整合多传感器数据融合技术以绘制热带氧化土中的等水分分布图并分析玉米产量变异性 作者：Fábio Henrique Rojo Baio、Paulo Eduardo Teodoro、Job Teixeira de Oliveira、Ricardo Gava、Larissa Pereira Ribeiro Teodoro、Cid Naudi Silva Campos、Estêv?o Vicari Mellis、Isabella Clerici de Maria、Marcos Eduardo Miranda Alves 和 Jo?o Lucas Gouveia de Oliveira （另有4位作者）

《AgriEngineering》：Integrating Multi-Sensor Data Fusion to Map Isohydric Responses and Maize Yield Variability in Tropical Oxisols Fábio Henrique Rojo Baio, Paulo Eduardo Teodoro, Job Teixeira de Oliveira, Ricardo Gava, Larissa Pereira Ribeiro Teodoro, Cid Naudi Silva Campos, Estêv?o Vicari Mellis, Isabella Clerici de Maria, Marcos Eduardo Miranda Alves and Jo?o Lucas Gouveia de Oliveira + 4 authors

　　摘要：在热带氧化土中，玉米在第二生长季的种植面临着显著的气候风险，而土壤持水能力的空间异质性往往决定了经济上的可行性。本研究结合了多模态感知方法，融合了多光谱、热成像和激光雷达数据以及近距离生理测量，以绘制等水分响应图和产量变化图。研究在巴西塞拉多地区进行，使用基于无人机的传感器监测了一公顷的玉米田，并通过地面实测评估了气体交换、叶片水势和土壤湿度。结果表明，产量变化较大（6.6至13.4吨/公顷），主要受粘土含量影响的水分可用性所控制。玉米表现出严格的等水分行为，通过预防性气孔关闭来维持叶片水势的稳态，在水分保持能力较低的区域限制了二氧化碳的同化。观察到植物高度与最终籽粒产量之间存在显著的统计脱钩，因为水分胁迫对生殖阶段的影响比对营养生长的影响更为严重。此外，温度-植被-干旱指数（TVDI）是生物量活力的一个可靠代理指标，而不仅仅是水分缺少的指标。这些结果证实，热带氧化土中的产量变化并非由水力衰竭引起，而是由于作物为保持叶片水势在安全范围内而采取的保守水力管理策略所导致的碳限制。

1. 引言
在巴西，玉米（Zea mays L.）在第二生长季的种植处于一个高风险的气候窗口期内。这一时期的特点是，在作物最关键的物候阶段（如抽雄和灌浆期）降雨量显著下降。在这些热带环境中，土壤属性的空间异质性不再仅仅是土壤学上的好奇对象，而是决定经济可行性的主要因素。热带氧化土在塞拉多生物群落中占主导地位，其物理结构深厚且排水良好，但在持水能力和肥力方面表现出显著的异质性[1]。因此，干旱胁迫成为玉米生长和产量优化的主要限制因素[2,3]。在热带氧化土中，土壤湿度和养分可用性的空间异质性常常被传统的均匀管理方法所掩盖，这使得使用高分辨率传感器变得必不可少，以揭示影响作物表现的具体地点限制[4,5]。在这些高度风化的土壤中部署综合感知系统可以划出反映土壤质地介导的水分可用性与作物动态生理需求之间实时相互作用的管理区域[6,7]。这种向高分辨率空间分析的转变体现了精准农业（PA） how 从简单的土壤制图发展到一种全面管理气候和土壤风险的策略。精准农业通过将土壤的静态资源供应与植物的动态生理反应相结合，提供了缓解这些气候风险的基本策略。虽然传统的土壤采样提供了必要的数据[8]，但它往往不足以捕捉到大田尺度的变异性。相比之下，配备有多光谱、热成像和激光雷达传感器的无人机（UAV）能够实现对土壤-植物-大气系统的连续和详细监测[9,10]。

管理玉米作物的一个关键挑战是作物的等水分行为。玉米植株通过严格控制气孔来维持叶片水势（Ψ Leaf）并防止木质部空洞化[11,12]。当土壤湿度下降时，脱落酸（ABA）的合成会触发气孔关闭，这虽然保持了细胞体内的张力，但限制了碳同化和蒸发冷却，从而导致冠层温度升高。最近的研究表明，空间产量变异不仅仅是由组织脱水引起的，还与水分保持能力较低区域的气孔关闭持续时间有关。然而，传统的植被指数（如NDVI）在高生物量条件下（如玉米作物）常常出现饱和现象[13]。这就需要使用红边波长区域（例如NDRE—归一化差异红边指数）和融合指标（如温度-植被-干旱指数（TVDI）来准确检测早期水分胁迫并划定管理区域[6,15]。因此，使用红边波段是必要的，因为玉米是一种C4作物，其碳固定途径具有高光合作用效率和生物量积累能力[11]，而传统的NDVI经常因饱和效应而失效。

本研究的新颖之处在于其多模态方法，整合了光谱响应、热信号和三维结构数据（激光雷达）来解释热带氧化土中产量形成的空间机制[6]。与传统研究仅将植被活力作为产量的直接代理不同，本调查探索了形态特征（如植物高度）与最终籽粒产量之间的统计脱钩。通过将包括气体交换和叶片水势在内的近距离感知数据与远程观测数据结合起来，本研究揭示了高产区域的“功能性胁迫”如何挑战传统的水分缺乏检测范式[12,15]。我们提出了一种概念性的转变，即将某些水平和热力胁迫视为高光合作用活动和富粘土土壤中有效水分利用的结果。

本研究的目的是评估融合近距离和远程感知数据（热成像、多光谱和激光雷达）来表征玉米产量空间变异性的效率，并建立精准管理区域。具体来说，我们旨在：(a) 了解土壤质地如何控制氧化土中的水分可用性和生理响应；(b) 评估TVDI和应力比率指数作为作物活力和产量优化指标的表现；(c) 在水分受限条件下，研究营养形态特征（植物高度）与最终籽粒产量之间的统计脱钩。

2. 材料与方法
实验在巴西Chapad?o do Sul市进行，位于南马托格罗索联邦大学的实验区（18°46′44″ S, 52°36′59″ W），时间跨度为2025年3月至7月，正值该地区的第二个生长季（图1）。实验面积为1公顷，此前15年来一直种植大豆（Glycine max），采用最小耕作系统。播种前通过田间测绘对土壤属性的空间变异进行了表征。该地区的土壤属于氧化土（土壤分类），在塞拉多生物群落中很常见。在该区域内随机设立了45个控制点，用于在地理参考采样点对作物进行物候评估。使用Nomade（Trimble, Sunnyvale, CA, USA）GNSS（全球导航卫星系统）设备在点之间导航。作物物候评估在其处于R1到R2阶段之间进行，对应于生殖期的开始。作物周期结束时测量产量，评估从植株上收获的籽粒（干燥至13%水分含量），在45个评估点上沿两条平行线进行测量。图1. 种植玉米作物的实验区位置。

土壤的化学分析为解读养分水平和制定管理和施肥建议提供了基础，使用了配制的NPK 0-25-15肥料。当玉米处于V4–V6物候阶段时，进行了钾氯化物（KCl）的追肥，剂量为100公斤/公顷，以及尿素追肥，剂量为90公斤/公顷。作物管理措施包括施用除草剂、杀虫剂、杀菌剂和肥料，均根据玉米的具体需求进行。该地区播种了Monsanto AG-3510杂交品种（Refuge Max, Chapad?o do Céu, Brazil），这是一种早熟、抗草甘膦（RR2技术）的品种。播种时间为2025年3月10日，播种密度为60,000株/公顷。

为了验证土壤的物理（质地）和化学属性水平，采用了30 × 30米的系统采样网格，采样深度从0.0至0.2米不等，共包含9个子样本，覆盖了整个实验区域。根据土壤分析结果（表1），使用推荐的肥力水平解释表来确定每种大量元素的可用性，并根据其在土壤中的相应水平对其进行分类[8]。实验区显示出生育力较高，平均碱饱和度（V%）为65.56%，平均粘土含量为441.89克/公斤，因此被归类为粘土质土壤。该土壤富含磷、钙、镁和锌。特别关注钾的含量，因为这对玉米作物来说较低；因此进行了分两次的追肥。

根据K?ppen气候分类，该地区属于热带气候，冬季干燥，夏季多雨（Aw）。降雨量适合作物的良好生长，在作物整个生长期几乎都有降雨（图2）。作物周期内的水分平衡表明，土壤水分储存量在大部分营养生长和生殖期内保持在有效水分容量（AWC）附近，这得益于降雨的均匀分布，从而减少了严重水分缺乏的发生。图2. 田间实验期间的土壤水分平衡，显示了永久萎蔫点（PWP）、有效水分容量（AWC）、降雨事件和土壤水分储存动态。

光谱数据采集使用固定翼无人机（UAV）eBee RTK（SenseFly, Cheseaux-sur-Lausanne, Switzerland）进行，配备了Sequoia多光谱相机（Parrot, Paris, France）。传感器记录了绿色（550 nm）、红色（660 nm）、红边（735 nm）和近红外（NIR—790 nm）波段的图像。飞行在当地时间上午10:00左右进行，避开作物行影，飞行高度为100米，空间分辨率为0.10米，纵向重叠80%，横向重叠75%。飞行前和数据处理后进行了辐射计量校准。多光谱图像处理使用Pix4Dmapper软件4.9.0（Pix4D, Lausanne, Switzerland）进行，遵循标准对齐和辐射计量校准工作流程。

在选择植被指数时，考虑了玉米作物的生理特性及其高生物量含量。在选择光谱变量时，优先使用红边波长区域，以避免仅基于可见红光区域的指数中的饱和现象。因此，计算了NDRE（归一化差异红边指数）（公式（1）），特别是因为它在高叶面积指数条件下能够保持敏感性而不饱和，并更适用于计算应力比率（SR）指数。同时计算了NDVI（归一化差异植被指数）（公式（2）以进行比较。

3. 结果与讨论
使用Matrice 350 RTK多旋翼无人机（DJI, Shenzhen, China）获取热成像数据。无人机配备了Zenmuse H20T辐射传感器（DJI, Shenzhen, China），该传感器的热分辨率为640 × 512像素，热灵敏度≤50 mK。通过嵌入式RTK系统与D-RTK2移动基站通信，确保了地理参考的准确性。RTK基站在已知地理坐标的点上进行定位，使得GIS（地理信息系统）可以在地图之间进行叠加。

由于辐射计量格式的特殊性，热成像的处理需要在Metashape Professional软件2.2.3（Agisoft, St. Petersburg, Russia）中采用特定的工作流程。来自Zenmuse H20T相机的原始热成像首先使用DJI Image Processor软件v1.7进行预处理。工作流程包括高精度照片对齐、相机校准优化、密集点云生成以及数字高程模型（DEM）的创建。最终的热成像正射影像以TIFF格式生成并导出，保留了定量表面温度（Ts）值以供进一步分析。

水分胁迫的评估使用了两种不同的指标。首先使用了TVDI（温度-植被-干旱指数），该指数基于表面温度与植被指数属性的空间（应力三角形）计算得出（公式（3））。TVDI是一个归一化指数，范围从0到1，接近0的值表示像素温度接近湿润边缘（Tmin），代表最大蒸腾率和水分舒适度。TVDI = (Ts ? Tmin) / (Tmx ? Tmin) (3)
其中：Ts 为像素处观测到的表面温度；Tmin 为给定NDRE（归一化差异水分指数）下观测到的最低温度，对应于湿润边缘（由应力三角形散点图的下边缘定义）；Tmax 为观测到的最高温度，对应于干燥边缘，此时水分可用性最低且气孔关闭（由应力三角形上边缘的线性方程定义：Tmax = a + b × NDRE）；a 和 b 分别代表拟合线的线性系数和角度系数。

尽管原始方法[16]经常使用NDVI，但本研究选择用NDRE代替它。这一选择是基于玉米作物在生殖阶段具有高生物量的事实，在这个阶段NDVI容易饱和并失去敏感性，而NDRE与作物变异性之间的相关性更好。由于传感器之间的空间分辨率存在差异，热数据通过最近邻方法重新采样至0.10米的最终分辨率，以确保与多光谱数据逐像素匹配。此外，还计算了应力比率（SR），这是一个简化的热光谱关系指标（公式（4）：SR = Ts / NDRE）。

作物高度使用Zenmuse L2激光雷达传感器（DJI，深圳，中国）进行测量，该传感器与Matrice 350 RTK飞机相连，并由D-RTK2基站提供实时定位校正。飞行高度为地面以上35米，速度为2米/秒，横向重叠率为30%。传感器的配置为非重复扫描模式，密度为1000点/平方米，每个脉冲返回5次数据。

激光雷达传感器数据的处理首先在Terra软件5.0.2（DJI，深圳，中国）中开始，用于融合原始数据并将坐标关联到点云，然后使用LiDAR360软件9.0.0（GreenValley International，河内，越南）对点云进行校正。在此阶段，进行了噪声过滤、平滑处理以及自动分类，将土壤和植被部分分开。通过从植被点中减去地形高度来标准化点云，得到数字高程模型（DHM）（公式（5）：DHM(x, y) = DSM(x, y) ? DTM(x, y）。用于分析的作物高度直接从这个标准化模型中提取。

土壤湿度（?SW）的表征与植物水分势（ΨLeaf）的评估同时进行，使用相同的45个采样点网格，在R2物候阶段的早期（开始结籽时）。虽然生理和传感数据是在R2阶段收集的，但区域水分平衡（图2）显示，在随后的灌浆期间土壤水分储存量一直接近其有效水分容量。测量?SW时使用了HydroFarm便携式电子仪表（Falker），该仪表通过接触式传感器根据介质的介电特性估计土壤体积水分。传感器使用局部土壤样本进行校准，采用多点称重法，以考虑热带Oxisol土壤的特定电磁特性[17]。通过将传感器杆垂直插入评估植物的根区土壤剖面中进行读数，为地块中水分可用性的空间化提供了基线数据。

玉米作物的水分状况通过使用Scholander压力室（Model 1000，PMS Instrument Company，Albany，NY，美国）确定叶水势来进行评估，压力室用压缩氮气加压。测量在黎明前进行，采用45个采样点的网格，旨在量化土壤和植物之间的水分平衡。该过程遵循标准方法，即对装有切下的叶片的压力室进行加压，记录使木质部汁液渗出到叶柄切割表面所需的压力。

生理评估使用便携式红外气体分析仪（IRGA，Model LI-6400，LI-COR，Lincoln，NE，美国）进行，配备有6400-40荧光仪，包括人工光源和荧光测量系统。在1000 μmol m?2 s?1的人工饱和辐照度和约380–400 μmol mol?1的环境CO2浓度下进行测量。在当地时间上午8:00至10:00之间对完全发育的叶片进行测量，确保植物处于理想的水合和辐射条件下。

数据分析分两个阶段进行：多元探索性和地统计学分析。数据的正态性通过Shapiro–Wilk检验（p < 0.05）进行验证。数据的插值用于生成连续的表面地图，使用Ordinary Kriging方法（对于具有明确空间依赖性的变量）或Inverse Distance Squared方法（对于没有明确空间结构的变量），使用ArcGIS 10.5软件（ESRI，Redlands，CA，美国）。统计分析和Moran指数分析在R软件4.5.2中进行。

计算了全局双变量Moran指数（I），以评估作物产量与测量到的农艺属性之间的空间关系。Moran指数明确考虑了样本的空间结构，使我们能够区分真实的关联，而不是由点之间的地理接近性引起的虚假模式[18,19]。空间权重矩阵使用k最近邻（KNN）算法构建，k设置为5以定义邻域结构。权重进行了行标准化，以确保空间滞后计算代表相邻观测值的平均值。所有变量都进行了标准化（Z分数），均值为零，标准差为一。然后计算双变量Moran指数，以量化给定位置的变量（X）与相邻位置的空间滞后变量（Y）之间的空间相关性。使用蒙特卡洛置换检验（999次随机模拟）评估指数的统计显著性（p < 0.05）。

应用主成分分析（PCA）来处理多个解释变量之间的多重共线性，并通过将相关变量转换成较少数量的正交分量来降低数据集的维度，这些正交分量解释了大部分总方差[20]。PCA使变量能够分组为潜在向量，这些向量解释了土壤-植物系统中的大部分方差，有助于空间模式的生理解释。在确定了与产量具有最高双变量Moran I指数值的变量后，进行了多元线性回归分析，以建立预测模型。产量被视为主要因变量，其他选定的变量作为独立解释变量，根据公式（6）：
Yiel = β0 + β1Clay + β2?SW + β3WUE + β4A + β5Gs + β6TVDI + β7SR + ε (6)
其中：β0为回归截距；βi为与每个独立变量相关的偏回归系数；ε为随机误差；Clay为土壤粘土含量；?SW为土壤体积含水量；WUE为水分利用效率；A为净光合率；Gs为气孔导度；TVDI为温度植被干燥指数；SR为应力比率。系数的显著性使用t检验在5%的概率水平下进行评估。

作物产量表现出较高的空间变异性，范围从6623公斤/公顷到13,360公斤/公顷（图3），即使在统一管理下也突显了地块的异质性。属性的空间可视化显示了不同的变异性模式。观察到粘土含量（Clay）较高的区域与生产力（作物产量）、土壤湿度和水分利用效率（WUE）较高的区域之间存在视觉对应关系。关于应力指标，应力比率指数（SR）在生产力和植物高度较低的区域表现出较高值。相比之下，温度植被干燥指数（TVDI）显示出不同的模式，其较高值与生物量较高的区域和产量较高的区域空间上重合，这一生理关系将在第4节中探讨。

图3显示了土壤物理-水分特性、光谱指数、气体交换和玉米作物物候的空间变异性地图。双变量空间相关矩阵（图4）证实了作物表现与环境变量之间的视觉对应关系。观察到作物产量与水分相关参数之间存在显著的正空间依赖性，特别是TVDI（I = 0.82）和土壤水分（I = 0.67）。同样，生理特征如水分利用效率（I = 0.73）和光合率（A，I = 0.71）与产量地图也有高空间一致性。这些高的Moran I值（I > 0.60）表明，高产簇并非随机分布，而是显著位于土壤湿度最佳、粘土含量（I = 0.60）和植物生理活性最高的连续区域。

作物水分状况的分析揭示了所用杂交品种的生理特点。观察到土壤水分可用性与叶水势（ΨLeaf）之间存在解耦。虽然土壤湿度图（?SW）与气体交换（光合作用I = 0.80，蒸腾作用I = 0.65）有很强的正相关，但该图与叶水势的相关性较低（I = 0.15）。这种行为表明，在粘土含量较低和水分储存量较低的区域内，植物处于严格的气孔控制下（等水分行为）。为了保持ΨLeaf在稳态水平（-100至-700 kPa之间）并避免木质部气孔阻塞，作物牺牲了气孔导度。因此，生产力的空间变异性不是由组织脱水引起的，而是由预防性气孔关闭导致的CO2输入减少所造成的。因此，生产力的空间变异性不是由植物脱水引起的，而是由于这些区域的叶子长时间处于关闭状态，从而大幅降低了日常光合作用率。

主成分分析（PCA）将数据的协方差结构合成为两个潜在轴，这两个轴合计解释了系统中65.8%的总体变异（图5）。第一个主成分（PC1）负责54.3%的方差，作为生产力潜力和水分状况的综合指标。在这个轴上，作物生产力（产量）、土壤水分（?SW）、粘土含量（Clay）以及关键生理变量（如光合率（A）、蒸腾作用（E）、水分利用效率（WUE）和叶水势（ΨLeaf）之间观察到强烈的正向向量聚类。这些向量在同一方向上的投影证实了生产力较高的区域受到土壤水分保持能力（与粘土含量相关）的控制，这使得作物能够保持较高的气体交换率（A和E）和更好的水分状况。有趣的是，TVDI也属于这一组，表明光谱指数能够捕捉到与水分相关的这种空间变异性。

作物形态动态表现出独立行为。植物高度（PH）向量主要投影到主成分2（占方差的11.5%），与产量和水分属性向量形成大约90°的角度。因此，PC2的重要性不在于解释的方差大小，而在于它隔离了与产量形成统计上无关的形态特征。这表明植物高度的变化是由除水分中介机制之外的因素驱动的，证实了植被结构和生殖输出之间的异速生长解耦。尽管产量在实验过程中由于黏土和水分梯度的变化而大幅波动（变化幅度为101.72%），但植株高度却相对稳定（变化幅度为67.13%）。这种异速生长解耦现象表明，水分胁迫（玉米作物生产力的限制因素）在生殖阶段（籽粒充实期）的影响更为严重，从而降低了产量，但并未显著干扰已经建立的垂直 vegetative 生长。这一生理机制通过双变量Moran分析得到了统计验证（图6C），该分析显示土壤水分（?SW）与叶片水势（Ψ）之间不存在空间相关性，这与光合作用对土壤水分的强烈空间依赖性形成对比（图6B）。图6展示了土壤-植物相互作用的空间机制：双变量Moran’s I散点图说明了（A）土壤水分对黏土含量的依赖性；（B）净光合作用的受限性受土壤水分可用性的影响；（C）作物的等水势行为，表现为土壤水分与叶片水势之间缺乏空间相关性；以及（D）TVDI与光合作用之间的关系。表2包含了多元线性回归（MLR）系数的估计值、标准误差及其对预测玉米产量的重要性。利用双变量Moran’s I方法辨识出的变量构建的MLR模型表现出较强的预测能力，调整后的决定系数（R2）为0.6831（p < 2.2 × 10^-16）。除了土壤黏土含量外，所有其他独立变量（?SW、WUE、A、Gs、TVDI和SR）的系数均具有统计学意义（p < 0.05）。这些生理和传感参数的高重要性进一步证明了综合三模态方法能够捕捉到这些热带Oxisols中作物产量的大部分空间变异。

4. 讨论
4.1 土壤特性、水分可用性、气孔调节与作物产量
玉米（Zea mays L.）是一种等水势植物，通过严格调节气孔来控制叶片水势。当感知到土壤干燥（基质势降低）时，根部会合成脱落酸（ABA），并通过木质部转运到叶片[11]。ABA诱导气孔关闭以减少蒸腾作用并保持细胞膨压[3]。由根部向地上部分传递的ABA信号触发的预防性气孔关闭受到矿质营养的调节。正如Rengel等人[21]所指出的，在磷和锌营养状况良好的植物中，即使在适度胁迫下也能保持较高的气孔导度，这可能解释了为什么在籽粒充实期水分亏缺变得严重之前，植株生长（植株高度）仍得以维持。蒸腾作用是叶片的主要冷却机制（潜热蒸发）。随着气孔关闭，太阳辐射的散失减少，叶片温度升高，超过空气温度[12]。为了维持叶片水势的稳态，需要严格的气孔调节，这反映了地上部分与根系之间的功能平衡。虽然这种机制保护了植物免受木质部空化的伤害，但在土壤持水能力低的区域，长时间的气孔关闭可能会限制光合作用速率和开花后的辐射利用效率[22]，从而可能减少每日生物量的积累。土壤湿度和叶片水势之间的解耦现象为作物的等水势策略提供了有力证据。这种区别至关重要：植物并未遭受水分胁迫或组织脱水，因为叶片水势（ψ leaf）保持稳态。相反，生产力的空间变异是由碳限制驱动的；虽然预防性气孔关闭成功避免了木质部空化，但显著削减了二氧化碳的同化[23]。因此，不同管理区域的产量差异本质上是水分安全性与光合作用收益之间的权衡。

4.2 TVDI与温度模式的解释
TVDI并未呈现随机分布，而是严格遵循了生物量和作物产量的空间分布。尽管胁迫指标通常与气孔关闭相关[15]，但本研究中发现，较高的TVDI值与较高的蒸腾作用、光合作用和最终产量区域重叠。这表明热传感器检测到的是高活力区域因更多生物量而产生的显热[10]。通常情况下，冠层温度的升高是胁迫的预兆。然而，我们的结果表明，较高的TVDI值与高蒸腾作用、光合作用和最终产量区域共存。我们推测，在高产量区域，由于冠层密集且地面覆盖完整，无人机搭载的热传感器所捕捉的有效辐射表面主要是冠层顶部[28]。这一表面可能因边界层效应和强烈的辐射截获而表现出更高的整体温度[29]，即使单个叶片在高蒸腾率下仍能维持代谢活动。因此，在这种高生物量背景下，TVDI作为生理活力和生产潜力的综合指标，而不仅仅是气孔关闭的简单指标。这解释了为什么在高活力的区域，尽管维持土壤-植物-大气水分通量需要较高的水力成本，但仍然能够实现较高的产量。

4.3 综合、局限性与实际意义
基于对巴西塞拉多地区玉米生长条件下各因素相互作用的分析，可以得出结论：在土壤肥力适宜的情况下，作物产量首先受土壤质地的影响[30]。土壤质地影响水分可用性[19]，进而影响植物生理过程[22]和最终产量[31]。建议在不同降雨年份（厄尔尼诺年与拉尼娜年）对该区域进行验证，以测试管理区的长期稳定性[6]。单一地区的实验难以证明所提出方法的普遍性。因此，在广泛推广之前，需要在更多作物季节和地点验证这些结果。此外，还应进行经济分析，评估变量播种率技术的投资回报率（ROI），以促使其在该地区的应用。

5. 结论
玉米籽粒产量的明显空间变异范围为6623至13,360公斤/公顷，主要由土壤质地介导的水分可用性决定。富含黏土的区域提高了土壤持水能力，从而促进了光合作用速率、蒸腾作用和水分利用效率（WUE），最终提高了热带Oxisols地区的产量。玉米作物表现出严格的等水势策略，通过提前调节气孔来精确控制叶片水势。在持水能力较低的土壤区域，持续的气孔关闭限制了二氧化碳的吸收，从而降低了日常的光合作用产出和最终的谷物产量。在风化严重的热带土壤中，玉米的产量主要受到碳-水关系的影响。这种严格的水分平衡机制更倾向于维持土壤的水分完整性而非生物量的积累，这表明水分受限区域的生产力下降是由于碳供应不足而非土壤水分结构崩溃所致。此外，基于归一化差分红边（NDRE）数据计算出的温度植被干旱指数（TVDI）与谷物产量之间存在显著的正相关关系，该指数能够综合反映植物的生长活力和代谢活动，而不仅仅是传统的土壤缺水指标。这一发现挑战了热遥感中“温度越低越好的”传统观念，强调了根据具体环境背景解读热信号的重要性。值得注意的是，植物高度（主要在生育期形成）与最终产量之间没有统计学上的关联，这说明生殖期的环境胁迫是限制产量的主要因素，进一步突显了土壤水分库在灌浆期中的关键作用。通过整合光谱、热和结构等多模式传感数据，可以精确划分不同的管理区域。这些研究表明，在热带环境中，有效的管理策略不应仅仅依赖历史产量数据或简单的植被指数，因为这些方法往往无法捕捉到导致产量变化的根本生物物理机制。相反，合理的资源管理应建立在对土壤结构及其与作物生理反应动态相互作用的理解基础上，正如本文所展示的多传感器融合方法所揭示的那样。通过捕捉这些特定于地点的机制，该框架为变量播种和精准灌溉提供了科学依据，确保管理措施与土壤-植物系统的实际资源利用效率和生产力相匹配。