基于VIS–NIR–SWIR光谱技术的新鲜甘蔗（Saccharum officinarum）叶片氮、磷、钾光谱变异性及其预测研究

《Remote Sensing》：Spectral Variability and Prediction of Nitrogen, Phosphorus, and Potassium in Fresh Sugarcane (Saccharum officinarum) Leaves by VIS–NIR–SWIR Spectroscopy

　　

本研究评估了可见光–近红外–短波红外（VIS–NIR–SWIR）叶片光谱技术预测甘蔗氮（N）、磷（P）、钾（K）含量的潜力，同时考虑了2023/2024和2024/2025两个生长季、不同物候期以及五个品种间的光谱变异性。研究人员使用FieldSpec 3光谱辐射仪获取350–2500 nm范围内的光谱特征，经多元散射校正（MSC）、平滑处理及Savitzky–Golay一阶导数预处理后，通过Spearman相关性分析识别诊断波段，并采用偏最小二乘回归（PLSR）进行预测建模。主成分分析（PCA）结果显示，光谱变异主要由季节性和物候因素驱动，品种效应则处于次要地位。2023/2024生长季光谱同质性较高，预测性能较低；2024/2025生长季光谱异质性增大，氮（R² = 0.83；RMSE = 0.78 g kg^?1）和磷（R² = 0.80；RMSE = 0.10 g kg^?1）的预测精度显著提升。钾的预测仍最具挑战性（最大R² = 0.25），主要归因于其离子特性及与可见光、近红外和短波红外特定光谱特征缺乏显著相关性。上述结果表明，VIS–NIR–SWIR光谱对新鲜甘蔗叶片N和P具有较强预测潜力，但模型稳健性取决于数据集中光谱变异的程度。

甘蔗作为全球重要的糖料和能源作物，其高效的光合作用代谢（C4途径）和长生育周期决定了其对土壤养分、水分及太阳辐射的高需求。传统的作物营养诊断方法存在耗时、劳动强度大等问题，难以满足现代精准农业对快速、可重复、可扩展诊断技术的需求。遥感反射光谱技术因其能够捕捉叶片生化与结构差异而展现出广阔的应用前景。可见光（VIS）区域主要关联色素吸收，近红外（NIR）区域反映细胞结构特征，短波红外（SWIR）区域则以水分吸收为特征，同时包含蛋白质、含氮化合物及纤维素、木质素等结构性碳组分的相关信息。然而，现有光谱预测模型的性能受多种因素影响，包括叶片水分、色素含量、叶片结构等内在属性，以及采样、保存和预处理方法会因季节、品种和物候阶段产生差异，如何系统评估这些因素对光谱变异及模型性能的影响，成为制约光谱诊断技术实用化的关键瓶颈。

目前针对甘蔗新鲜叶片的研究大多集中于氮素预测，对磷、钾的光谱响应规律认识不足，尤其是磷和钾不直接形成光学活性化合物，其光谱效应更为间接和弥散，加之新鲜叶片中水分对光谱信号的潜在掩蔽效应，使得这两种大量营养元素的精准预测面临更大挑战。开展此项研究的目的在于系统评估VIS–NIR–SWIR光谱技术对甘蔗叶片氮、磷、钾含量的预测潜力，明确不同季节、物候期和品种条件下光谱变异的驱动机制，为构建稳健的作物营养光谱诊断模型提供理论依据。

该论文发表于《Remote Sensing》期刊，研究人员在巴西圣保罗州皮拉西卡巴市的甘蔗技术中心（CTC）开展田间试验，种植区域土壤为极黏重红黄老成土（Red-Yellow Ultisol），气候属湿润亚热带（CWa），年均降水低于1400 mm，雨热同期特征明显。试验采用随机完全区组设计，设置5个甘蔗品种与4种施肥制度（对照、常规施肥、优化施肥1和优化施肥2）的交互处理，共计80个试验小区。样本采集覆盖2023/2024和2024/2025两个生长季，在特定物候阶段（以割后天数DAC表征）采集+1叶（顶部第一片完全展开且具叶耳的叶片），每小区采集6片叶片，将光谱特征中值合并为单一代表性光谱，最终数据集包含480个样本。光谱测量使用配备Leaf Clip探头的FieldSpec 3 ASD FR光谱辐射仪，在实验室控光条件下对叶片中段近轴面进行测定，波段范围350–2500 nm。化学分析采用半微量凯氏定氮法测氮、偏钒酸铵比色法测磷、火焰发射光度法测钾。光谱预处理包括：剔除350–404 nm噪声波段、MSC校正、Savitzky–Golay平滑滤波（二阶多项式，移动窗口35点），并计算一阶导数以消除基线漂移、增强重叠吸收特征。建模采用R语言pls包实施PLSR算法，通过10折交叉验证确定最优潜变量数，以R²、RMSE、MAE和Willmott一致性指数（d）评价模型性能，同时运用Spearman相关分析和PCA揭示光谱变异规律。

研究结果部分涵盖以下方面：

rainfall条件与叶片N、P、K浓度变化：两个生长季降水模式差异显著，2023/2024生长季降水分布相对均匀，2024/2025生长季则出现6–10月的持续水分亏缺，导致作物发育延迟（首次采样推迟至割后220天）。降水差异直接影响作物物候进程和养分吸收动态，2023/2024生长季氮素初始浓度较高后逐渐降低，2024/2025生长季各养分中位值整体偏低且变幅收窄；钾素表现出最大的相对变异性。

光谱变异贯穿作物发育过程：全局PCA显示，生长季间在PC2轴上分离明显，2023/2024生长季光谱变异幅度较小、数据点沿PC2轴集中分布，2024/2025生长季则呈现更大的数据离散度；品种间未形成明确分组，仅CTC05品种显示轻微位移但不足以构成独立聚类；物候阶段（DAC）则呈现渐进式分组，早期阶段（180–220 DAC）数据点较为集中，反映结构和生理同质性较高，而后期阶段（290–350 DAC）离散度增大，与成熟过程中中脉结构、色素动态等变化相关。单季PCA进一步揭示，2023/2024生长季PC1解释约70%方差，以SWIR区域为主导；2024/2025生长季PC1降至53%，PC2贡献超20%，显示更复杂的光谱结构，且VIS区域变异系数显著升高。

光谱特征表征：通过一阶导数和连续统去除技术对两个生长季进行光谱特征增强分析。2023/2024生长季光谱曲线重叠度高，氮和磷的梯度变化较 subtle，钾素无法区分；2024/2025生长季曲线分离度显著提升，氮素在红边区域（一阶导数）和可见光区域（连续统去除）呈现清晰梯度，磷和钾的区分度有所改善但仍有限。

一阶导数与营养相关性：Spearman相关分析表明，两生长季诊断波段位置相似但强度差异显著。2024/2025生长季在可见光和红边区域（500–750 nm）呈现更强、更明确的相关峰，氮素在VIS（493–550 nm）、红边（725–777 nm）及SWIR（2144–2176 nm、2278–2297 nm）区域|r|>0.80；磷素在2023/2024生长季未达阈值，2024/2025生长季则在562–770 nm和1686–1711 nm表现出强相关；钾素在两个生长季均未识别出满足|r|≥0.70的连续波段。

N、P、K叶片含量预测：PLSR模型性能呈显著季节差异。2023/2024生长季：氮R²=0.67、磷R²=0.45、钾R²=0.04；2024/2025生长季：氮R²=0.83（RMSE=0.78 g kg^?1，MAE=0.61，d=0.95）、磷R²=0.80（RMSE=0.10 g kg^?1，MAE=0.08，d=0.94）、钾R²=0.25（d=0.68）。钾素预测始终面临最大挑战，其模型解释力有限。

讨论部分围绕以下核心议题展开：

影响光谱行为的因素：叶片水分含量通过直接（水分吸收）和间接（改变其他叶片属性）途径影响光谱特征。2024/2025生长季的初始水分胁迫可能导致了生理和结构变化，与观测到的光谱差异一致。PCA结果确认了气候因子的主导作用，品种效应相对次要但可检测（如CTC05的轻微位移），物候阶段则呈现一致的渐进分组模式，与叶片成熟过程中色素积累、中脉充气及衰老时叶绿素降解、NIR反射降低等机制相符。生长季间方差幅度的差异与降水条件密切相关：2023/2024生长季高光谱同质性源于湿润条件下水分对光学响应的均质化效应，SWIR区域主导PC1；2024/2025生长季水分胁迫降低了水分对整体光谱响应的影响，使VIS区域变异系数升高，PC1载荷显示VIS和NIR区域权重增加，更利于捕捉与氮相关的色素变化。

N、P、K相关叶片光谱变异性：两个生长季的光谱表征结果反映了季节间变异，尤其在可见光区域。2024/2025生长季一阶导数在红边区域更清晰地突出了氮梯度，连续统去除在500–700 nm区间强化了营养水平区分。氮素相关性在两季均较一致，2024/2025生长季SWIR区域的强相关（2144–2176 nm、2278–2297 nm）与蛋白质结合态氮及N-H、C-H键振动相关，佐证了SWIR用于氮监测的合理性。磷素在2024/2025生长季的VNIR（562–770 nm）和SWIR（1686–1711 nm）表现出与氮重叠的诊断波段，暗示间接检测途径。钾素未识别出满足阈 reasonably consistent 的连续波段，其光谱响应更为间接和不稳定，主要通过水分状态、渗透调节和气孔动力学等途径体现，易被SWIR水分吸收带掩蔽。

预测模型性能：模型性能与光谱响应质量一致，遵循氮>磷>钾的灵敏度层级。季节环境变异是影响模型稳健性的重要因素。2024/2025生长季更优的性能得益于明确的吸收特征，而2023/2024生长季的光谱均质化限制了算法预测能力。氮模型R²从0.67提升至0.83，验证了诊断波段的重要性；磷模型R²从0.45跃升至0.80，但需谨慎解读，因其可能通过生理、色素和形态变化的间接途径实现，而非检测磷本身的特定光学特征，其高预测能力可能部分源于与氮状态及叶绿素的协变关系；钾模型即使改善后仍性能低下（R²=0.25），反映其离子特性（以K⁺形式存在于细胞液中，不参与叶片有机结构）导致缺乏特定光学特征 ends，且受SWIR水分吸收带干扰严重。未来研究可考虑动态波段选择算法、多任务学习或图卷积网络等更复杂的特征提取方法，以及结合纳米传感器技术，以改善钾的监测能力。

变异性决定因素及预测局限性：N、P、K光谱预测受物理光学、生物和操作因素共同制约。物理光学层面上，模型性能取决于光谱与叶片生化组分相互作用的强度和特异性；生物层面上，遗传、结构和生理变异影响光谱响应，但本研究中品种效应有限；操作层面上，采样类型与位置、叶片选择、物候阶段、样本制备及预处理方法均直接影响精度。研究强调，单一预测模式难以跨生长季稳定，需纳入作物物表型相关连续辅助变量及叶片水分状态直接测量，以提升模型的时空泛化能力。

研究结论表明：VIS–NIR–SWIR反射光谱技术对甘蔗叶片大量营养元素具有预测潜力，但模型有效性受季节背景特别是降水制度的调控。光谱变异性主要由季节性和物候因素主导，品种效应有限。SWIR和红边区域对氮具有信息价值，对磷有间接指示意义；钾的预测最具挑战，其光学检测以间接途径为主，信号易被水分吸收带混淆。未来研究应优先发展物候特异性模型，通过动态波段选择算法分离营养信号与结构衰老效应，并整合环境辅助变量以保障模型跨季节的稳定性与时空泛化能力。