基于叶绿素荧光与数据同化的作物氮动态实时监测创新框架

本研究针对传统作物氮(N)监测方法不确定性高或器官诊断能力有限的问题，创新性地将无人机(UAV)遥感与WOFOST模型耦合，构建了融合荧光参数(ΦPSⅡ)的双重同化框架。通过多任务深度神经网络(MDNN)反演LAI、LDM、LNA等状态变量，显著提升小麦叶片、茎秆和籽粒氮积累量监测精度(R2 达0.68–0.84)，为精准农业提供空间变异氮动态信息。

　　

在全球气候变化和人口爆炸的威胁下，小麦作为三大主粮之一，其生产安全面临严峻挑战。传统氮素管理存在两大痛点：作物模型（如WOFOST）因参数和结构简化导致模拟不确定性高，而遥感技术虽能快速获取冠层信息，却难以监测茎秆和籽粒等器官的氮动态。更棘手的是，光合参数与环境变化的动态响应常被现有同化算法忽略，导致模型参数与状态不匹配。如何突破"模型不准、遥感不全"的双重困境，实现器官级氮动态的精准监测？西北农林科技大学的研究团队在《Field Crops Research》发表的这项研究给出了创新解决方案。

研究团队采用"三步走"策略：首先通过敏感性分析筛选WOFOST关键参数（如AMAX_REF
、SLATB₀
），利用优化算法校准模型；接着基于无人机多光谱数据，创新性地采用多任务深度神经网络(MDNN)同时反演LAI（叶面积指数）、LDM（叶片干物质）、LNA（叶片氮积累）和SMC（土壤含水量）四项关键指标；最具突破性的是构建了荧光算子，通过机器学习解析实际光化学效率(ΦPSⅡ)与状态变量的复杂关系，最终将遥感反演结果与ΦPSⅡ共同嵌入双重同化框架，实现模型参数与状态变量的协同优化。

【性能对比】MDNN在四项指标反演中全面超越传统机器学习，其中LNA的R²
提升达17.3%。荧光算子的引入使ΦPSⅡ与LNA的关联强度提高32%，证实光合信号对氮代谢的指示作用。

【同化效果】三重联合同化（LAI+LDM+LNA）使器官氮积累模拟误差显著降低：叶片、茎秆和籽粒的NRMSE（归一化均方根误差）分别控制在15.04–18.74%、16.00–25.34%和20.40–23.60%，较单变量同化精度平均提升41%。

【农艺验证】200 kg ha^?1
氮肥配合30 mm灌溉的处理组表现出最优氮转运效率（71.22%）及籽粒贡献率（60.12%），为水肥优化提供量化依据。

这项研究的里程碑意义在于：首次将叶绿素荧光这一"光合探针"转化为模型参数更新的约束条件，破解了传统同化中光合参数滞后的难题。构建的MDNN多任务反演体系，实现了"一次飞行、多指标输出"的高效监测。更重要的是，该框架成功捕捉到茎秆向籽粒的氮转运过程，填补了生殖器官氮动态监测的技术空白。正如通讯作者Xiaobo Gu强调的，这种"模型-遥感-生理信号"三位一体的监测范式，为应对气候变化下的精准氮管理提供了可推广的技术模板。未来，通过集成更多生理指标（如叶温、气孔导度），该框架有望进一步拓展至碳氮耦合过程的研究领域。