植被总初级生产力（GPP）是陆地生态系统碳循环的关键通量。尽管涡度相关通量（EC）方法可提供高精度的GPP观测，但其空间响应足迹受限；而太阳诱导叶绿素荧光（SIF）作为估算GPP的新兴数据，在时空覆盖和SIF\GPP关系建模方面仍存在挑战。针对以上问题，本研究提出一种联合约束SIF和EC GPP数据的跨域迁移学习（SIFEC-TL）方法，以全球SIF数据作为源域提供丰富的空间特征约束，并以EC观测GPP数据作为目标域对模型进行精细微调。结果表明，不同的源域预训练数据对模型初始性能存在显著影响，但在目标域引入EC数据微调后，SIFTML模型在GPP估算中表现稳定，克服了两种数据在时空分布和映射关系的局限；相较于仅基于SIF或EC数据构建的传统机器学习模型（SML与ECML），SIFTML模型在空间泛化性（R²分别提高了0.132和0.036）和年际一致性方面均表现更优，有效解决了SML与ECML模型在高（低）GPP值的低（高）估问题，提高了全球尺度GPP估算的精度与可靠性。实验结果如图1、2所示。

图1：迁移学习与传统机器学习模型的空间泛化性验证

图2：迁移学习与传统机器学习模型的全球分布差异

查看详细>> Y. Ma, X. Guan, Y. Wang, Y. Li, D. Lin, H. Shen,, “GPP estimation by transfer learning with combined solar-induced chlorophyll fluorescence and eddy covariance data,” International Journal of Applied Earth Observation and Geoinformation, Volume 139, 2025.