目前SIF重构主要分为全球和区域尺度下的森林、草原及农作物的重构。全球尺度方面,Ma等
[16]使用GOME-2 SIF生成了全球0.05°的DSIF数据。Li和Xiao
[17]使用MODIS的光谱波段作为解释变量,结合OCO-2 SIF数据集构建神经网络,生成了0.05°分辨率的全球连续GOSIF数据。Yu等
[18]使用机器学习方法生成了0.05°的SIF数据集SIF
oco2_005。然而SIF对入射辐射的响应随区域和植物类型而变化,全球尺度模型重构的SIF数据并未针对农作物展开验证,并且0.5°和0.05°分辨率的SIF不足以在农业这种小规模领域应用。草原和森林方面,Duveiller和Cescatti
[19]使用0.5° GOME-2 SIF数据集建立了不同气候带下5.5°×5.5°区域范围内不同植被类型(森林和草原)0.5°SIF数据集的预测模型。Wen等
[20]基于0.5° GOME-2 SIF创建了亚高山针叶林5°×5°区域范围内0.05° SIF数据集的模型。但由于GOME-2 SIF分辨率较低,足迹内植被异质程度较高,二者研究生成的高分辨率SIF数据会遗失部分信息。作物方面,Liu等
[21]基于TROPOMI SIF、MODIS反射率和ERA5再分析数据生成了北京市小汤山镇冬小麦8 d 0.05°的eSIF数据集,eSIF与该区域的GPP相关系数R
2为0.72。Kang等
[21]基于GOSIF数据,利用两步卷积神经网络重构生成了新疆棉花种植区0.005°和0.000 5°的新型SIF数据集。但二者使用的SIF数据集时间分辨率较高(1 d),因此对多天的原始数据集进行了取平均值操作,可能会引入误差。