基于PRINT半经验冠层水分去除方法提升冬小麦叶片氮含量与籽粒蛋白质含量估算精度

《International Journal of Applied Earth Observation and Geoinformation》：PRINT: A semi-empirical canopy water removal approach for improving estimates of leaf nitrogen and grain protein contents in winter wheat

　　

准确估算冬小麦叶片氮含量（LNC）和籽粒蛋白质含量（GPC）对作物生长、精准氮素管理以及粮食定价和粮食安全保障至关重要。氮（N）是作物发育和籽粒品质的主要大量元素，对合成叶绿素（Chl）和光合酶Rubisco等重要叶片生化化合物不可或缺。氮素亏缺和过量均会对作物产量和品质产生不利影响。籽粒蛋白质的形成与各生育期的氮素转运和同化显著相关。由于籽粒蛋白质是主要的含氮组分，GPC与前花后氮素再动员密切相关。因此，利用遥感技术及时准确地开展季内LNC和GPC定量估算，有助于实现信息化氮素管理、基于品质分级的选择性收获以及与大田籽粒品质相符的经济定价策略。当前方法多依赖可见光与近红外（VNIR）波段的叶绿素敏感特征（敏感波段或植被指数（VIs）），采用统计回归或机器学习回归方法估算LNC和GPC。然而，叶绿素与氮素之间的关系在不同光照条件、生育期和物种间常存在变异。这些为氮素估算开发的方法缺乏因果基础且可解释性有限。相比之下，与氮素或蛋白质统计相关的干物质特征主要集中在短波红外（SWIR）区域。然而，由于叶片水分的强烈吸收掩蔽效应，这些特征常被忽视，尽管诊断性波长出现在2060 nm、2130 nm、2240 nm和2300 nm等次要特征处。这些波长处的吸收特征主要源于N–H和C–H分子振动的基本频率，对氮素和蛋白质表现出强敏感性。非色素生化组分与其吸收特征之间的相关性已通过干燥叶片样本得到研究。这些研究表明，基于SWIR区域诊断波长的估算方法在提升性能和可解释性方面具有良好潜力。SWIR区域反射率已被用于构建VIs以估算氮素相关作物性状。然而，这些指数未考虑SWIR区域叶片水分的干扰，从而给氮素相关生化估算引入了潜在不确定性。此外，鉴于传统VIs波段数量有限且SWIR区域光谱变异性较低，构建一个既能减轻叶片水分干扰又能增强干物质组分敏感性的VI仍具挑战性。许多变换技术往往不足以消除叶片水分的吸收影响。为解决这些挑战，研究人员开创了水分去除（WR）方法，通过应用光谱匹配技术并分析纯水光谱与新鲜叶片光谱之间的残差。WR的主要目标是突出干物质组分对叶片反射光谱的吸收效应，而非建立稳健的生化参数估算技术。利用该方法成功解析了木质素和纤维素在1700 nm处的吸收特征。随后，该方法被扩展至冠层尺度，并实现了在机载成像光谱数据中检测干物质吸收特征。WR方法的有效性已在多种植物物种的LNC估算中得到验证。然而，基于残差光谱分析的WR方法的主要限制在于其依赖叶片水分的精确吸收系数，因为它根本上依赖于简化的叶片辐射传输模型（RTM），仅需等效水厚度（EWT）和叶面积干质量（LMA）作为输入。鉴于早期WR技术因过于简化的物理假设而易于不稳定，研究人员利用广泛使用的RTMs（如PROSPECT和PROSAIL）模拟了干叶片和干冠层反射光谱，并随后用于LNC或GPC的估算。然而，LMA反演的性能被认为是可靠模拟干叶片和冠层反射光谱的严重障碍。LMA反演不准确所引起的潜在不确定性可能传播至估算方法中。由于SWIR反射率在水吸收之外主要受干物质吸收（如含氮和含碳化合物）驱动，模拟光谱的可靠性极易受输入LMA值不准确的影响。因此，有必要开发一种稳健的方法来改进LMA反演并增强模拟反射光谱的可靠性。大多数过去的VI分析集中于叶绿素相关吸收特征，因此从水分去除后的冠层反射光谱中探索互补的叶绿素和氮素/蛋白质敏感光谱信息具有重要价值。理论上，鉴于VNIR和SWIR区域的干扰因素，单一光谱特征不足以捕捉叶片氮素变化。VNIR反射率易受大气散射影响（尤其是较短波长），而SWIR反射率受叶片水分吸收的强烈影响。因此，本研究旨在减轻水分吸收效应并构建一个整合VNIR和SWIR特征的稳健VI，以改进冬小麦LNC和GPC估算。研究目标为：1）开发一种结合先验知识和叶片水分含量与LMA初始化（PRINT）的半经验水分去除技术，以模拟干冠层反射光谱；2）通过整合模拟干冠层反射光谱（SDR）中的VNIR和SWIR反射率，构建一种新型可见光与短波红外氮指数（VSNI）；3）评估各种基于VI的模型对LNC和GPC的估算性能。

研究背景方面，准确估算冬小麦叶片氮含量（LNC）和籽粒蛋白质含量（GPC）对作物生长诊断、精准氮素管理、粮食定价及粮食安全保障具有重要意义。氮素是作物发育和籽粒品质的主要大量元素，对合成叶绿素（Chl）和光合酶Rubisco等关键叶片生化化合物至关重要，氮素亏缺或过量均会对产量和品质产生不利影响。籽粒蛋白质是主要的含氮组分，GPC与前花后氮素再动员密切相关。当前LNC和GPC估算方法多依赖可见光与近红外（VNIR）波段的叶绿素敏感特征（敏感波段或植被指数（VIs）），采用统计回归或机器学习回归方法，但叶绿素与氮素之间的关系在不同光照条件、生育期和物种间常存在变异，这些方法缺乏因果基础且可解释性有限。相比之下，与氮素或蛋白质统计相关的干物质特征主要集中在短波红外（SWIR）区域，诊断性波长出现在2060 nm、2130 nm、2240 nm和2300 nm等处，这些吸收特征主要源于N–H和C–H分子振动的基本频率，对氮素和蛋白质表现出强敏感性；然而由于叶片水分的强烈吸收掩蔽效应，这些特征常被忽视。早期水分去除（WR）方法通过光谱匹配分析纯水光谱与新鲜叶片光谱的残差，但其依赖叶片水分的精确吸收系数，根本上依赖于简化的叶片辐射传输模型（RTM），仅需等效水厚度（EWT）和叶面积干质量（LMA）作为输入，因过于简化的物理假设而易于不稳定。随后研究人员利用PROSPECT和PROSAIL等RTMs模拟干叶片和干冠层反射光谱用于LNC或GPC估算，但LMA反演的性能是可靠模拟干冠层光谱的严重障碍，LMA反演不准确所引起的潜在不确定性可能传播至估算方法中，且SWIR反射率在水吸收之外主要受干物质吸收驱动，模拟光谱的可靠性极易受输入LMA值不准确的影响。因此，有必要开发一种稳健的方法来改进LMA反演并增强模拟反射光谱的可靠性，同时从水分去除后的冠层反射光谱中探索互补的叶绿素和氮素/蛋白质敏感光谱信息。基于此，研究人员开展了本研究，旨在减轻水分吸收效应并构建整合VNIR和SWIR特征的稳健VI以改进冬小麦LNC和GPC估算，具体目标为：开发结合先验知识和叶片水分含量与LMA初始化（PRINT）的半经验水分去除技术以模拟干冠层反射光谱（SDR）；通过整合SDR中的VNIR和SWIR反射率构建新型可见光与短波红外氮指数（VSNI）；评估各种基于VI的模型对LNC和GPC的估算性能。研究得出，PRINT方法通过整合先验知识和EWT与LMA协同初始化来模拟干冠层反射光谱，为减轻叶片水分吸收影响和改进LMA反演提供了重要解决方案；基于SDR的新型VSNI捕捉了来自叶绿素和与氮素或蛋白质统计相关的干物质SWIR特征的互补信息，增强了对LNC和GPC响应的敏感性；所提出的方法为增强干物质吸收特征提供了新见解，增进了对冠层尺度SWIR光谱响应氮素相关农艺参数的理解，并在小麦种植系统中利用高光谱卫星影像进行区域农业应用方面具有重要潜力。

在技术方法方面，研究数据来源于中国江苏省如皋、兴化及河南省商水三个生态区的六次田间试验，涵盖不同品种、氮肥水平和生育期，光谱测量采用ASD FieldSpec Pro光谱仪（350–2500 nm，1 nm间隔），农艺参数通过破坏性采样测定LMA、LNC（凯氏定氮法）和GPC。关键技术方法包括：1）基于先验知识约束查找表（LUT）并结合随机森林（RF）机器学习算法构建混合反演模型以改进LMA反演；2）利用PROSAIL-D模型在EWT初始化为零条件下模拟干冠层反射光谱（SDR）；3）构建整合VNIR叶绿素特征（PPR形式）与SWIR干物质特征（1610 nm和2180 nm）的新型植被指数VSNI；4）采用留一站点交叉验证、留一年份交叉验证和留出交叉验证，以决定系数（R2）、均方根误差（RMSE）和相对均方根误差（RRMSE）评价模型性能，并与已有WR方法（Yan-WR）及多种已有VIs进行对比。

研究结果方面，在PRINT方法评价中，通过独立验证比较混合反演模型与基于物理的反演模型的LMA估算性能，得出RF混合反演模型精度最优（R2=0.31，RMSE=6.23 g/m2，RRMSE=13.07%），显著优于有先验信息的物理模型（R2=-0.21，RMSE=8.25 g/m2）和无先验信息的物理模型（R2=-36.26，RMSE=45.73 g/m2），表明混合反演模型可用于LMA初始化以可靠模拟干冠层光谱。在模拟干冠层光谱评价中，通过比较实测反射率（MR）与SDR，得出可见光区域反射率无显著变化，而NIR和SWIR区域存在明显光谱差异，SWIR区域相对差异达45%–86%，水分干扰严重掩蔽了氮素或蛋白质敏感波长（1510、1690、2060、2130、2180、2240和2300 nm）并扰动1610 nm参考波长。在已有VIs与VSNI同LNC/GPC关系分析中，通过计算各指数与LNC/GPC的相关系数，得出VSNI表现最优，LNC平均r2=0.67（标准差SD=0.07），GPC平均r2=0.66（SD=0.05），而PPR在多数站点与LNC和GPC相关性较弱，NDRE和LICI虽LNC平均r2较高（0.62–0.63）但标准差较大（SD=0.16–0.17），SWIR-based VIs（NDNI、STI、NRI、NDPI）保持中等相关性（LNC平均r2=0.40–0.59；GPC平均r2=0.25–0.48）。在独立数据集及不同水分去除方法验证中，通过留出交叉验证和留一站点交叉验证，得出VSNI模型在留出交叉验证下LNC估算最优（R2=0.70，RMSE=0.50%，RRMSE=14.98%），GPC在灌浆期估算最优（R2=0.72，RMSE=0.94%，RRMSE=8.55%）；留一站点交叉验证表明PRINT-derived VSNI模型LNC估算稳健（R2=0.62–0.65，RMSE=0.42–0.54%）；跨年份验证GPC在灌浆期表现最佳（R2=0.66，RMSE=0.70%，RRMSE=6.76%）；比较MR、Yan-WR和PRINT三种光谱下各VI模型性能，得出PRINT-derived SDR使VSNI模型LNC平均RMSE从0.58%（MR）和0.90%（Yan-WR）降至0.47%，GPC从1.52%和1.40%降至1.06%，且PRINT与VSNI组合优于三种VNIR-based VIs（LICI、PPR、NDRE）。在不同EWT条件下SWIR-based VIs对LNC/GPC响应分析中，通过设置八个EWT水平模拟光谱，得出所有VI响应均受EWT变化影响，VSNI在零EWT时敏感性最高（LNC：R2=0.30–0.71；GPC：R2=0.57–0.76），STI在零EWT时敏感性较强但EWT超过0.003 cm后迅速下降，NRI和NDNI在不同EWT条件下敏感性较低。

讨论部分总结如下：关于准确LMA反演的重要性，Discussion指出LMA与LNC在不同植物物种间存在显著相关性，这与冬小麦发育的生理机制一致，LMA通过碳氮同化物的转运和积累形成并随后再动员至籽粒，准确LMA反演有助于可靠的LNC和GPC估算；PRINT与Yan-WR比较表明准确LMA反演提升了SDR可靠性和VSNI估算精度（LNC平均RMSE=0.47% vs 0.90%；GPC平均RMSE=1.06% vs 1.40%）；RF混合反演模型较大规模模拟数据集构建，优于两种标准物理反演方法，将LMA反演误差从45.73 g/m2降至6.23 g/m2，与已有研究一致，证实了混合反演方案的优势；有先验信息约束的物理反演优于无约束反演，凸显了先验知识在可靠LMA反演中的关键作用。关于VNIR和SWIR特征互补信息的优势，Discussion指出VSNI在不同站点LNC和单站点两年GPC估算中表现稳定；其叶绿素相关组分P2在各站点LNC和跨年GPC中变化较大且估算性能差（LNC：R2=-1.28–-0.01，RMSE=0.91–1.16%；GPC：R2=-0.36–0.67，RMSE=1.02–1.69%），而氮素相关组分P1稳定性较强（LNC：R2=0.43–0.68，RMSE=0.52–0.62%；GPC：R2=-0.71–0.54，RMSE=1.19–1.69%），两者整合为VSNI后性能提升；PPR虽在良好校准的实验数据集中对叶绿素估算有效，但在冠层尺度受450 nm后向散射效应限制，550 nm反射率的77%–99%变异性源于背景反射率、LAI和交互作用，多站点PPR与LNC低相关性支持这一推断；VSNI结合与氮素或蛋白质统计相关的SWIR波长（1610 nm和2180 nm）增强了对跨站点LNC和跨年GPC变化的稳定性，可缓解叶绿素特征不稳定性引起的干扰，且VSNI整合可见光和SWIR波长的方式较两个VI的经验线性组合更简便直接，SWIR-based差分VI形式有助于增强干物质组分的吸收。研究展望与局限性方面，Discussion指出尽管已有研究报道了SWIR反射率的重要性，本工作提供了一种稳健的半经验方法以减轻SWIR区域叶片水分吸收效应，基于水分去除光谱的VSNI在跨地理站点LNC估算和跨年GPC估算中表现优越，且纤维素和木质素等干物质组分的吸收特征主要位于SWIR区域，表明PRINT技术有潜力作为小麦种植系统扩展应用的可靠光谱代理；由于常规仪器获取物理实测干冠层光谱存在持续局限，研究结果证实去除叶片水分吸收干扰有效提升了LMA对冠层反射率的敏感性；LMA可靠反演是模拟可靠干冠层反射光谱的前提，但现有RTMs在准确反演LMA方面仍有限，尽管RF混合模型相对其他两种标准物理反演方法取得最佳反演性能（R2=0.31 vs -0.21和-36.26，RMSE=6.23 g/m2 vs 8.25 g/m2和45.73 g/m2），LMA反演精度仍有相当大的提升空间，需进一步探索替代机器学习算法（如GPR、CNN和LSTM）以增强LMA估算并强化水分去除光谱模拟的可靠性；由于多站点数据集有限，无法评估VSNI对GPC估算的空间可迁移性，未来研究应聚焦于粮食质量参数的多站点评估以进行稳健性评价；PRINT为可靠干冠层反射光谱模拟提供了轻量级工具，但不能有效降低辐射传输建模中的不确定性，尽管所提出的半经验方法基于PROSAIL-D构建，未来研究可转向全物理方法，利用PROSPECT-PRO等先进模型提高光谱水分去除的稳定性，最终实现氮素相关作物性状更稳健的反演。

研究结论部分翻译如下：本研究建立了一种结合PRINT和VSNI的新方法以改进冬小麦LNC和GPC估算。PRINT通过整合先验知识和EWT与LMA协同初始化来模拟干冠层反射光谱。为增强SDR的可靠性，研究人员利用RF混合反演模型改进了LMA反演。随后，构建了整合VNIR和SWIR域中叶绿素和氮素相关反射率信息的新型氮素相关VSNI，用于稳健估算LNC和GPC。研究结果证实RF混合反演模型在LMA反演方面优于基于物理的反演模型（RMSE：6.23 g/m2 vs 8.25 g/m2和45.73 g/m2）。此外，VSNI在跨站点LNC估算中表现出更高精度（R2：0.62–0.65，RMSE=0.42–0.54%），并在单站点两年跨年灌浆高峰期将GPC估算精度提升至R2=0.66（RMSE=0.70%）。所提出的PRINT方法被证明是减轻叶片水分吸收影响和改进LMA反演的重要解决方案。基于SDR的新型VSNI捕捉了来自叶绿素和与氮素或蛋白质统计相关的干物质SWIR特征的互补信息，增强了对LNC和GPC响应的敏感性。因此，所提出的方法为增强干物质吸收特征提供了新见解，增进了对冠层尺度SWIR光谱响应氮素相关农艺参数的理解，并在小麦种植系统中利用高光谱卫星影像进行区域农业应用方面具有重要潜力。