多传感器近端遥感技术在高/中分辨率下估算覆盖作物生物量的研究与应用

研究人员针对覆盖作物生物量估算中光谱指数饱和阈值低(1,500-1,900 kg ha-1)和空间泛化性差的问题，通过Active Canopy Sensor(ACS-214)集成激光、超声波和光谱传感器，建立随机森林模型，将生物量预测上限提升至3,000-4,000 kg ha-1，并成功校准Sentinel-2卫星影像，为精准农业管理提供新工具。

　　

在追求可持续农业的浪潮中，覆盖作物因其改善土壤健康、减少水土流失和固碳等生态服务功能备受关注。然而，这些生态效益与作物生物量积累直接相关，传统的光学遥感技术却面临重大挑战——当覆盖作物生物量超过1,500-1,900 kg ha^-1时，常用的植被指数如归一化差异植被指数(NDVI)就会出现饱和现象，导致估算失效。更棘手的是，美国不同农业区的覆盖作物生长差异显著，现有模型难以跨区域通用。这些技术瓶颈严重制约着对覆盖作物生态效益的精准评估。

美国农业部农业研究服务处(USDA-ARS)等机构的研究人员开展了一项跨越13个州、历时4年的大规模研究。他们采用Active Canopy Crop Sensor(ACS-214)这一创新设备，集成了主动式红/近红外光谱传感器、飞行时间激光和超声波传感器三种探测技术，构建了覆盖三大功能类群（禾本科、豆科和芸薹属）的生物量估算模型。这项突破性成果发表在《Smart Agricultural Technology》上，为解决覆盖作物监测中的关键技术难题提供了新方案。

研究团队采用了多层次的实验设计：通过四种观测试验(OBS1-4)收集了1,286个样本；使用随机森林(RF)、最小绝对收缩选择算子(LASSO)和偏最小二乘(PLS)等算法建立预测模型；采用四种交叉验证策略评估模型性能；并创新性地将地面传感器数据用于校准Sentinel-2卫星影像。特别值得注意的是，研究设置了完全独立的外推验证数据集，确保结论的可靠性。

研究结果显示，对于禾本科和豆科覆盖作物，随机森林模型表现出最佳预测性能。在采用对数转换的生物量数据时，全局模型的预测精度达到R²=0.51-0.64（禾本科）和R²=0.44-0.76（豆科）。通过分段回归分析发现，模型的预测上限显著提升——禾本科约4,000 kg ha^-1，豆科约3,000 kg ha^-1，远超传统光谱方法的饱和阈值。夏普利加和解释(SHAP)分析表明，超声波平均高度及其与NDVI的交互作用是影响预测的最关键因素。

在空间泛化性方面，研究发现了有趣的现象：区域特异性模型的性能明显优于全局模型，表明本地化校准的重要性。例如，东北地区模型对独立验证集的预测精度达到R²=0.51（禾本科）和R²=0.76（豆科）。这一发现为不同农业生态区建立定制化模型提供了依据。

卫星校准实验取得了突破性进展。通过ACS-214数据训练的Sentinel-2模型，其预测结果与实际测量值具有良好的一致性(R²=0.70-0.75)。短波红外波段(B11)成为最重要的预测因子，这与传统依赖近红外和红边波段的做法形成鲜明对比。这种"地面-卫星"协同的估算方法，成功实现了从点测量到面状制图的尺度扩展。

在讨论部分，研究人员强调了该技术对精准农业管理的多重价值。首先，4,000 kg ha^-1的预测上限已经能够捕捉到大多数关键生态效益阈值，如3,300 kg ha^-1对应的显著杂草抑制效果。其次，10米级的高空间分辨率使其特别适合监测美国中常见的不规则田块。不过研究也指出，芸薹属作物的预测精度较低(R²<0.30)，这可能与其开花特性和斑块化生长模式有关。

这项研究的创新之处在于首次系统评估了多传感器近端遥感在覆盖作物监测中的应用潜力，并建立了可操作的标准化协议。正如作者所言，将ACS-214与Sentinel-2相结合的"天地一体化"方法，为覆盖作物生物量的区域尺度监测提供了新范式。随着精准农业和生态补偿政策的推进，这种能够量化生态服务功能的技术工具将发挥越来越重要的作用。未来的研究可以进一步探索多物种混播体系的监测方法，以及如何将这一技术整合到农场级的决策支持系统中。