OEMC 用例提出开放工作流，将 SIF 空间分辨率提升至约 1 公里以改进 GPP 通量估算
核心概要
该 OEMC 项目用例提出一套开放工作流，利用 LST、NIRv 等其他遥感数据与半经验方法（数据驱动结合物理约束），将基于 Sentinel-5P TROPOMI 的 SIF 估算空间分辨率从约 5 公里提升到约 1 公里，并生成 2018-2025 年 0.05 度、8 天频率的网格化数据集，同时将工具移植到 Copernicus Data Space Ecosystem 的 OpenEO 框架以支持用户按需降尺度，并尝试将卫星像元与涡度协方差通量站 GPP 地面观测匹配以评估空间异质性影响。
深度剖析
提出一套开放工作流，通过协同使用 LST、NIRv 等其他遥感数据源，以半经验方法将 SIF 估算空间分辨率提升到约 1 公里。 此前 SIF 降尺度方法已有 Duveiller 和 Cescatti（2016）及 Duveiller 等（2020）的工作，本用例在此基础上构建了首个 Julia 语言原型工作流，并将其作为开放工具推进。 文中描述了工作流的设计思路与所依赖的先前方法，但未给出降尺度精度的定量验证指标。
参与开发了基于 Sentinel-5P TROPOMI 数据的新 SIF 反演，在反演过程中使用机器学习以提升反演质量并降低噪声，产出未网格化的瞬时 SIF 估算。 将机器学习引入 SIF 反演本身，而不仅是后处理降尺度，从而在源头改善信号质量。 文中说明了机器学习用于反演以提升质量、降低噪声，但未提供反演精度或噪声降低幅度的具体数值。
将未网格化瞬时 SIF 估算网格化为 0.05 度（约 5 公里）、8 天频率、覆盖 2018-2025 年的专用数据集，并在其上应用空间增强工具。 提供了一个时间跨度较长、频率固定的网格化 SIF 数据集，作为降尺度工具的输入基础。 文中给出了数据集的空间分辨率、时间频率与时间范围，但未说明数据集的验证方式或不确定性量化。
将空间增强工具移植到 Copernicus Data Space Ecosystem 的 OpenEO 框架，使用户能够基于自选降尺度模型对目标区域按需进行空间降尺度，并配有专门 notebook 演示。 从本地原型走向云端按需服务，降低了 RECCAP 等分布式参与者使用降尺度工具的门槛。 文中描述了移植目标与 notebook 的存在，但未报告用户测试或服务性能数据。
启示与展望
该工作面向 RECCAP 等区域碳评估参与者，旨在提供可下载的数据子集与按需降尺度工具，适用于需要更高空间分辨率以区分土地覆盖类型、检测扰动与土地覆盖变化、并改善沿海与岛屿区域表征的场景。工具以 OpenEO 框架部署于 Copernicus Data Space Ecosystem，用户可基于自选降尺度模型对目标区域进行处理。评估方面，工作将卫星网格像元与涡度协方差通量站 GPP 地面观测匹配，并量化空间异质性影响，为后续验证降尺度对 GPP 估算的价值奠定基础。
文本为项目用例说明，未提供降尺度精度、SIF 反演质量提升幅度或 GPP 估算改进的定量结果，因此读者仍需关注后续验证研究。数据集覆盖 2018-2025 年，其时间范围末端可能涉及近实时或临时版本，需留意版本更新。将卫星像元与涡度协方差站点匹配时，空间异质性的量化方式及其对 GPP 估算的影响仍有待明确。此外，用户自选降尺度模型意味着结果质量可能因模型选择而异，工具本身未在文中给出统一的质量控制方案。