生理信息驱动的LSTM框架整合作物模型与哨兵2号时间序列用于水稻氮素状况估算

《Plant Phenomics》：Physiology-informed LSTM framework integrating crop model and Sentinel-2 time series for rice nitrogen status estimation

　　

植物干物质量（PDM）和植株氮积累量（PNA）的准确评估为水稻生产中精准氮（N）管理提供了关键指标。然而，纯数据驱动模型因地面实测生理数据的空间稀缺性而难以泛化。为解决这一问题，研究人员开发了一种生理信息驱动的长短期记忆（PI-LSTM）框架，用于稳健的区域氮（N）诊断和变量施肥。首先，该模型利用基于DSSAT的模拟库进行预训练，以内化作物生长动态，该模拟库涵盖2000个代表性田块和700个管理场景，提供生理上一致的伪标签。随后，利用多年田间观测数据（2020、2023、2024）、哨兵2号（Sentinel-2）时间序列数据及气象输入对框架进行微调。所提出的LSTM框架在估算PDM和PNA方面优于传统机器学习方法，五折交叉验证的R²分别达到0.87和0.83。基于这些生物物理估算，氮素营养指数（NNI）诊断的整体分类准确率为67.3%。此外，通过整合临界氮稀释曲线，研究人员量化了临界PNA和累积氮亏缺（AND），并以此为基础开发了基于AND的氮推荐算法（ANDA）。最后，2024和2025年在七个地点开展的变量追肥田间实验表明，与农民常规施肥相比，ANDA减少了13.4%的氮投入，同时维持或提高了产量，并将氮肥偏生产力（NPFP）提高了18.6%。本研究为区域尺度精准氮管理提供了一个可靠且物理一致的决策支持框架。

论文解读文章

研究背景与问题：氮（N）管理对保障粮食生产和推动可持续水稻（Oryza sativa L.）生产至关重要，然而次优且均匀的施氮实践常导致温室气体排放和地下水污染。为解决这些权衡，变量氮肥管理成为可持续农业的关键途径。其核心是氮素营养指数（NNI），被广泛视为诊断作物氮素状况的金标准。然而，NNI在区域尺度上的应用仍面临挑战，因为需要连续且准确量化两个基本生物物理变量：植物干物质量（PDM）和植株氮积累量（PNA）。当前主流方法主要依赖两种独立途径：基于遥感的纯数据驱动方法和过程模型（PBMs）。遥感技术利用卫星影像和深度学习擅长捕捉空间变异性，但受限于“小样本”困境——纯数据驱动模型需要大量地面真值数据，而获取这些数据依赖于劳动密集且空间稀疏的破坏性田间采样，导致模型过拟合且泛化能力差。过程模型（如DSSAT）通过封装生理机制模拟不同环境下的作物生长，但参数化复杂且计算成本高，难以直接用于大区域实时像元级空间预测。因此，现有单一方法均无法同时满足生理可信、空间可扩展及季节内氮诊断的需求。针对这些挑战，本研究旨在开发一种生理信息驱动的LSTM（PI-LSTM）框架，通过伪标签策略实现水稻氮诊断和变量施肥。研究目标包括：1）构建整合DSSAT机制与LSTM网络的PDM和PNA时空估算模型；2）开发基于估算累积氮亏缺算法（ANDA）的动态变量施肥方法；3）在江苏省兴化市进行区域尺度验证。

研究结论与意义：该研究提出的PI-LSTM框架为区域尺度水稻氮管理提供了可行策略。经田间微调后，模型对PDM和PNA估算的R²分别为0.87和0.83，NNI分类整体准确率达67.3%。田间验证表明，与农民常规施肥（FP）相比，ANDA策略减少13.4%氮输入，提高18.6%氮肥偏生产力（NPFP），同时维持产量。然而，仅在特定年份地点观察到净收益显著增加，表明短期经济效益更依赖当地产量响应和生产条件。该框架为田块级氮管理提供实用支持，并为养分管理规划提供区域特定信息，可作为精准农业系统的组成部分。论文发表在《Plant Phenomics》。

主要关键技术方法：研究人员采用DSSAT模型（CERES-Rice模块）生成模拟场景库（2000个代表性田块×700个管理组合），利用辐射吸收分数（fPAR）作为桥梁变量，通过多指标匹配（皮尔逊相关系数、余弦相似度、动态时间扭曲）将遥感观测与模拟轨迹对齐，构建伪标签数据集。随后构建双层LSTM网络（128隐藏单元），在模拟数据上预训练，再通过迁移学习（固定下层LSTM层、微调上层及全连接层）用真实田间观测（2020、2023、2024年多站点试验）调整。最终基于NNI和AND推导ANDA施肥算法，并在7个地点（2024-2025年）进行验证。样本数据来源于中国江苏省兴化市2017-2025年多期田间试验，包括小区试验（Exp.1）、多站点农场尺度调查（Exp.2）和氮调控验证试验（Exp.3）。

研究结果：3.1 生理信息驱动LSTM框架的性能评估：3.1.1 伪标签可靠性与机理知识内化：通过时间序列曲线匹配，模拟与观测的fPAR系列具有高一致性（平均皮尔逊相关系数0.90，余弦相似度0.98）。LSTM在合成测试集上对PDM和PNA实现了近乎完美的拟合（R²分别为0.99和0.98），表明成功内化了DSSAT生长动态。3.1.2 场域适应与模型对比：经5折交叉验证，微调后LSTM在PDM（R²=0.87, RMSE=955.43 kg·ha^-1, RRMSE=15.3%）和PNA（R²=0.83, RMSE=12.79 kg·ha^-1, RRMSE=10.3%）上均优于SVM、RF、XGBoost等传统算法。NNI和AND的R²分别为0.49和0.50。3.1.3 模型特征全局敏感性分析：扰动分析显示模型主要依赖红边植被指数（CIRE、GNDVI、RESAVI）、生育期（DAT）和降水因子，而静态管理变量（如基肥施氮量）影响较小。3.2 氮素状况诊断与区域变量处方评估：基于NNI三级分类（缺乏、最适、过量）的整体准确率为67.3%（Kappa=0.51）。区域制图显示兴化市34.30%的田块氮过量，20.04%缺乏，45.66%最适。由此推导的氮需求（NR）中位数为127.70 kg·ha^-1，表明均匀施氮策略不适用于空间异质性。3.3 变量施肥策略与田间验证：在7个对比试验中，ANDA平均减少13.4%总氮投入，多数地点维持或增产（LS 2025年显著增产13.3%）。NPFP普遍提高（5个地点显著），净收益仅在LS 2025年显著增加19.5%，其他地点无显著差异。

讨论与结论：讨论部分指出，PI-LSTM通过结合DSSAT机理知识，有效解决了纯数据驱动模型泛化差和过程模型计算成本高的问题，其时间记忆机制能跟踪作物物候序列，从而优于静态机器学习算法。NNI诊断的中等精度可能源于使用的固定临界稀释曲线未完全捕捉品种、土壤肥力和管理差异。ANDA策略的农学和经济效益表明优化空间分布比单纯增加施氮更重要，但短期经济收益受产量响应和市场价格影响较大。局限性包括：伪标签基于DSSAT模拟可能未反映复杂田间真实扰动（如病害、倒伏）；固定临界稀释曲线需自适应校准；管理输入简化；未考虑土壤水分过程。结论部分翻译如下：本研究通过整合DSSAT衍生的生理知识与哨兵2号时间序列观测和气象数据，开发了一个生理信息驱动的LSTM框架，用于区域尺度的水稻氮管理。该框架为缓解遥感氮诊断中稀疏田间观测的限制、支持作物生长和氮状况指标估算提供了可行策略。经田间微调，模型对PDM和PNA的R²分别达到0.87和0.83，NNI分类整体准确率为67.3%。田间评估进一步表明，该框架能在异质性生产条件下支持可靠的氮诊断和田块特定追肥决策。与农民常规施肥相比，ANDA策略减少13.4%氮输入，提高18.6%氮肥偏生产力，同时维持产量。然而，仅在特定年份地点观测到净收益的统计显著增加，表明短期经济效益更依赖当地产量响应和生产条件。总体而言，该框架为田块级氮管理提供实用支持，为养分管理规划提供区域特定信息，并可作为操作化精准农业系统的组成部分。但其性能仍依赖于DSSAT模拟的保真度，且当前框架未明确考虑急性胁迫事件或土壤水文过程，这应在未来工作中加以解决。