全球变暖导致极端干旱事件增加，进而影响植被光合作用，改变全球碳循环格局，因此，厘清植被光合作用对干旱的响应机制对于有效应对干旱事件至关重要。日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与植被光合作用密切相关，能够有效地探测干旱对植被生理变化的影响。然而，区域尺度下的SIF干旱胁迫研究目前大多基于日尺度甚至月尺度的SIF产品开展，这限制了我们去深入理解植被光合作用对干旱的快速短期响应。本研究基于OCO-2与OCO-3卫星SIF数据，采用数据融合和机器学习建模方法将其扩展为时空连续的小时分辨率HSIF产品，并分析了2022年长江流域极端干旱下植被光合作用的响应。研究结果表明：（1）采用CDF 匹配融合方法和LightGBM模型可以有效地获得小时尺度SIF数据集（HSIF），模型测试集R²为0.81，RMSE为0.17 mW m^-2 sr^-1 nm^-1，与CSIF和SMAP GPP数据产品一致性好；(2) HSIF数据捕捉到了2022 年长江流域极端干旱时间，荧光效率在干旱早期即表现出明显的负异常，植被结构则在后期出现负异常；(3)干旱导致了SIF强度峰值相较于正常年份提前，中午比早晚提前更明显，加剧了秋季植被衰老，且干旱导致的午间抑制效应加剧，在草地和农田的抑制大于森林。本研究形成的数据集将有助于今后大规模监测植被光合作用日变化对干旱胁迫的响应，研究结论也为探索植被应对干旱胁迫的策略提供了有效的参考。
 

日光诱导叶绿素荧光,干旱事件,日变化,午间抑制,长江流域