日光诱导叶绿素荧光（SIF）与陆地碳循环关系密切。近年来，不断发展的星载传感器为区域尺度的SIF观测提供了新的途径。然而，现有的卫星SIF产品的时空分辨率限制它们在陆地生态系统观测中的灵活应用。本研究聚焦于提高遥感SIF的空间精度，探索了以机器学习为基础的关键建模技术，实现了2008-2018年中国无缝的SIF产品重构。主要内容如下：
(1)本研究公平对比了LGBM、Catboost、XGB、RF和EXT等5种机器学习模型在遥感SIF重建任务的效果。5种模型的拟合效果相似（10-CV R²:0.78-0.80），但在不同植被类型中的高估或低估现象不一致。
(2)通过耦合5种机器学习结果，本研究构建了稳定的集成模型。模型的表现优于上述5种基学习器。
(3)重构的SIF产品与TROPOMI卫星的检索较为一致，且具有1km的空间分辨率。
 

日光诱导叶绿素荧光,降尺度,遥感,机器学习