農業科研站通常已具備氣象、土壤、物候等傳感器體系，各類設備分工明確。但植物數據大多停留在形態層面，光合系統以何種效率實際運行，往往缺乏連續的定量記錄。日光誘導葉綠素熒光（SIF）監測正是填補這一層的技術入口——它不需要采樣、不損傷植物，可以非接觸、連續地反映冠層的實時光合狀態。愛博能（ABN）圍繞這一需求，提供從地面定點到無人機機載的完整SIF監測方案。

地面定點：積累長時序基礎數據

在實驗小區或田間固定點位連續運行的SIF監測系統，提供的不是某天的截面，而是整個生育期的光合日變化曲線。聯合通量塔數據，可在站點尺度估算植被總初級生產力（GPP）。Bai et al.（2021）整合了FLUXNET2015全球212個通量塔站點數據，結合OCO-2衛星SIF產品（GOSIF）訓練機器學習模型，最終GPP估算精度R2=0.58，RMSE=2.74 gC·m?2，所需輸入變量少于傳統衛星GPP產品。科研站的連續地面SIF觀測記錄，可直接轉化為碳通量量化依據。

基于GOSIF SIF數據的全球GPP估算流程圖

ABN-SIF-1 為單通道在線式系統，光譜范圍650~800nm，光譜分辨率≤0.3nm，信噪比≥1000:1。設備置于恒溫箱內，配備全自動防雨防塵裝置，適合野外長期無人值守運行。

ABN-SIF-2 在ABN-SIF-1基礎上增加第二臺光譜儀（300~1100nm），可同步獲取全波段植被指數，一次部署同時輸出SIF與NDVI/EVI等多項指標，減少多傳感器集成的復雜度。對需要同時觀測光合活性與植被結構的科研站，ABN-SIF-2一次部署覆蓋兩類數據需求。

ABN-SIF-1單通道臺站式日光誘導監測系統

無人機巡航：覆蓋地面看不到的空間變異

地面定點的優勢在于"深度"——同一位置的高頻率、長時序記錄；無人機載SIF的優勢在于"廣度"——同一時段內對多個位置的橫向掃查。Xue et al.（2024）在新疆開展了為期20年（2001~2020）的研究，覆蓋塔里木盆地、準噶爾盆地、天山北坡等區域，對耕地、森林、草地、灌叢四類植被類型分析了GOSIF對多時間尺度干旱（SPEI指數）的響應。結果顯示，2006年和2009年兩次嚴重干旱期間，不同植被類型的SIF下降拐點并不同步，SIF捕捉到了各類型植被的響應時序差異，而單純依賴NDVI則容易忽略這種過程層面的區分。這一研究說明，空間異質性是真實存在且不可忽視的。

SPEI12、GOSIF、NDVI和EVI的趨勢分布（A、D、G、J）及其顯著性檢驗結果（B、E、H、K）；（C、F、I、L）為按“顯著降低、不顯著降低、無變化、不顯著增加、顯著增加”五類劃分的空間分布。

ABN-SIF-UAV1/UAV2 是針對無人機平臺設計的機載版本，對應與地面版相同的單/雙通道配置，由無人機直接供電，可在飛行作業中采集冠層SIF信號。兩款型號適用于試驗站多小區快速普查、大田脅迫空間分布制圖、地面站數據的空間外推校驗。在科研站場景中，地面儀器捕捉到異常后，無人機可快速定位異常區域的空間范圍。

兩端配合：數據完整，格式統一

地面在線式設備提供時間維度數據，無人機載設備提供空間維度數據。ABN-SIF系列地面版與UAV版采用同一套光譜儀內核和熒光算法，兩端數據格式一致，可直接對比，無需額外轉換。

從一臺地面儀器起步，先建立時間維度的基礎數據，再引入無人機載設備擴展至空間維度——地面觀測異常，無人機定位范圍，科研站的觀測體系從單點升級為"點-面"聯合。如需了解ABN-SIF系列的具體配置方案，歡迎聯系我們。

案例來源：

1. Bai, Y. et al. (2021). Estimating Global Gross Primary Production from Sun-Induced Chlorophyll Fluorescence Data and Auxiliary Information Using Machine Learning Methods. Remote Sensing.

2. Xue, C. et al. (2024). Response of solar-induced chlorophyll fluorescence-based spatial and temporal evolution of vegetation in Xinjiang to multiscale drought. Frontiers in Plant Science.