基于PROSAIL-WOFOST最优耦合单元的水稻经济最优施肥决策方法研究

本文推荐：本研究创新性地提出基于PROSAIL-WOFOST最优耦合单元（OCU）的水稻施肥决策方法，通过PROSAIL查找表结合SABO-ELM算法构建LAI高光谱反演模型（测试集R2=0.86），利用无人机RGB图像纹理聚类确定11级生长分级，最终在最优耦合单元尺度实现施肥量平均降低4.43%且增产的经济最优决策，为精准农业提供新范式。

　　

Highlight

基于辐射传输机制与机器学习的创新融合，本研究构建了PROSAIL-SABO-ELM混合架构，突破传统LAI反演模型样本量不足的局限，为水稻生长监测提供新范式。

Construction of lookup tables based on PROSAIL model

为实现水稻关键生长期LAI精准估算，本研究以水稻理化参数经验范围为输入，正向运行PROSAIL模型获得5万组初始查找表(LUT_initial)。通过对PROSAIL模型进行参数敏感性分析，筛选出对水稻光谱响应最敏感的6个关键参数，最终生成符合水稻农学特性的优化查找表(LUT_optimized)，为后续机器学习模型提供高质量训练数据。

Discussion on hyperspectral inversion results of rice LAI

针对无人机遥感数据样本量受限导致的模型泛化能力差问题，本研究开创性地将辐射传输机理与机器学习结合：通过PROSAIL模型生成具有明确物理意义的合成数据集，结合改进的SABO算法优化极限学习机(ELM)权重参数，使测试集R²提升至0.86，RMSE降至0.50。参数敏感性分析显示，叶绿素含量(Cab)和叶片结构参数(N)对模型精度影响最为显著。

Conclusion

本研究提出的最优耦合单元尺度经济施肥决策方法实现双重突破：在机制层面，通过PROSAIL-WOFOST耦合框架将无人机遥感数据与作物生长模型有机整合；在应用层面，基于纹理特征聚类确定的11级生长分级单元，使精准施肥组在两次追肥处理后平均减施4.43%的同时实现增产，验证了该方法的实用价值。