融合无人机多光谱与WheatGrow-PROSAIL机理模型的小麦品系级氮利用效率反演与预测框架

《Plant Phenomics》：An integrated WheatGrow-PROSAIL framework assimilating UAV multispectral data for plot-scale winter wheat nitrogen utilization efficiency prediction and cultivar-specific parameter inversion

　　

研究人员构建了一种耦合WheatGrow（作物生长模型）与PROSAIL（叶片-冠层辐射传输模型）的机理框架，并将无人机（UAV）多光谱数据作为同化约束，用于小区（plot-scale）尺度冬小麦氮利用效率（Nitrogen Utilization Efficiency, NUtE）预测与品种特异性参数反演。通过基于联合概率分布采样（Joint Probability Distribution Sampling, JPDS）的查找表（Look-Up Table, LUT）方法，将WheatGrow输出的叶面积指数（LAI）、叶片氮浓度（LNC）与干物质转化为PROSAIL可识别的冠层反射率输入，并以绿光比值指数（GRVI）、优化土壤调节植被指数（OSAVI）、土壤调节植被指数（SAVI）和比值植被指数（RVI）为最优耦合指标，在抽穗-开花期窗口实现同化。该方法在降低约90%计算负荷的同时提升了反演精度，跨多年、多生态点、多品种与多氮管理试验中实现冠层光谱稳健模拟，NUtE预测均方根误差（RMSE）达5.24%；研究为氮高效小麦育种与精准氮管理提供了无损、高通量表型获取工具。

研究背景与问题提出

氮是调控作物光合、生物量积累与籽粒产量的关键元素，但传统氮利用效率（NUtE）评估依赖破坏性取样，耗时耗力且缺乏空间代表性。经验性植被指数（VI）模型易受饱和效应、土壤背景与大气干扰；物理辐射传输模型（RTM）存在参数非唯一性与机理可解释性不足；作物生长模型（CGM）虽具生理机制，却依赖大量地面校准，且卫星遥感空间分辨率难以支撑小区级品种参数反演。将CGM与RTM耦合可互为约束，但无人机（UAV）多光谱驱动下的小区尺度品种参数反演、最优耦合指标与同化窗口尚未系统解决。

研究人员开展的工作与结论意义

研究人员以江苏2021—2024年6组田间试验（369个小区、37个小麦品种、50个重组自交系RILs、多氮水平）为样本队列，构建WheatGrow-PROSAIL集成框架：用WheatGrow模拟动态生理变量（LAI、叶片氮、干物质），转为PROSAIL冠层反射率；通过JPDS构建参数LUT，以UAV-VI为代价函数反演品种敏感参数比叶面积（SLA）与最大光合速率（AMAX），进而模拟冠层光谱并预测成熟NUtE。结果表明：JPDS较穷举采样减计算量90%且精度更优；GRVI、OSAVI、SAVI、RVI为最优耦合指数；抽穗-开花期为最佳同化窗口；冠层反射率模拟与ASD/UAV观测一致，SLA反演总RMSE 0.0008 ha kg?1、NUtE预测RMSE 5.24%。该框架打通“生理过程-冠层光谱-遥感观测”机理链路，为小区级氮高效育种与精准施氮提供无损高通量手段。

主要关键技术方法

研究采用改进WheatGrow模型与PROSAIL-5模型耦合；以UAV多光谱（Airphen与Mavic 3M）及地面ASD高光谱为观测源；通过敏感性分析锁定SLA与AMAX为待反演参数；基于JPDS抽取参数组合构建LUT，以多生长阶段VI模拟值与观测值RMSE最小为代价函数寻优；样本覆盖江苏多站点6试验、跨年跨品种跨氮处理小区队列。

研究结果

3.1 最优查找表生成方法与耦合指数分析

基于JPDS与穷举采样（ES）对比，JPDS在更少采样点下取得更低SLA反演相对误差；四站点最优耦合指数分别为GRVI、GRVI、OSAVI、GRVI，综合以GRVI、OSAVI、SAVI、RVI表现最稳。

3.2 最优耦合生育期分析

单生育期反演显示抽穗-开花期模拟SLA与实测最一致；分蘖期虽数值误差低，但各小区无区分度，属土壤背景主导的病态反演，故确定抽穗-开花期为同化窗口。

3.3 WheatGrow-PROSAIL框架性能测试

同化后冠层波段反射率与NDVI介于ASD与UAV之间且更贴近UAV；SLA反演RRMSE 17.66%；改进WheatGrow下NUtE预测与实测吻合，RMSE 5.24%、RRMSE 11.45%；并生成六试验小区NUtE空间分布图。

讨论部分总结

讨论指出，小区尺度应优先校准品种参数而非土壤管理参数；SLA与AMAX关联光合与氮转化能力，是NUtE关键性状。JPDS先验带来一定均值回归平滑，使极端表型略被压缩，换来了跨站点泛化能力。相比经验VI模型，该机理框架克服“黑箱”与迁移退化问题；未来需结合LiDAR三维冠层结构、扩充品种参数库与多源遥感，以提升大群体近实时表型与跨尺度适用性。

结论翻译

本研究建立并验证了物理集成的WheatGrow-PROSAIL框架，以UAV多光谱为同化约束，实现小区尺度冬小麦NUtE预测与品种参数反演。其一，识别SLA与AMAX为连接生理过程、辐射传输与NUtE的关键敏感参数，JPDS-LUT缓解过参数化病态反演，计算负荷降低90%，SLA反演RMSE 0.0008 ha kg?1、RRMSE 17.66%。其二，系统确定GRVI、OSAVI、SAVI、RVI为最优耦合指数，抽穗-开花期为最优同化窗口。其三，框架在多样基因型的生态与管理条件下实现稳健冠层光谱模拟与NUtE预测（RMSE 5.24%、RRMSE 11.45%），突破卫星分辨率限制，支持小区级NUtE制图，为氮高效育种与精准氮管理提供无损高通量工具；后续可融合LiDAR三维结构、扩展气候区与多源数据以实现跨尺度 retrieval。

现有解读已形成，接下来可以选择一个方向继续深化：

把这篇解读改写成期刊审稿意见

深入评析JPDS-LUT方法的创新与局限

把这篇解读改写成期刊审稿意见

深入评析JPDS-LUT方法的创新与局限