时间序列高光谱传感解码草莓植株中二斑叶螨侵染的生理动态与潜伏期检测

为解决冬季覆盖作物生物量估算的精度和空间泛化性问题，研究人员利用Active Canopy Sensor (ACS-214)多传感器设备，结合随机森林模型和交叉验证策略，评估了13个州11种覆盖作物的生物量预测效果。结果显示，ACS-214对禾本科（R2=0.51–0.64）和豆科（R2=0.44–0.76）生物量预测具有中高强度准确性，但区域泛化性有限（R2=0.06–0.46）。研究还发现ACS-214数据可校准Sentinel-2卫星影像（R2=0.58–0.70），为局部管理和监测提供了有效工具。该研究为覆盖作物生物量估算和农业生态评估提供了新方法。

　　

冬季覆盖作物在改善土壤健康、减少侵蚀和氮流失以及抑制杂草方面发挥着关键作用，这些效益与其生物量积累密切相关。然而，现有的遥感技术如多光谱植被指数在估算高生物量（>1,500 kg ha^?1）时存在饱和问题，且受限于混合像素、重访周期和小型或不规则田块形状。此外，无人机多光谱传感器和手持式近端传感仪器在生物量超过3,000 kg ha^?1时也面临饱和挑战。因此，开发一种能够准确估算高生物量覆盖作物的方法成为农业遥感领域的迫切需求。

美国农业部农业研究服务处（USDA-ARS）的研究人员利用Active Canopy Sensor (ACS-214)设备，结合其内置的红色和近红外光谱反射传感器、时间飞行激光和超声传感器，对13个州的11种覆盖作物（包括禾本科、豆科和芸苔科）进行了为期四年的生物量估算研究。通过随机森林模型和四种交叉验证策略，研究人员评估了ACS-214在不同区域和功能群中的预测性能，并探索了其与Sentinel-2卫星数据的协同应用潜力。研究结果发表在《Smart Agricultural Technology》上，为覆盖作物生物量的精准估算和农业生态服务评估提供了重要工具。

研究主要采用了以下关键技术方法：

1. ACS-214多传感器数据采集：包括光谱反射（670 nm和780 nm）、时间飞行激光和超声传感器数据，用于计算NDVI和 canopy height。
2. 随机森林模型：结合157个预测变量（如NDVI分箱比例、超声和激光高度分箱比例）进行生物量预测。
3. 四种交叉验证策略：包括随机训练-测试分割、留一区域出、区域特定模型和独立年份验证。
4. Sentinel-2卫星数据校准：利用ACS-214估算的生物量训练卫星影像模型，评估其扩展应用潜力。

研究结果分为以下几个部分：

1. ACS-214交叉验证结果：
   全球模型显示，禾本科和豆科的随机森林模型对生物量的预测准确性较高（R²=0.59和0.56），但区域泛化性有限（R²=0.06–0.46）。芸苔科模型预测准确性较低（R²<0.30），可能与开花和斑块生长有关。生物量预测断点出现在豆科约3,000 kg ha^?1和禾本科约4,000 kg ha^?1。

2. 卫星模型分析：
   ACS-214数据训练的Sentinel-2模型与田间采样生物量（R²=0.58–0.61）和ACS-214估算生物量（R²=0.70）具有良好一致性。卫星模型在4,189 kg ha^?1处出现断点，表明其预测上限与ACS-214模型相近。

3. 研究局限性与最佳实践：
   ACS-214的使用需注意安装高度（不超过1.75米且高于冠层20厘米）和电源稳定性。此外，开花期的豆科和芸苔科植物可能因花色影响NDVI读数，需在分析中排除。

研究结论表明，ACS-214在局部训练的条件下能够有效估算禾本科（0–4,000 kg ha^?1）和豆科（0–3,000 kg ha^?1）覆盖作物的生物量，且具有较好的时间泛化性。通过与Sentinel-2卫星数据的协同应用，该方法可以扩展到未采样田块，为覆盖作物的精准管理和农业生态服务评估提供了重要技术支持。然而，模型的区域泛化性有限，未来研究可探索迁移学习等方法以提升跨区域预测能力。

这项研究的创新之处在于首次将多传感器近端设备与卫星遥感相结合，突破了传统光谱指数在高生物量估算中的饱和限制，为覆盖作物的规模化监测提供了新思路。其成果不仅对农业实践具有直接指导意义，也为后续研究提供了重要的方法论参考。