综述：探索遥感技术在地下植被生物量（BGB）估算中的应用：方法与挑战的批判性回顾

《Frontiers in Remote Sensing》：Exploring the utility of remote sensing technology in vegetation below ground biomass (BGB) estimation: a critical review of methods and challenges

本文系统综述了遥感技术在植被和农作物地下生物量（BGB）估算中的应用，涵盖光学多光谱、LiDAR、SAR及无人机技术，分析了其光谱特征、空间分辨率、大气干扰等优缺点，并探讨机器学习与统计模型的作用。研究指出，多传感器融合与无人机技术可提升精度，但需解决验证数据不足、季节变化影响及成本问题，未来需加强非破坏性验证和新型传感器应用。

　　植被地下生物量（BGB）动态的理解对于确保长期的生态功能至关重要，例如碳封存和优化关键块茎作物的生产力。尽管光学多光谱和高光谱传感器在评估植被地上生物量（AGB）方面已被广泛研究和应用，但利用这些技术来估计BGB的研究却显得稀少，主要是由于直接地下探测的技术挑战。因此，本研究旨在全面回顾采用遥感技术评估植被和作物BGB的方法与挑战，并提出一种综合的方法以提高地下生物量评估的准确性。

遥感技术无法直接测量地下生物量，但通过推导植被冠层的植被指数，可以间接推断BGB的变化。机器学习算法和经验关系在将这些指数外推以预测地下生物量方面发挥着关键作用。尽管光学遥感在穿透密集植被和大气干扰方面存在局限，但主动遥感技术如LiDAR能够克服这些限制，提供三维数据集，从而提升BGB的估计精度。然而，卫星LiDAR和Sentinel-1 SAR等技术仍然受限于较低的空间和时间分辨率。随着无人机平台的发展，结合高分辨率传感器的遥感技术正在成为一种解决手段，使研究人员能够获得更高精度的地下生物量数据，同时克服传统卫星遥感的局限。

研究指出，尽管遥感技术在评估植被和作物BGB方面具有巨大潜力，但其应用仍面临诸多挑战。这些挑战包括技术限制、数据预处理复杂性以及验证数据的获取困难。例如，地面穿透雷达（GPR）系统虽然能够检测地下生物量，但其应用受到土壤类型和植被密度的影响，且数据预处理过程繁琐。此外，电气阻抗成像技术（ERT）虽然能提供土壤电阻率信息，但在实际应用中也存在校准和操作上的难题。

在植被BGB的评估中，机器学习和统计模型的应用也呈现出多样性。线性回归模型虽然在某些研究中取得了较高的预测精度，但其对数据复杂性的处理能力有限。相比之下，先进的机器学习算法如随机森林、支持向量机（SVM）和人工神经网络（ANN）等，在处理高维和非线性数据方面表现出更强的能力，从而提高了BGB的预测准确性。然而，这些模型的广泛应用仍然受限于数据的获取和处理成本，以及对特定植被类型和生长阶段的适应性。

为了提高BGB的评估效果，未来的研究需要探索非侵入性或最小侵入性的地面验证方法，例如微型根系成像系统和稳定同位素追踪技术。这些方法能够提供连续且具有代表性的数据，减少对传统破坏性采样方法的依赖，从而提升模型的准确性和适用性。此外，结合多种遥感数据集，如表面从运动（SfM）技术，可以进一步增强对植被生物量动态的理解，提高BGB的预测精度。

尽管目前已有50篇相关研究探讨了遥感技术在植被和作物BGB评估中的应用，但这一领域的研究仍处于初步阶段，且相关数据和方法的系统性不足。因此，未来的研究应更加注重技术的整合与优化，推动遥感技术在更广泛的生态系统和农业场景中的应用。随着技术的不断进步和成本的降低，遥感技术有望成为评估植被和作物BGB的重要工具，为实现气候适应性和可持续的粮食系统提供支持。