基于改进辐射传输模型(PIOSL-5)的作物叶片氮浓度反演机制研究及其在精准农业中的应用

本综述系统阐述了基于改进型辐射传输模型PIOSL-5的作物叶片氮浓度（Cn）反演新范式。通过结合连续投影算法(SPA)进行特征波段筛选（1070/1150/1405/1535/1725 nm）和多种优化极限学习机(ELM)算法，成功构建了兼具物理机理与预测精度的Cn反演模型。该研究突破了传统数据驱动方法的局限性，为作物氮营养精准管理提供了具有明确物理意义的遥感监测方案。

　　

Section snippets（研究亮点）

PIOSL-5模型构建

PIOSL系列模型基于叶片内部非均匀结构理论，将叶片概念化为具有不同光学特性的两个独立层。该框架考虑了叶绿素（C_ab）、水分（C_w）和干物质（C_m）在叶片内的异质性分布（Yu等，2023b）。PIOSL模型既支持根据生化与结构特征正向模拟叶片光学特性，也支持从光谱数据反演这些特征参数。

参数敏感性分析

为更直观观察C_n对PIOSL-5模型叶片反射率的敏感性，本研究采用Sobol算法（Wang等，2023a；Zouhri等，2022）计算了PIOSL-5模型中各参数在400–2500 nm范围内的全局敏感性指数。结果如图3所示。从图中可见，不同理化参数及其配比对叶片反射率的敏感性存在一定程度的相似性。

基于辐射传输模型的作物氮反演优势

辐射传输模型（RTM）在理化参数反演方面具有显著优势。与传统数据驱动方法相比，RTMs泛化能力更强，不依赖于大量实测数据集，且具有更强的机理特性（Serbin等，2019）。氮是植物光合作用的重要元素（Cheng等，2018），其精准量化为实施精准农业中的变量施肥提供了宝贵信息。

Conclusion（结论）

本研究通过采用包含氮作为独立输入参数的PIOSL-5模型，建立了一种作物C_n反演的新方法。主要结论如下：PIOSL-5模型能有效模拟植被叶片的光谱特性，并为C_n反演提供物理基础。基于该模型生成的PIOSLSD数据集克服了传统数据驱动方法对大量实测数据的依赖。