融合干物质分配与物候信息的小麦地上生物量估算方法研究

《European Journal of Agronomy》：Estimating wheat above-ground biomass by integrating dry matter allocation and phenology information

本文提出了一种结合光谱遥感与农学先验知识（生物量分配模式、物候变量）的冬小麦地上生物量（AGB）分层估算新方法。通过引入Zadoks尺度（ZS）、播种后天数（DAS）和生长度日（GDD）等物候变量，有效解决了高密度群体中植被指数（VIs）的光谱饱和问题，将估算精度（R2）从0.34提升至0.82，为作物生长监测与精准农业提供了关键技术支撑。

　　

亮点

利用植被指数估算冬小麦叶干生物量和地上生物量

10种植被指数与地上生物量的相关性普遍较低，最高相关系数仅为0.24。相比之下，这10个VIs与叶干生物量（LDB）的相关性显著更强（图3-a）。因此，这些VIs被选为生物量预测的关键光谱变量，其在叶生物量估算（图4-b）中的表现显著优于地上生物量估算（图5-b）。具体而言，LDB预测在训练集中达到了R²值为0.95，而AGB预测的R²值仅为0.34。这表明，在冬小麦生长后期，由于穗和茎等非叶器官的生物量比例增加，植被指数对AGB的指示能力下降，但对LDB仍保持较高的敏感性。

光谱饱和对AGB和LDB估算模型稳定性的影响

遥感技术能够利用冠层反射光谱高效、便捷地估算作物的生理生化参数（Zhang等人，2021）。然而，光谱饱和会显著影响模型精度。通过比较VIs随AGB和LDB的变化模式（图10），结果表明，随着冬小麦AGB的增加，VIs表现出相对的饱和效应。在训练集中，AGB估算的决定系数（R²）为0.95，但在测试集中急剧下降至0.34，显示出明显的模型不稳定性。相比之下，LDB估算模型在训练集和测试集中均表现出更高的稳定性和准确性。这证实了在高生物量条件下，直接基于VIs估算AGB存在局限性，而通过LDB进行间接估算能有效缓解光谱饱和问题。

结论

基于小麦冠层光谱主要受叶器官主导的前提，本研究开发了一个分层模型来预测小麦AGB。在测试集中，使用ZS、DAS和GDD的模型取得了R²值在0.78至0.82之间，RMSE在2.09至2.69吨/公顷之间的结果。与直接通过植被指数估算地上生物量相比，R²提高了129.41%至141.18%，RMSE降低了27.30%至43.50%。本研究提出的预测小麦AGB的新框架，通过整合物候信息和干物质分配模式，为解决作物生长监测中的光谱饱和挑战提供了有效途径。