编辑推荐：
为解决实时监测作物养分以提高肥料效率和作物产量的问题，研究人员开展了基于高光谱和多光谱遥感技术估算作物叶片氮（LNC）、磷（LPC）、钾（LKC）含量的研究。结果表明不同养分在不同尺度有敏感波段，RF 模型预测精度最高。该研究为精准施肥提供依据。
在农业生产的大舞台上，氮（N）、磷（P）、钾（K）这三种营养元素堪称作物生长的 “幕后英雄”，它们对作物的生长、发育和产量提升起着至关重要的作用。然而，土壤中这些养分往往较为匮乏，人们不得不依赖施肥来补充。可施肥一旦不合理，问题就接踵而至。过量施肥会造成养分流失，导致水体富营养化，还会让土壤 “生病” 退化；而施肥不足又会使作物产量降低、品质下降。传统的实验室和实地检测方法，就像戴着镣铐跳舞，在空间和时间覆盖上存在很大局限，难以满足现代农业对养分实时、精准监测的需求。
在这样的困境下，高光谱和多光谱遥感技术崭露头角，成为了农业领域的 “新希望”。它们就像是拥有神奇魔力的 “千里眼”，无需直接接触作物，就能在大范围内监测作物的养分状况。不少研究已经展示了这两项技术在估算作物叶片氮（LNC）、磷（LPC）、钾（LKC）含量方面的潜力，但由于各项研究在方法和数据分析上存在差异，其可靠性和有效性急需全面评估。
为了攻克这些难题，来自国内的研究人员挺身而出。他们开展了一项全面而深入的研究，旨在评估高光谱和多光谱遥感技术在估算作物 LNC、LPC 和 LKC 方面的方法与光谱波段。这项研究成果发表在《Field Crops Research》上，为农业生产带来了全新的思路和方法，对精准施肥管理有着重要的指导意义，有望推动农业朝着更加绿色、高效的方向发展。
研究人员在此次研究中，主要运用了两项关键技术方法。首先是元分析方法，他们全面查阅了 2000 - 2023 年的文献，收集了大量关于高光谱和多光谱技术评估作物营养的研究，涵盖了从手持光谱仪到卫星传感器获取的数据，确保研究的全面性。其次，利用 4 年的油菜田间数据，运用偏最小二乘回归（PLSR）、随机森林（RF）和支持向量回归（SVR）等模型，对筛选出的敏感波段进行验证。
研究结果
- 研究趋势与作物类型：从 2017 - 2023 年，关于养分估算的研究呈上升趋势。研究主要集中在小麦、水稻等主要作物上，这是因为这些作物经济价值高，相关数据集丰富，有利于提高预测准确性。相比之下，苹果、玉米和大豆等作物的相关研究较少。
- 常用建模方法：在众多研究中，常用的建模方法包括 PLSR、人工神经网络（ANN）、SVR 和 RF。这些方法在不同研究中发挥着重要作用，为作物养分估算提供了多样化的手段。
- 敏感波段分析
- LNC 敏感波段：在冠层水平，LNC 在 550 - 2030nm 范围内有最敏感波段；在叶片水平，敏感范围是 400 - 780nm。这表明不同尺度下，LNC 对光谱的响应存在差异。
- LPC 敏感波段：冠层水平时，LPC 在 517 - 995nm 和 2030 - 2269nm 有响应；叶片水平时，在 545 - 995nm 和 2166nm 左右有响应。这些波段的确定，为 LPC 的精准估算提供了光谱依据。
- LKC 敏感波段：冠层水平下，LKC 敏感波段在 519 - 976nm 和 1513 - 2058nm；叶片水平则在 545 - 995nm。通过分析这些敏感波段，有助于更准确地监测 LKC。
- 模型预测精度：基于确定的敏感波段建立模型，RF 模型在预测精度上表现最为出色。在冠层水平，LNC 预测精度最高（R2=0.81，RMSE=0.39%），其次是 LPC（R2=0.75，RMSE=0.09%）和 LKC（R2=0.70，RMSE=0.34%）；在叶片水平，LNC 依旧表现最佳（R2=0.82，RMSE=0.37%），LKC（R2=0.74，RMSE=0.30%）优于 LPC（R2=0.66，RMSE=0.09%）。这说明 RF 模型在作物养分估算方面具有较高的可靠性。
研究结论与讨论
这项研究通过全球元分析，全面评估了高光谱和多光谱遥感技术在估算作物 LNC、LPC 和 LKC 中的作用。研究发现，近年来相关研究数量稳步增长，小麦和水稻是研究的重点作物，LNC 估算最为频繁且精度较高。研究还确定了不同养分在冠层和叶片尺度的关键敏感波段，并验证了多种建模方法的有效性，其中 RF 模型预测精度领先。这些成果为农业生产中的精准施肥提供了科学依据，有助于提高肥料利用效率，减少环境污染，保障作物产量和品质。未来，可进一步拓展研究作物的种类，深入探究不同地理区域和环境条件下光谱响应的差异，不断优化模型，提升遥感技术在农业领域的应用水平，为实现可持续农业发展注入新的动力。
