的适用性。此外，CNSIF与现有的高分辨率SIF产品（如HCSIF和BCSIF）在破碎农业景观中的对比也显示了其在解析复杂空间结构方面的优势。这些结果进一步支持了CNSIF在生态学研究中的应用价值。
CNSIF的建立不仅有助于提升植被光合活动的监测能力，还为理解生态系统破碎效应对碳循环和水循环的影响提供了新的视角。通过高分辨率SIF数据，我们可以更准确地识别不同生态系统中的光合动态变化，从而为环境管理、农业规划和气候变化研究提供科学依据。此外，CNSIF的公开发布也为全球范围内的研究者提供了重要的数据资源，促进了不同研究领域之间的合作与交流。
本研究的成果表明，通过深度学习方法，可以有效提升SIF的空间分辨率，克服传统卫星数据在精细尺度生态研究中的局限性。CNSIF的建立不仅为中国的植被动态研究提供了新的工具，也为全球范围内的生态学研究提供了重要的参考。未来，随着遥感技术的不断发展和数据处理方法的进一步优化，高分辨率SIF数据集将在生态系统研究中发挥更大的作用。这些数据集将有助于更深入地理解植被与环境之间的相互作用，推动生态学研究向更高精度和更广泛应用的方向发展。
