突破卫星图像中水稻叶绿素反演的障碍:利用RiceGORT缓解行结构与饱和效应,并提升叶绿素敏感度
《Remote Sensing of Environment》:Breaking barriers in rice chlorophyll retrieval from satellite imagery: Mitigating row structure and saturation effects via RiceGORT and chlorophyll sensitivity enhancement
【字体:
大
中
小
】
时间:2026年07月30日
来源:Remote Sensing of Environment 12.3
编辑推荐:
•针对水稻开发了一种耦合的几何光学辐射传输模型。•RiceGORT模型可缓解水稻叶绿素反演中的行结构效应。•ECI模型被提出用于在密集冠层下提升叶绿素检测的灵敏度。•双周期框架可实现整个生长季的水稻叶绿素监测。•双周期混合模型在不同年份和地区表现出良好的通用性。编辑:Jing M
•针对水稻开发了一种耦合的几何光学辐射传输模型。•RiceGORT模型可缓解水稻叶绿素反演中的行结构效应。•ECI模型被提出用于在密集冠层下提升叶绿素检测的灵敏度。•双周期框架可实现整个生长季的水稻叶绿素监测。•双周期混合模型在不同年份和地区表现出良好的通用性。编辑:Jing M. Chen
1. 引言
水稻是全球约一半人口的主要粮食来源,为人们提供热量和蛋白质(Hashim等人,2024年)。其光合作用活性与产量主要取决于叶片中的叶绿素含量,叶绿素是推动碳和氮同化的关键物质(Wang等人,2024c年)。叶绿素含量有两种表达方式:一种是以叶面积为基础的叶片叶绿素含量(LCC,单位:μg/cm2);另一种是以地面面积为基础的冠层叶绿素含量(CCC,单位:g/m2)(Li等人,2022a年;Li等人,2025a年)。前者是许多生态生理模型和作物生长模型中的关键变量(Croft等人,2017年),而后者则更适用于评估大尺度上的光合能力及营养缺乏状况(Croft等人,2015年;Delloye等人,2018年)。因此,监测水稻的CCC和LCC对于推进精准农业管理、促进可持续农业发展具有重要意义。
随着智慧农业时代的到来,遥感技术因能够监测作物生化特性的时空变化而备受关注(Kganyago等人,2024年)。使用分光仪或飞机进行现场测量,可准确获取田间作物的叶绿素状况(Wang等人,2024c年)。然而,由于数据采集成本高昂,这类方法并不适合大规模的农场管理和区域乃至国家层面的种植决策。而从高光谱和多光谱卫星图像中提取作物特征,则是一种高效且经济的大规模监测方法,尤其是多光谱影像(Tagliabue等人,2022年;Xie等人,2019年)。中等分辨率影像,如来自中分辨率成像光谱仪(MERIS)(Croft等人,2020年;Xu等人,2022年)以及Sentinel-3海洋与陆地颜色传感器(OLCI)(Li等人,2025a年)的影像,已用于生成全球植被监测所需的动态LCC和CCC数据产品。不过,其较低的空间分辨率限制了其在以小农为主的农业系统中的应用。尽管Sentinel-2影像已被成功用于生成高分辨率的叶绿素产品,如MuSyQ LCC,但那些为均匀冠层设计的反演算法尚未针对成行种植的作物进行优化(Wang等人,2024a年;Zhang等人,2025年;Zhang等人,2022年)。成行种植的水稻由于其行结构和水生栽培环境,给从冠层反射率反演叶绿素含量带来了独特挑战。这些特点凸显出亟需为成行种植的水稻开发专门的反演方法。
在遥感观测数据与作物特性之间建立联系的方法有三种:经验法、物理法和混合法(Weiss等人,2020年)。经验模型只需利用田间数据即可构建,但其适用范围通常局限于特定地区和时段(Goswami等人,2021年)。物理模型则通过辐射传输(RT)、几何光学(GO)或计算机模拟模型来探讨输入与输出之间的因果关系(Verhoef等人,2007年;Chen等人,2000年;Qi等人,2019年)。尽管这类机制模型具有很强的解释力,但由于依赖于并非普遍适用的假设,因此会引入额外的不确定性。而结合了基于物理的模型的稳健性与经验方法的灵活性的混合模型,在作物特性反演方面展现出巨大潜力(Berger等人,2020b年;Li等人,2020年)。构建混合模型包含两个连续步骤:首先根据物理模型为不同场景模拟光谱数据集,随后无需真实地面数据,即可通过统计或机器学习技术建立通用回归模型。在作物特性监测领域,一维PROSAIL模型常被用于为混合建模模拟光谱数据集(Berger等人,2018年;Bhadra等人,2024年)。然而,该模型假设介质为均匀浑浊状,无法准确描述不连续水稻冠层中的背景效应。这一局限可能在水稻生长早期为混合模型估算结果带来系统性偏差。
自21世纪初以来,许多学者认识到,传统陆地植被模型并不适合具有行结构的非连续作物冠层(Yan等人,2003年;Yao等人,2008年)。早期的研究设计了将几何光学模型与辐射传输模型相结合的复合模型,用以评估土壤背景和行结构的影响(Zhao等人,2010年;Zhou等人,2014年)。然而,由于忽略了淹水土壤与冠层之间的辐射传输作用,这类模型得到的正向模拟结果与水稻冠层的实际观测值之间存在较大偏差(Zhou等人,2015年)。最近,Zhou等人(2024年)提出了一种针对成行种植水生植被的辐射传输模型,该模型融合了水面反射率模型、阴影光学原理以及植被辐射传输理论,有助于量化水稻冠层下的水体贡献。由于复合模型无法体现单叶的几何结构,它们只能依靠先前的农学知识,而非三维植物结构,来模拟不同生长阶段的冠层反射率。与广泛使用的大规模遥感场景模拟器(LESS)模型相比,复合模型因输入要求简单、计算效率更高,更适用于模拟作物整个生长季的冠层光谱数据集。不过,AVRM模型以及早期复合模型中的几何光学模块与辐射传输模块是依次结合的,并未实现深度的物理耦合。实际上,行方向会影响叶片的方向分布,进而改变光的截获与衰减系数(Maddonni等人,2001年)。行距、行宽和植株高度等结构因素会影响冠层的遮荫模式并调控叶面积指数(LAI),但这些复杂的相互作用在复合模型中并未得到充分体现。正因如此,复合模型在作物特性反演方面的表现未能达到预期效果(Li等人,2020年)。为了更好地捕捉潜在的物理过程,进而提升对那些存在土壤/水体背景、阴影及行结构影响的成行种植作物冠层中作物特性的反演精度,需要进一步完善复合建模理论。
目前,机器学习算法在构建用于作物特性反演的经验模型或混合模型方面越来越受到重视(Abdelbaki和Udelhoven,2022年)。尽管这类算法具有很强的预测能力,但其精度提升往往受到多光谱影像固有局限性的制约,比如波段数量有限、观测方向受限等(Weiss等人,2020年)。相比之下,那些将叶绿素敏感型植被指数与CCC、LCC直接关联的明确公式,因其简单易用且易于理解,仍被广泛采用(Croft等人,2014年;Li等人,2020年)。由此便引出了一个值得重新思考的关键问题:是否只需一个模型就能在整个水稻生长周期内准确估算叶绿素含量?以往的研究确实采用了单一指标(Gu等人,2025年;Zhang等人,2025年),但他们忽视了在冠层闭合前后的不同阶段,影响CCC和LCC估算的因素存在显著差异。
在冠层闭合之前,土壤背景和行结构效应会严重制约CCC和LCC的准确反演,因此需要采用能够整合不受土壤背景影响的叶绿素指数的复合模型来消除这些影响(Haboudane等人,2002年)。随着水稻逐渐形成密集或闭合的冠层结构,裸露的土壤和行结构会逐渐减少甚至消失。平均叶倾角、叶面积指数以及叶片干物质含量等结构因素会共同影响可见光和近红外波段的冠层反射率。在这些阶段,这些干扰因素成为叶绿素反演面临的主要挑战。因此,在冠层闭合后的CCC估算过程中,需要校正非叶绿素成分带来的影响;而LCC的反演则更需要进一步分离出叶面积指数的影响(Li等人,2020年)。近期有一些研究提出了多种方法,用于分离叶绿素信号与冠层结构信号,从而提高LCC的估算精度(Wan等人,2024年)。不过,目前尚未开发出能够校正非叶绿素因素、同时对CCC敏感的植被指数。此外,也有很少研究试图建立一种统一的框架,同时实现CCC和LCC的联合反演。
综上所述,要从卫星影像中有效反演水稻叶绿素含量,就需要针对冠层闭合前后不同的情况采取相应的策略。因此,本研究的目标为:(1)开发一种具有并行耦合机制的几何光学与辐射传输复合模型;(2)设计新的植被指数,用于校正非叶绿素参数对CCC和LCC估算的影响;(3)基于Sentinel-2影像,开发可用于整个生长季CCC和LCC监测的双周期反演模型。
2. 研究区域与数据
2.1 研究区域
亚洲是全球最大的水稻生产地区,中国和巴基斯坦是其中最重要的产粮国(Hashim等人,2024年)。本研究选取了亚洲两个具有代表性的农耕区域作为研究地点,这两个区域分别代表了典型的粳稻和籼稻种植区(见图1)。位于中国东部沿海地区的江苏省,在长江三角洲下游地区是重要的粳稻产区(见图1A)。此外,江苏省北部还有一小部分区域种植籼稻,以满足当地的粮食需求。另一个研究区域是巴基斯坦的旁遮普省(见图1B),该地区种植的籼稻行距较大。这两个区域的水稻物候进程较为相似,通常在6月下旬插秧,10月下旬收割。
下载:下载高分辨率图片(362KB)
下载:下载全尺寸图片
图1. 本研究区域的位置,包括中国的两个主要水稻产区以及巴基斯坦的相应区域。(A)2023年和2024年在中国江苏省采集的田间样本的详细分布情况。(B)2024年在巴基斯坦旁遮普省采集的田间样本的空间分布情况。
2.2 区域数据集
2.2.1 卫星过境期间同步进行的地面采样
2024年,我们在江苏省开展了三次野外调查,旨在收集水稻相关数据,用于评估CCC和LCC反演模型的性能。这三次调查分别在水稻的分蘖期(7月28日至8月2日)、拔节期(8月26日至9月2日)和灌浆期(9月28日至10月4日)进行。具体而言,我们在江苏省从北到南均匀分布的六个县里共设置了107个田间采样点。2023年,我们在江苏省的三个县里进行了第一次调查,调查时间覆盖水稻的拔节期到抽穗期(9月1日至4日),共采集了83个采样点。虽然这些样本的覆盖范围不如2024年的全面,但足以用来检验所开发模型在不同年份间的可靠性和迁移性。在巴基斯坦,2024年也在水稻的分蘖期、拔节期和灌浆期分别进行了三次调查,时间分别为8月26日至30日、9月14日至18日以及9月30日至10月5日。从旁遮普省采集的156个采样点(每次调查52个)被用来验证反演模型在空间上的通用性。
在开展野外实验时,采样点的设置遵循三个标准。首先,采样点的数量需足够,以便反映水稻品种、生长条件以及栽培方式在区域间的差异。其次,采样点应设置在相对均匀的田块中,且与道路之间的最小距离为10米,以避免边缘效应。第三,每个采样点的面积为30×30平方米,其内部沿对角线方向布置有三个子采样点(见图1A)。此外,这些子采样点的地理坐标是通过手持式高精度实时动态全球定位系统设备LT60H(上海华测导航技术股份有限公司,中国上海)进行记录的,该设备的水平位置误差为1厘米。
叶面积指数是在各个子采样点上使用LAI-2200C植物分析仪(LI-COR Biogeosciences,美国内布拉斯加州林肯市)测定的。在每个子采样点上,我们沿着1米的测量路径,以ABBBB的顺序,分别在上层冠层(A)和下层冠层(B)区域各采集5次LAI-2200C的测量数据(LI-COR Biosciences,2018年)。每个采样点的叶面积指数是其三个子采样点测量值的平均值。在灌浆期,由于稻穗开始出现且叶片出现黄化现象,使用LAI-2200C测得的植物面积指数并不适合用于估算CCC。在开展LAI-2200C测量的同时,每平方米收割三株水稻,使用LI-3000 A便携式叶面积仪(LI-COR Biosciences,美国内布拉斯加州林肯市)测定其绿叶面积。随后,通过将扫描得到的绿叶面积与植株密度相积分,得出破坏性测量的LAI值。最后,利用基于LAI-2200C数据与全叶期冠层闭合后的破坏性测量数据之间关系建立的经验公式,将破坏性测量的LAI值转换为与LAI-2200C测量结果一致的数值(见图S1)。在1平方米范围内,对上层冠层中10片阳光照射下的叶片的叶绿素含量进行非破坏性测量,所用仪器为Dualex 4 Scientific(法国奥赛市Force-A公司)(Cartelat等人,2005年),因为卫星获取的叶绿素含量数据主要反映的是阳光照射叶片的生理状态。在每片叶子的叶尖、叶中和叶基处分别采集Dualex仪器的测量数据,然后计算每个小区10片叶子的平均值,最终通过三个小区的平均值得到整个试验田的数值。绝对叶绿素含量(μg/cm2)是通过经过多年水稻叶片生化分析建立的校准方程(y=1.49×x?3.60)根据Dualex仪器的测量数据计算得出的(Li等人,2020年)。最终,叶绿素浓度CCC按照公式(1)计算:(1)CCC=LAI×LCC2.2.2 卫星图像为了实现对水稻叶绿素动态的大规模监测,从Google Earth Engine平台获取了覆盖研究区域的无云Sentinel-2 Level-2 A级图像。为保证空间一致性,红边波段的分辨率被重新设置为与可见光波段相同的10米。虽然空间重采样会带来轻微的光谱失真,但在以小农为主的农业系统中,混合像素带来的误差更为显著(Sun等人,2025b年)。这些S2图像通过Sentinel应用平台中的二级原型处理算法(SL2P算法,即生物物理处理算法)进行处理,从而获得CCC和LAI值,进而通过CCC除以LAI得到叶绿素含量LCC。为简化表述,这些处理后的数据分别被称为SNAP-CCC、SNAP-LCC和SNAP-LAI。在本研究中,SNAP-LAI数据还被用于计算叶尺度上的MERIS陆地叶绿素指数(MTCIleaf)(见表1)。同时,也使用了SNAP-CCC和SNAP-LCC数据与我们的研究方法进行对比。此外,基于Sentinel-2和Sentinel-1卫星图像生成的像素级水稻分布图(Li等人,2026年)也为绘制田间尺度的水稻CCC和LCC分布图提供了支持。表1. 用于混合模型构建与比较的CCC和LCC敏感指数的说明。这些指数中使用的反射率数据已被替换为来自Sentinel-2卫星图像的对应数据。描述公式参考红边叶绿素指数(CIRE)CIRE=R783R705?1(Gitelson等人,2003年)归一化差分红边指数(NDRE)NDRE=R783?R705R783+R705(Barnes等人,2000年)MERIS陆地叶绿素指数(MTCI)MTCI=R740?R705/R705?R665(Dash和Curran,2004年)简单三角形植被指数(STVI)STVI=SAT?SRTSAT+SRT(Qian等人,2022年)叶绿素敏感指数(CSI)*CSI=2.5?R865?R705/R842+R705?R490/R705(Zhang等人,2022年)反射率指数中的变换叶绿素吸收值(TCARI)*TCARI=3R705?R665?0.2R705?R560×R705/R665(Haboudane等人,2002年)优化后的土壤校正植被指数(OSAVI)*OSAVI=1.16×R842?R665/R842+R665+0.16(Haboudane等人,2002年)红边相对指数(RERI705和RERI783)*RERI783=R783?R705/R865(Xu等人,2019年)RERI705=R705?R665/R865基于MTCI衍生的叶尺度指数(MTCIleaf)*MTCIleaf=MTCI×sf+R665sf+R740(Gu等人,2025年)注:带*号的特征用于叶绿素含量LCC的估算。吸收三角形(SAT)和反射三角形(SRT)的面积计算方式如下:SAT=105×R705?R560?145×R665?R560;SRT=125×R783?R740?43×R842?R740。对于MTCIleaf而言,结构因子(sf)由冠层结构参数(p)和方向性面积散射因子(DASF)决定,其表达式为:sf=DASF×1?pp,其中p=1?1?exp?0.925×LAILAI。根据田间样点的地理位置,通过提取对角排列的三个相邻的10×10米像素,计算出Sentinel-2卫星图像的平均反射率(见图1A)。将上述卫星获取的地表反射率数据与江苏和旁遮普地区的田间测量数据配对,这类数据集被称为区域数据集。随后,根据获取的反射率数据,推导出一组CCC和LCC敏感指数(见表1)。由于已有许多针对多光谱或高光谱数据开发的叶绿素相关指数,因此仅选取了具有代表性的部分指数进行研究。此外,还对比了基于光谱不变性理论开发的独特指数MTCIleaf,因为它代表了叶绿素含量反演领域的最新进展。具体而言,SNAP-LAI数据被用来确定重新碰撞概率p。方向性面积散射因子(DASF)则是通过植被的近红外反射率(NIRv)来计算的,其定义为NIR值与NDVI值的乘积(Wan等人,2024年)。2.3 田间试验数据集2.3.1 实验设计第一个田间试验数据集(NETCIA-Rice1)来源于中国江苏省兴化县(北纬33°05′,东经119°52′)开展的分区试验。该数据集由国家信息农业工程技术中心于2018年整理而成(Zhang等人,2021年)。试验采用随机完全区组设计,设置三个重复组,包括两个品种(南京9108和甬优2640)以及两种移栽方式,在四种不同的氮肥施用量下进行试验。通过设置不同的氮肥处理,旨在使LAI和LCC的值出现最大差异。水稻秧苗按照南北方向移栽,行距则依据当地种植习惯设定。更多实验细节见表2。表2. 两个水稻田间试验数据集的实验设计总结。A表示开花期,B表示拔节期,G表示灌浆期,J表示分蘖期,T表示分蘖阶段。数据集样本数量采样日期(生长阶段)种植方式品种行距(米)氮肥施用量(千克/公顷)NETCIA-Rice148×602018年7月20日(T期)2018年7月27日(J期)2018年8月20日(B期)2018年8月28日(A期)2018年9月9日(G期)2018年9月20日(G期)盆栽秧苗粳稻(南京9108)0.30、135、270、405撒播秧苗籼稻(甬优2640)NETCIA-Rice212×6×2023年7月20日(T期)2023年8月3日(J期)2023年8月20日(B期)2023年9月3日(A期)2023年9月24日(G期)2023年10月7日(G期)2024年7月27日(J期)2024年8月10日(B期)2024年9月6日(A期)2024年9月28日(G期)2024年10月8日(G期)2024年10月16日(G期)撒播秧苗粳稻(南京9108、南京5718)0.250、120、240、360籼稻(泉亮优)0.3另一个田间试验数据集(NETCIA-Rice2)是在2023–2024年的两个水稻生长季中,于与NETCIA-Rice1相同的地点开展的分区试验所获得的。氮肥施用量同样设置为四种水平,但具体施用量是根据之前的农学试验结果优化的。此次试验选择了江苏省的三个水稻品种,其中包括一个籼稻品种(泉亮优)以及两个粳稻品种(南京9108和南京5718)。试验仍保持南北向布局和随机完全区组设计,但行距根据籼稻和粳稻的种植要求进行了调整(见表2)。为更贴近实际水稻种植情况,所有36个试验小区的面积均约为10×10米。2.3.2 冠层反射率与农艺性状的测量为了评估物理模型的模拟性能,田间试验中还对冠层的光谱反射率进行了测量。使用Analytical Spectral Devices公司生产的ASD FieldSpec 4光谱仪(美国科罗拉多州博尔德市),在水稻分蘖期、分蘖后期、拔节期、开花期和灌浆期,以1纳米为间隔测量350–2500纳米范围内的冠层反射率。在天气晴朗的情况下,每个小区在冠层上方1.0米的高度处采集五组反射率光谱,然后将这些数据平均,得到该小区的样本值。每个试验田的反射率则为三个小区样本值的平均值。同时,通过商用RTK-GPS设备获取每个小区的地理坐标。此外,还使用SenseFly公司的eBee X测绘无人机,通过10厘米的空间分辨率获取时间序列的无人机影像,以便监测冠层的生长动态。3. 方法本部分介绍了从Sentinel-2卫星图像中反演水稻CCC和LCC值的完整流程,主要包括三个步骤:(1)开发适用于行栽水稻的几何光学与辐射传输复合模型RiceGORT,并在多种参数配置下模拟冠层的光谱数据;(2)提取与CCC和LCC相关的特征,建立冠层闭合前后的通用反演模型;(3)利用双周期混合模型和时间序列的Sentinel-2卫星图像,对整个水稻生长季节的CCC和LCC数据进行时空映射。最后,通过不同农业区域采集的田间样点,对反演得到的叶绿素相关数据进行分析验证。3.1 RiceGORT模型目前,作物性状的物理量化主要依赖PROSAIL模型,而较少使用专为行栽作物设计的几何光学与辐射传输复合模型(Ishaq等人,2023年)。这一局限性源于多个因素。首先,这类复合模型通常结构较为复杂,需要更多的输入参数。其次,现有的几何光学与辐射传输复合模型在描述水分和土壤对冠层反射率的影响方面能力有限。最后,由于无法准确呈现冠层的三维结构以及光截获机制,模型模拟的总体精度也受到限制。例如,最近为行栽水生植物开发的AVCM模型就属于第一类局限性。Row4SAIL模型(Zhou等人,2014年)以及RowCrops模型(Zhao等人,2010年)的假设并不适用于水稻,因为这些模型假定冠层底部为裸土。尽管这些模型强调了作物的三维结构,但却未能考虑行内叶片分布对光截获和散射的影响。为提升水稻性状反演的实用性,人们开发了一种改进型的几何光学与辐射传输复合模型,即RiceGORT模型。该模型简化了淹水土壤与水稻冠层之间的辐射传输过程,同时加入了考虑叶片朝向对辐射影响的模块。它通过LAI值来调整垄间的冠层宽度,从而将几何光学与辐射传输两部分有机结合。开发RiceGORT模型的目的是在保持计算效率的同时,提高冠层反射率模拟的精度。3.1.1 垄上水稻冠层的辐射传输建模通常,PROSPECT和SAIL模型会被结合起来,用于描述叶片的光学特性以及冠层内的辐射相互作用,这种组合模型被称为PROSAIL模型(Jacquemoud等人,2009年)。尤其是PROSPECT-D版本,由于其开发者和用户的高度推荐,被广泛用于叶片反射率和透射率的模拟(Féret等人,2017年)。4SAIL模型则因其能够避免数学上的误差而被选用(Verhoef等人,2007年)。但由于4SAIL模型是基于均匀混浊介质开发的,因此它难以准确描述叶片的方向分布以及不连续的冠层结构。因此,本节以及3.1.2节将详细介绍为克服这些局限性而进行的修改。4SAIL模型中使用的叶片投影函数(G函数)通常是基于Campbell的叶片角度分布模型,并结合球面函数得到的。该叶片角度分布模型假定叶片的方位角呈均匀分布(见图3B)(Campbell,1990年)。但实际上,行栽水稻的叶片方位角并非如此,而是集中在垄中心周围,并向两侧延伸(见图3A)。在具有明显行结构的多数小麦和水稻种植系统中,都能观察到这种分布特征(Wang等人,2024b年)。因此,这里假定叶片方位角集中在与行走向垂直的方向上,并用两个对称的高斯函数来近似表示,其表达式如公式(2)所示。(2)fφ=1σ2πexp?φ?μ2σ2其中φ为叶片方位角(度),μ为垂直于行的方位角,σ为描述叶片方位角横向分布范围的标准差,fφ则为表示角度φ处叶片相对密度的概率密度函数。实验表明,fφ值对σ的变化不太敏感,因此σ的取值范围设定在35°到40°之间。在此范围内,叶片角度分布不再符合均匀球面分布的假设(见图3D),而是呈现出与行方向相关的分布特征(见图3E)。下载:下载高分辨率图像(422KB)下载:下载完整尺寸图像图3. 行栽水稻的叶片方位角分布示意图(A),以及PROSAIL模型(B和D)和RiceGORT模型(C和E)中假设的叶片方位角分布和叶片角度分布。图(B)和(C)为与图(D)和(E)对应的俯视图叶片方位角示意图。(D)为Campbell的叶片角度分布模型,假定叶片角度遵循以平均叶片倾斜角为特征的椭球形分布。(E)为各向异性叶片角度分布模型,该模型以平均叶片倾斜角和叶片方位角作为参数,反映出叶片更倾向于向上和两侧方向生长。图(C)中的蓝线表示用高斯函数拟合的叶片方位角分布,其均值為μ,标准差为σ。这种各向异性叶片角度分布模型为RiceGORT模型中的方向性叶片投影函数提供了基础。(关于本图例中颜色所代表的含义,可查看本文的在线版本。)在PROSAIL模型中,G函数的推导依赖于平均叶片倾斜角分布(公式(3))。显然,这种简化限制了模型准确描述特定太阳入射角度和观测角度下叶片方位角对光截获影响的的能力。当考虑到非均匀的叶片方位角分布时,G函数的计算结果就会随方向发生变化(公式(4))。这种方向性会影响到有效光截获概率和体积散射概率的计算结果。具体而言,太阳方向和观测方向的消光系数(ks和ko),以及后向散射系数和前向散射系数(sob和sof)被重新构建,以纳入叶面倾角分布的概率特性(方程式(5)、(6)、(7)、(8))。按照定义,后向散射比例的推导与叶面倾角无关(Verhoef, 1984)。(3)GΩ=∫0π/2pθlcosγθlΩdθl(4)GdΩ=∫02π∫0π/2pθlfφlcosγθlΩdθldφl(5)ks=Gdscosθs(6)ko=Gdocosθo(7)sob=π×fpθlφlΔφcosθs×cosθo(8)sof=π×fτθlφlΔφcosθs×cosθo其中gΩ和gdΩ分别表示无方向性和有方向性的G函数。Ω代表太阳方向或观测方向,θl为叶面倾角(度)。pθl为叶面面积分布概率,γ为叶面法线与Ω之间的夹角。θs和θo分别为太阳天顶角和观测天顶角。fp和fτ分别表示后向体积散射相位函数和前向体积散射相位函数。对于给定的θl和φl,Δφ为叶面法线与太阳-观测平面之间的相对方位角,其定义为:(9)Δφ=φr?φl其中φr表示太阳方向与观测方向之间的相对方位角,Δφ的范围在[0°,180°]之间。通过将方程式(5)、(6)、(7)、(8)纳入4SAIL模型中的辐射传输框架(补充文件中的方程式(1)、(2)、(3)、(4)),对冠层辐射传输进行了重新建模。结合PROSPECT-D,改进后的4SAIL被用于模拟垄上水稻冠层的反射率,其中下层被设定为淹水土壤。我们的实地测量表明,冠层下方的淹水土壤反射率是由土壤和水体垂直混合而成的,混合比例由水深及土壤的物理化学性质决定(图S2)。利用现场测量数据构建了光谱库,其中包括灌溉水、干燥土壤以及被浅层水覆盖的淹水土壤的反射光谱。与PROSAIL的运行模式一致,RiceGORT中可以通过按指定比例线性混合灌溉水和干燥土壤的反射率来生成淹水土壤的反射率。或者,用户也可以直接使用实测的淹水土壤光谱,或自定义淹水土壤反射率。在水稻研究中,LAI值为4可视为区分开放型冠层和封闭型冠层的阈值(Kim等人,2019)。我们的多年实地实验也表明,当LAI超过4时,成行种植的水稻冠层几乎处于封闭状态(图S3)。对于非连续型冠层(LAI ≤ 4),采用有方向性的G函数来描述单次散射和有限次多次散射现象。随着水稻冠层逐渐趋于封闭状态(LAI > 4),由行间结构导致的叶片分布不均现象会逐渐减弱(图S4)。因此,RiceGORT采用了4SAIL模型中的无方向性G函数(Jacquemoud等人,2009)。在这种条件下,RiceGORT除了能够明确体现行间间隙或视觉上的条带效应外,其功能与PROSAIL相当(图S4)。一旦行间间隙消失,RiceGORT就会回归到将冠层视为均匀介质的PROSAIL模型表述方式。3.1.2. 利用几何光学模型整合水稻冠层场景反射率垄上成行种植的水稻被建模为具有矩形横截面的多孔篱笆,进而采用Kimes GO模型(Kimes, 1983)来综合水稻冠层、淹水土壤以及阴影各组成部分对整体场景反射率的贡献。具体而言,通过合理设想太阳观测视角和水稻冠层的几何结构,将成行种植水稻的三维场景简化为二维表现形式(图4A-C)。水稻冠层在任意方向的水平投影长度,以及淹水土壤中被照亮区域和阴影区域的占比,都可以通过太阳主平面内的场景分析来确定(Zhou等人,2014)。在传感器的视野范围内,根据冠层投射在垄面上的光照区域和阴影,淹水土壤表面被分为两种情形,每种情形又包含四个组成部分。第一种情形包括未被植被遮蔽的淹水土壤的被照亮表面和阴影表面(FSiw1和FSiw2),而第二种情形则对应被植被遮蔽的淹水土壤的被照亮表面和阴影表面(FSsw1和FSsw2)。它们的投影长度分别用Liw1、Liw2、Lsw1、Lsw2表示。由于采用淹水土壤模型,忽略了土壤与水之间复杂的相互作用,以及水中光线的反射和折射现象。因此,非连续型水稻冠层的双向反射率因子可以通过上述五个组成部分的组合来表示,公式如下:(10)BRF=Lc×ρc+Liw1×ρiw1+Liw2×ρiw2+Lsw1×ρshw1+Lsw2×ρshw2其中ρiw1、ρiw2、ρshw1、ρshw2、ρc分别代表FSiw1、FSiw2、FSsw1、FSsw2以及垄上水稻冠层对双向反射率因子的单次散射和多次散射贡献。这些参数反映了土壤对整体场景反射率的单次散射和多次散射影响。具体而言,ρc是通过基于FS驱动的PROSAIL模型来构建的(见3.1.1节)。关于ρiw1、ρiw2、ρshw1和ρshw2的详细说明及推导过程,可参考Zhou等人的研究(2014年)。下载:下载高分辨率图像(338KB)下载:下载全尺寸图像图4. 具有可动态调节冠层宽度的整体水稻冠层几何光学-辐射传输复合模型的示意图。(A)-(C)分别代表沿行垂直向下观测、前向散射以及后向散射的二维几何平面。(D)和(E)展示了随着水稻植株生长,矩形横截面宽度的变化情况。(F)为矩形横截面的详细示意图。绿色代表成行的水稻冠层,蓝色表示水体,青色表示冠层与水体的混合介质,黄色则表示土壤。Lc表示水稻冠层在视野范围内的投影长度。Liw1和Liw2(Lsw1和Lsw2)分别表示未被植被遮蔽(被遮蔽)的土水混合体中,被照亮表面和阴影表面的投影长度。H表示水稻植株高出水面的高度。BW为单株水稻的基部分蘖宽度,RW?表示垄上水稻冠层的宽度,Rle则为行侧垄面上的叶片展开宽度。(关于本图例中颜色所代表的含义,读者可参阅本文的网络版本。)RiceGORT还引入了四个额外的行结构参数,包括水稻移栽时单株水稻的基部分蘖宽度(RW)、植株高度(H)、行距(Rd)以及行方位角(Ra)。与AVRM和Row4SAIL模型不同,这里将垄上冠层宽度表示为行两侧叶片展开宽度(Rle)与基部分蘖宽度之和(见图4F)。为了能够在所有生长阶段进行定量且动态的描述,Rle是根据与LAI之间的经验关系来建模的。因此,行间间隙可通过行距与冠层宽度之差来计算:(11)Rw?=Bw+2×Rle(12)Rle=k1×LAI+k2(13)Rinter?row=Rd?Rw?其中Bw为单株水稻的基部分蘖宽度,Rle为行侧垄面上的叶片展开宽度,Rd为行距,Rw?则为垄上冠层宽度。此处,k1和k2分别是根据NETCIA-Rice2数据集估算出的经验模型的回归系数。3.2. 用于构建混合反演模型的光谱模拟PROSAIL、Row4SAIL和RiceGORT模型所采用的参数设置列于表S1中。为了反映不同的叶片状态,诸如叶绿素含量、单位面积叶质量以及结构参数等关键叶片级参数都进行了调整。类胡萝卜素含量被设定为叶绿素含量的四分之一(Féret等人,2011年)。在冠层未完全闭合之前,绿色叶片的叶褐素含量被规定为0。而在冠层闭合之后,叶褐素含量可在0到1之间变化,以此体现叶片从绿色向衰老状态的逐步转变。由于本研究未使用短波红外反射率数据,因此叶片含水厚度保持不变(Li等人,2023a年)。为模拟开放型冠层,所使用的LAI值范围为0.1到4,而4到8之间的数值则用于表示封闭且密集的水稻冠层。为体现叶片的直立和下垂形态,粳稻和籼稻的平均叶面倾角分别被设定为55°-75°和40°-65°(Wang等人,2024b年)。此外,为了进行更广泛的模拟而不区分亚种,也采用了40°-75°的叶面倾角范围。出于简化考虑,热点参数被固定为0.1(Croft等人,2020年)。在Row4SAIL和RiceGORT模型中,还引入了包括基部分蘖宽度、行距、行方位角以及植株高度在内的多个结构参数,用以描述冠层结构的多样性(表S1)。通过采用反映不同水稻栽培方式的参数组合,从PROSAIL、Row4SAIL和RiceGORT中分别生成了18组合成数据集,这些数据集涵盖了粳稻(PRO_JR、Row_JR、GORT_JR)、籼稻(PRO_IR、Row_IR、GORT_IR)以及所有亚种的水稻(PRO_ALL、Row_ALL、GORT_ALL),并且涵盖了冠层闭合前后的不同状态。在PROSAIL模型中,粳稻、籼稻以及所有水稻亚种之间的差异是通过叶面倾角来体现的。此外,RiceGORT和Row4SAIL模型中的行距则反映了不同的栽培方式差异。3.3. 相关光谱指数的提取目前普遍认为,从开放型水稻冠层中反演叶绿素总含量和叶绿素含量时,需要特别重视土壤背景的影响(Li等人,2022b年)。相比之下,从封闭且密集的冠层中反演时,若能解决由非光合参数变化带来的饱和效应,将会大大提高反演精度(Tian等人,2025年;Wan等人,2024年)。因此,需要在冠层闭合前后分别确定适合的叶绿素敏感指数。3.3.1. 不受背景干扰的叶绿素指数红边叶绿素指数因能够利用红边波段反射率低谷与高值区之间的对比度,而被广泛用于叶绿素总含量的反演(Gitelson等人,2005年;Li等人,2023b年)。从数学角度来讲,两个相邻波段的反射率比值可以消除土壤和水体背景的影响。基于叶绿素含量与三个叶绿素敏感波段反射率之间关系的变换叶绿素吸收反射率指数,其理论基础更为扎实(Haboudane等人,2002年)。此外,将TCARI与经过优化的土壤校正植被指数相结合,不仅能够减少土壤背景的干扰,还能在叶绿素含量的估算中更准确地体现LAI的影响。因此,该指数被用作不受背景干扰的叶绿素含量指数。3.3.2. 对非光合参数不敏感的强化叶绿素指数由于叶绿素总含量会随着LAI和叶绿素含量的增加而上升,因此在780–800纳米波段会出现反射率升高的现象,而在700–720纳米波段则会出现反射率下降的情况(图5A)。此外,叶绿素含量的快速上升会导致700–720纳米波段的反射率曲线向更长波长方向移动(即红移现象),而LAI的上升则会促使780–800纳米波段的反射率曲线向更短波长方向移动(即蓝移现象)。CIRE指数正是利用了反射率高值区与低值区在相反方向上的这种差异性变化,已被证实对叶绿素总含量的变化十分敏感(Gitelson等人,2005年)。在水稻生长过程中,当LAI和叶绿素含量迅速上升时,这种差异性变化在开放型冠层中尤为明显。此后,在抽穗期和灌浆期,LAI和叶绿素含量会保持在较高水平,随后随着植株开始衰老,这些数值会逐渐下降。然而,衰老叶片和穗部的出现进一步增加了冠层结构的复杂性。出乎意料的是,在生长后期,780–800纳米波段的测量反射率并未随植株衰老而下降,反而呈现上升趋势(图5B)。与此同时,700–720纳米波段的测量反射率则随着叶绿素含量的下降而上升。相应地,红边波段也出现了持续的蓝移现象,这进一步证明了在冠层闭合后使用CIRE指数的不适宜性。下载:下载高分辨率图像(230KB)下载:下载全尺寸图像图5. 在水稻冠层叶绿素含量(包括叶绿素含量和叶面积指数)发生变化时,400–1000纳米波段内水稻冠层双向反射率因子的变化情况,分别展示了(A)冠层闭合前以及(B)冠层闭合后的状况。值得注意的是,近红外波段反射率高值区的大小主要受LAI的影响,而反射率低值区的深度则主要由叶绿素含量决定。灰色和粉色渐变框代表Sentinel-2卫星的各个波段,虚线灰色线条则标出了各波段的中心波长。在(A)和(B)图中,红边波段(680–790纳米)内的光谱变化被红色框标出,反射率变化的趋势则由浅蓝色箭头表示。图(A)中的两个虚线椭圆分别标出了700纳米和780纳米附近光谱反射率的变化方向。(B)中显示的红边位置向较短波长方向移动这一现象促使人们设计了ECI指数,而冠层闭合前后不同的光谱行为则为两周期反演策略提供了依据。(关于本图例中颜色对应的解释,可参阅本文的网页版本。)由于反射率高峰与低谷之间的对比度对CCC的敏感度降低,冠层闭合后的叶绿素敏感度提升可得益于红边位置向蓝色方向的移动趋势。图6分别展示了在冠层闭合条件下,BRF以及BRF/NIR对叶片叶绿素含量(LCC,单位:微克/平方厘米)、叶面积指数(LAI,单位:平方米/平方米)、平均叶角(ALA,单位:度)以及叶片干物质含量(LMA,单位:克/平方厘米)变化的响应情况。通过将给定Sentinel-2波段中心波长的BRFλ转换为BRFλ/NIR,后者提高了745–865纳米范围内对LCC的反射率敏感度,同时降低了LAI的影响(见图6E和F)。此外,它在400–865纳米范围内对ALA和LMA的变化并不敏感(见图6G和H)。这与BRFλ特征形成鲜明对比,后者会对LAI和LCC的变化作出响应,同时还受ALA和LMA等非光合参数的影响(见图6A-D)。因此,BRFλ/NIR与CCC的相关性更强(见图7A)。基于这些发现,人们从BRFλ/NIR中衍生出了一个不受非光合参数影响的、更具叶绿素敏感度的冠层指数ECI(见图7C),其表达式如下:(14)ECI=BRF783?BRF705NIR,其中NIR指的是710–790纳米光谱范围内反射率的积分值。对于Sentinel-2影像而言,NIR是第一个(BRF705)、第二个(BRF740)以及第三个红边波段(BRF783)的BRF反射率值之和。下载:下载高分辨率图像(486KB)下载:下载全尺寸图像图6. 冠层双向反射率因子(BRF)以及BRF/NIR对叶片叶绿素含量(LCC,单位:微克/平方厘米)、叶面积指数(LAI,单位:平方米/平方米)、平均叶角(ALA,单位:度)和叶片干物质含量(LMA,单位:克/平方厘米)变化的响应情况。为研究冠层闭合条件下的光谱变化,研究人员使用PROSAIL模型进行了模拟,每次仅改变一个目标变量,其余参数保持不变(见表S1)。NIR表示三个Sentinel-2波段上红边反射率的积分值。白色空心圆代表Sentinel-2各波段的中心波长。BRF/NIR保留了具有叶绿素敏感特性的光谱特征,同时削弱了冠层结构带来的干扰效应。(关于本图例中颜色对应的解释,可参阅本文的网页版本。)下载:下载高分辨率图像(135KB)下载:下载全尺寸图像图7. 田间试验数据中,冠层叶绿素含量(CCC)和叶片叶绿素含量(LCC)与实测双向反射率因子(BRF)、BRF/NIR以及BRF/NIRv(A和B)及其组合特征(C)之间的相关性。实测的BRF被重新采样为与Sentinel-2影像对应的宽光谱带。NIR的计算方法如图6所述,而NIRv则是NIR与NDVI的乘积。该图展示了如何确定对CCC敏感的特征((BRF783 ? BRF705)/NIR)以及对LCC敏感的特征((BRF783 ? BRF705)/NIRv)。先前的研究已经表明,CCC敏感指数与LAI敏感指数的比值具有物理意义,是分离LAI对LCC估算影响的有效方法(Haboudane等人,2002年)。此外,对田间试验数据的统计分析显示,ECI与NDVI的比值相比单独的ECI与LCC的相关性更高(见图7C)。因此,作为用于估算LCC的ECI变体,ECIleaf的定义如下:(15)ECIleaf=BRF783?BRF705NIR×NDVI3.4. 叶绿素反演的两周期混合建模利用模拟数据,通过统计回归方法建立了用于估算CCC和LCC的混合模型。考虑到水稻的生长特性,分别针对粳稻(JHM)、籼稻(IHM)以及所有水稻品种(AHM)在两种生长阶段建立了混合模型:一种适用于冠层闭合前阶段(LAI ≤ 4且栽植后天数DAE ≤ 60),另一种适用于冠层闭合后阶段(LAI > 4或DAE > 60)(见图S3)。JHM和IHM是根据不同品种的表型特征定制的,而AHM则旨在实现跨品种的通用性。在本研究中,AHM和IHM分别被用于江苏和旁遮普省的CCC和LCC估算,这两个地区分别是混种水稻种植区和以籼稻为主的种植区。具体而言,利用PROSAIL、Row4SAIL和RiceGORT模型的模拟结果,建立了CCC ≈ CIRE以及LCC ≈ TCARI/OSAVI的关系,以此研究冠层闭合前物理模型在CCC和LCC估算中的作用。此外,还采用了CCC ≈ ECI以及LCC ≈ ECIleaf的关系,以提升冠层闭合后的叶绿素估算精度。虽然PROSAIL模型能够模拟均匀冠层的光谱数据,但由于冠层闭合后仍存在明显的条带状分布或狭窄间隙,因此选择RiceGORT用于混合建模(见图S4)。如前所述,LAI可作为CCC和LCC反演模型在两种生长阶段之间切换的定量标准。由于针对水稻的LAI数据较为稀缺,因此采用NDVI作为LAI的替代指标。最初,通过无人机拍摄的时序反射率图像确定了表示行间无间隙的NDVI阈值范围(见图S3)。随后,通过实地验证对该阈值(约为0.9)在Sentinel-2数据中的适用性进行了测试。该NDVI阈值能够识别出不同区域在栽植后40天到60天之间的过渡点,但由于叶片衰老现象,这一阈值在后期会变得不准确(见图S3中的红色标记点)。因此,在大多数冠层闭合条件下,DAE成为主要的判断标准。总体而言,在生长早期到中期,简单的DAE标准主导着模型切换,而NDVI阈值则仅起临时性作用。3.5. 所提方法的评估通过绝对百分比误差(APE)和平均APE,量化模拟光谱与实测光谱之间的差异,从而对所提出的RiceGORT模型进行了评估。CCC和LCC反演模型则通过定量验证和直观观察来进行评估。具体而言,利用多年来的田间试验数据和区域数据,从决定系数(R2)、均方根误差(RMSE)以及相对RMSE(RRMSE)等方面,独立评估了这些混合模型的估算精度。由于这些指标在定量评估中被广泛使用,其详细计算方法可见相关文献(Li等人,2022a)。由于R2取决于观测值的方差,当平方后的RMSE超过方差时,R2可能为零或为负值,这在独立验证中表现为与1:1直线的较大偏差。为保持0–1的统一数值解释范围,负的R2值会被视为零(Li等人,2020年)。鉴于R2对数据变异性的敏感性,它不适合用于不同数据集之间的比较,因此选择RMSE作为主要评估指标。此外,还在江苏省的一个代表性子区域内对CCC和LCC的估算结果进行了直观分析,以验证所提方法的可靠性。4. 结果4.1. RiceGORT的模拟性能与敏感性分析图8展示了模拟得到的冠层光谱反射率与实测值之间的差异。具体而言,在分蘖期和拔节期,PROSAIL模型的近红外反射率估算值偏高(见图8A和B)。在740–1000纳米范围内,模拟值与实测值之间的平均绝对百分比误差超过30%(见表3)。尽管Row4SAIL在740–1000纳米范围内的模拟性能有所改善,但在560纳米和705纳米处仍存在较大差异。相比之下,RiceGORT能更准确地模拟冠层反射率,尤其是在绿色波段、红边波段以及近红外波段(见表3)。当水稻冠层在抽穗期变得茂密或接近闭合状态时,三种模型的模拟性能趋于一致(见图8F)。从拔节期到抽穗期的对比结果,反映了这三种物理模型的模拟精度,并凸显了冠层发育对模型性能的影响。下载:下载高分辨率图像(317KB)下载:下载全尺寸图像图8. 利用实测冠层光谱反射率,对PROSAIL、Row4SAIL和RiceGORT的模拟性能进行评估。(A-C)展示了400–1000纳米波长范围内,三种物理模型模拟得到的冠层光谱反射率与实测值的对比情况。实线表示平均反射率光谱,阴影区域则表示光谱变化范围,即以平均值为中心的±1个标准差范围。(DF)展示了2018年、2023年和2024年季节中,利用实测冠层反射率对物理模型模拟结果进行的验证情况。平均绝对百分比误差(MAPE,单位:%)表示所有样本的平均APE值。模型参数包括叶片属性、冠层结构、行距几何参数以及太阳-目标-传感器几何参数,这些参数都尽可能与实测值保持一致。Row4SAIL在正向模拟时使用了实测的冠层宽度而非行距宽度。表3显示了在Sentinel-2各波段中心波长下,三种物理模型模拟得到的冠层反射率的平均绝对百分比误差(MAPE,单位:%),这些数值是基于水稻分蘖期和拔节期的实测数据得出的。数据汇总自图8D-E。值得注意的是,PROSAIL和Row4SAIL采用了Campbell叶角分布(LAD)模型,而RiceGORT则采用了各向异性LAD模型。物理模型波长490纳米560纳米665纳米705纳米740纳米783纳米842纳米865纳米PROSAIL25.2617.2725.2117.9637.4540.2540.4740.85Row4SAIL29.2130.9428.5921.7417.0217.6017.1716.99RiceGORT31.6925.4526.2017.3813.0313.3613.3513.42图9和图S5展示了RiceGORT中新增的四个行结构参数的影响,其中BW和LAI(冠层参数)共同决定了垄上的冠层宽度。正如预期的那样,更大的行距会导致冠层结构更加开放(见图9A-D)。更重要的是,当行距固定时,增加LAI和BW的值会使冠层从稀疏状态变为密集状态(见图9I-L和E-H)。行方位角会影响太阳-目标-传感器的几何关系,进而改变投影阴影的方位,而植株高度则决定了投影阴影的长度(见图S6)。这两者都会显著影响成行种植的水稻场景中植被、阳光照射到的土壤以及处于阴影中的土壤的比例(见图S6E-L)。敏感性分析表明,只要行距和行方位角在表S1规定的范围内变化,它们就会通过RiceGORT对冠层反射率产生显著影响,而BW和植株高度的影响则相对较弱(见图S5)。下载:下载高分辨率图像(674KB)下载:下载全尺寸图像图9. 单株水稻植株的行距、叶面积指数(LAI)以及基部分蘖宽度(BW)对RiceGORT中冠层各组成部分比例的结构影响。(A-D)、(E-H)和(I-L)分别展示了行距、LAI和BW变化时,植被(FV)和土壤(FS)比例的响应情况。参数设置如下:叶结构参数(Ns)= 1,叶片叶绿素含量(LCC)= 44微克/平方厘米,叶片褐色素含量(Bp)= 0,等效水厚度(EWT)= 0,单位面积叶片质量(LMA)= 0.002克/平方厘米,平均叶倾角(ALA)= 55度,太阳天顶角= 30度,观测天顶角= 0度,太阳方位角= 30度,观测方位角= 300度,行方位角= 0度,植株高度= 0.5米。(关于本图例中颜色对应的解释,可参阅本文的网页版本。)为研究方向性G函数的作用,图10将实测的冠层反射率光谱与RiceGORT以及RiceGORT-NoLAA模型的模拟结果进行了对比。结果表明,在15° - 30°的太阳天顶角范围内,方向性G函数改变了不同LAI水平下模拟得到的冠层反射率整体格局。与RiceGORT-NoLAA模型的模拟结果相比,RiceGORT模型的模拟结果与实测冠层反射率光谱的吻合度更高(见图10A-D)。方向性G函数对绿色波段以及近红外反射率高峰区的影响最为显著(见图10E-H)。图11进一步研究了该函数对560纳米、665纳米和842纳米波段反射率以及TCARI/OSAVI值的影响。方向性G函数显著影响了560纳米和842纳米处的冠层反射率,它直接改变了TCARI/OSAVI的数值,同时也改变了LCC与TCARI/OSAVI之间的关系。下载:下载高分辨率图像(275KB)下载:下载全尺寸图像图10. 方向性叶投影函数对冠层反射率模拟的影响。(A)-(D)展示了使用实地测量参数时,实测冠层光谱与RiceGORT及RiceGORT-NoLAA模型模拟结果之间的差异。(E)-(H)展示了400–1000纳米范围内相应的光谱反射率差异(?R=RRiceGORT?RRiceGORT NoLAA)。σ表示叶方位角的横向分布范围,其定义见3.1.1节。RiceGORT-NoLAA假设叶方位角(LAA)呈均匀分布,其他模块则与RiceGORT相同。换句话说,它在4SAIL框架内采用了Campbell叶角分布(LAD)模型。下载:下载高分辨率图像(378KB)下载:下载全尺寸图像图11. 不同叶面积指数(LAI)和叶片叶绿素含量(LCC)水平下,方向性叶投影函数对TCARI/OSAVI的影响。(A)-(D)展示了RiceGORT和RiceGORT-NoLAA模型模拟得到的叶片叶绿素含量(LCC)与TCARI/OSAVI之间的关系,以及各组成波段的反射率情况。σ的含义与图10中的相同。物理模型参数的设置如图9所示,只是LCC和LAI有所不同。4.2 丛叶闭合前的CCC与LCC估算评估图12展示了基于不同物理模型的代理关系在田间试验数据集上的独立验证情况。使用PROSAIL驱动的混合模型时,CCC和LCC的估算值偏低。与PROSAIL相比,Row4SAIL驱动的模型在CCC估算方面没有提升(R2=0.68,RMSE=0.32 g/m2,RRMSE=31%)。虽然Row4SAIL驱动的LCC估算模型精度略有提高,但误差仍然较高。在没有考虑LAA分布的情况下,RiceGORT仍会略微低估CCC,并且系统性地低估LCC。而完整的RiceGORT模型估算出的CCC与实测值在1:1线上基本吻合(R2=0.81,RMSE=0.22 g/m2,RRMSE=21.75%),同时LCC的估算精度也更高(R2=0.59,RMSE=3.90 μg/cm2,RRMSE=8.70%)。下载:下载高分辨率图像(404KB)下载:下载全尺寸图像图12. 不同混合模型(即基于物理原理的CCC~CIRE和LCC~TCARI/OSAVI)在水稻丛叶闭合前的田间试验数据集上的对比。高光谱数据通过光谱响应函数重采样为对应于Sentinel-2各波段中心波长的宽波段反射率。通用的CCC~CIRE和LCC~TCARI/OSAVI估算模型总结在表S2中。从左到右,四列分别对应由PROSAIL、Row4SAIL、RiceGORT-NoLAA和RiceGORT驱动的混合模型的定量评估结果。RiceGORT-NoLAA模型的描述与图10中的相同。Row4SAIL与RiceGORT-NoLAA的区别在于对结构参数化处理的方式(方程式(11)、(12)、(13))。在Row4SAIL模型中,行间的LAI与垄上的冠层宽度无关。由于Row4SAIL并未改善PROSAIL的代理关系,因此分析重点比较了由PROSAIL和RiceGORT驱动的混合模型。在水稻分蘖期,江苏省的样本被分为两类:冠层开放的样本(NDVI<0.9且DAE≤60)和冠层闭合的样本(NDVI≥0.9或DAE>60)。无论是RiceGORT还是PROSAIL驱动的CCC~CIRE模型,都对冠层闭合样本的CCC估算值偏低,而CCC~ECI模型则降低了这种偏差(图13A和B)。在冠层开放的条件下,PROSAIL驱动的CCC~CIRE模型对CCC的估算值偏低,尤其是在旁遮普地区行距较大的籼稻上(图13E和I)。相比之下,RiceGORT驱动的CCC~CIRE模型估算出的CCC与1:1线非常接近(江苏省和旁遮普地区分别为R2=0.67和0.78),同时RMSE也从0.37 g/m2降至0.26 g/m2,从0.88 g/m2降至0.17 g/m2。此外,RiceGORT驱动的LCC~TCARI/OSAVI模型估算出的LCC与实测值的匹配度也高于PROSAIL模型(图13C和K)。江苏省和旁遮普地区的RMSE分别降至5.01和4.61 μg/cm2。下载:下载高分辨率图像(580KB)下载:下载全尺寸图像图13. 对中国和巴基斯坦两个区域数据集中的水稻分蘖期,RiceGORT和PROSAIL驱动的两阶段混合模型的对比评估。原本为丛叶闭合后阶段开发的CCC~ECI和LCC~ECIleaf(ECI/NDVI)模型在此也被用于验证,以评估其在丛叶闭合前后阶段的适用性。斜杠前的数字对应RiceGORT模型,斜杠后的数字对应PROSAIL模型。巴基斯坦样本的NDVI值均低于0.9。需要注意的是,由于LCC数据集的方差较小,R2指标并不适合用来评估LCC的估算精度。除了CIRE和TCARI/OSAVI之外,还在RiceGORT和PROSAIL框架下评估了三种CCC~VI模型和两种LCC~VI模型(图S7)。所有RiceGORT驱动的CCC估算模型都优于PROSAIL的模型,其中基于CIRE和NDRE的模型表现最佳(图S7A和C)。LCC估算模型也有改进,其中TCARI/OSAVI的表现最好(图S7E)。在江苏省和旁遮普地区,CCC~ECI和CCC~CIRE模型的RMSE值相当,而在冠层开放的样本上,CCC~CIRE模型的估算精度更高(图13E和I)。为避免CCC~CIRE模型带来的低估问题,建议设定0.7–0.9的切换阈值,超过该阈值则使用CCC~ECI模型(图S8A)。如果不考虑微小的精度损失,也可以直接使用通用的基于ECI的模型进行CCC估算(表S2)。不过,土壤背景对LCC~ECIleaf模型影响较大(图13D),该模型更适合丛叶闭合后的情况(图S8B)。虽然在籼稻种植区NDVI低于0.9时该模型仍可用(图13L),但LCC~TCARI/OSAVI模型的表现更好。PROSAIL和RiceGORT驱动的LCC估算模型之间没有显著差异,这两种模型都可以与ECIleaf结合使用。4.3 丛叶闭合后的CCC与LCC估算评估尽管基于CI的混合模型在2.5–4 g/m2范围内略微低估了CCC数值(图14A中的红色椭圆区域),但通过田间试验验证,其整体精度依然很高。使用MTCI估算CCC的效果较差,低数值被高估,高数值则被低估(图14B)。虽然NDRE的表现优于MTCI,但它对较高数值的CCC估算值也有低估现象(图14C)。基于STVI的CCC估算值与实测值吻合度很低(图14D)。在CCC估算方面,ECI的表现优于所有传统视觉指数,其RMSE和RRMSE值分别为0.25 g/m2和11.1%(图14E)。下载:下载高分辨率图像(516KB)下载:下载全尺寸图像图14. 在丛叶闭合后阶段,利用田间试验数据集对多种RiceGORT驱动的估算模型进行的评估。高光谱数据是通过光谱响应函数进行重采样的。(A)-(E)为冠层叶绿素含量(CCC)的对比结果,(F)-(J)为叶片叶绿素含量(LCC)的对比结果。CCC是绿色叶面积指数(LAI)与LCC的乘积。由于田间试验数据集无法获取遥感得到的LAI数据,因此未将叶级MERIS陆地叶绿素指数(MTCIleaf)纳入对比。对于LCC估算精度评估,推荐使用RMSE和RRMSE指标,因为低方差会降低R2指标的可靠性。表S2总结了通用的CCC~ECI和LCC~ECIleaf关系式以及参考模型。(关于图中颜色标注的含义,可参阅本文的网络版本。)在灌浆期,TCARI/OSAVI模型似乎不太适合用于LCC估算,因为它通常会低估LCC数值(图14F)。RERI705和RERI783的组合表现优于TCARI/OSAVI,其RMSE值为6.8 μg/cm2(图14G)。虽然基于CSI的估算模型得到的RMSE值低于10 μg/cm2,但它无法重现实测的LCC变化趋势(图14H)。基于ECIleaf的LCC估算值与1:1线非常接近,其RMSE和RRMSE值分别为5.07 μg/cm2和10.7%(图14J)。在区域数据集上,基于传统视觉指数的CCC估算模型在江苏省的高CCC数值区间内均存在明显低估现象,STVI模型除外(图15A-D)。尽管STVI模型的CCC估算值没有低估,但其与实测值的吻合度也很差。在旁遮普地区也出现了类似的低估现象(图15F-I)。ECI有效缓解了CCC的低估问题,在江苏省和旁遮普地区的R2值分别为0.85和0.90(RMSE值分别为0.27和0.16 g/m2)(图15E和J)。在LCC估算方面,ECIleaf的表现依旧最佳,其在江苏省和旁遮普地区的R2值分别为0.63和0.69(RMSE值分别为4.99和3.35 μg/m2)(图15K-T)。总体而言,基于ECI的CCC和LCC估算模型在巴基斯坦的RRMSE值低于10%,在江苏省的这一数值低于14%,充分证明了它们在生成水稻CCC和LCC数据产品方面的可靠性。下载:下载高分辨率图像(913KB)下载:下载全尺寸图像图15. 丛叶闭合后,针对冠层和叶片叶绿素含量(CCC和LCC)的多种混合模型评估结果。前两行分别展示了中国江苏省和巴基斯坦旁遮普省的五种CCC模型的独立验证结果,后两行则分别展示同一地区五种LCC模型的验证结果。4.4 CCC和LCC的空间和时间连续性产品图16展示了兴化县的卫星估算CCC和LCC地图、某个子区域的详细情况以及县级田间样本的统计数据。在分蘖期,SNAP-CCC估算值在3–4 g/m2范围内偏高(图16A),而实地测量的CCC数值则未超过3 g/m2(图16C)。从直观上看,萌蘖期SNAP-CCC的估算值也偏高,这一点从估算地图与田间样本数据的对比中可以看出来(图16D和F)。采用两阶段CCC估算方法后,分蘖期的估算CCC值大多在1–2.5 g/m2之间,而萌蘖期的估算值则在2–3 g/m2之间(图16B和E)。从统计上看,该方法得到的CCC数值与田间样本数据一致。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图16. 江苏省兴化县某个子区域在分蘖期和晚萌蘖期的水稻叶绿素地图对比。前两列分别显示了由Sentinel应用平台中的二级原型处理器(SL2P)算法以及两阶段混合估算方法生成的冠层和叶片叶绿素含量(CCC和LCC)的田间级别地图。第三列展示了从兴化县采集的田间样本的CCC和LCC的统计分布情况,深蓝色线条表示截至当前时间点所累计的样本比例。(关于图中颜色标注的含义,可参阅本文的网络版本。)在丛叶闭合前,SNAP-LCC的数值主要分布在55–75 μg/cm2范围内,而丛叶闭合后则处于65–85 μg/cm2范围(图16G和J)。这些数值均明显高于实测的LCC值。在分蘖期,基于CSI的LCC地图与实测值在20–60 μg/cm2范围内基本吻合(图S9)。不过,LCC地图中低于35 μg/cm2的数值群在田间样本中较为少见。丛叶闭合后,基于CSI的LCC估算值(65–75 μg/cm2)明显高于实测值(40–60 μg/cm2)(图S9)。我们方法在两个阶段估算出的LCC数值在35至65 μg/cm2之间,与实测LCC的统计分布相符。总体而言,所提出的两阶段CCC和LCC估算方法优于PROSAIL驱动的单阶段方法。CCC估算的均值RMSE从0.48下降到了0.22 g/m2,LCC估算的均值RMSE则从7.20下降到了4.49 μg/cm2(见表4)。利用该方法,根据2024年7月26日至8月5日的Sentinel-2影像,生成了江苏省的CCC和LCC省级地图(分蘖期)(图17A和D)。此外,通过兴化县农场的连续地面测量数据,进一步验证了基于两阶段建模方法的CCC和LCC的时间变化规律。估算出的CCC时间变化轨迹与田间样本的轨迹一致(图17B和C)。同样,LCC的估算值在大多数情况下也符合观测到的季节性变化规律,但在幼苗期和成熟期则与实测值存在偏差(图17E和F)。表4. 基于区域数据集的CCC~VI和LCC~VI单阶段与两阶段估算模型的RMSE对比。CCC和LCC的RMSE单位分别为g/m2和μg/cm2。单阶段模型是基于PROSAIL模型及传统指数构建的,而两阶段模型则是基于RiceGORT模型以及表现最好的传统指数或我们提出的指数构建的。估算模型丛叶闭合前丛叶闭合后平均值江苏省旁遮普省中国巴基斯坦单阶段CCC~CIRE0.370.880.430.250.48两阶段CCC~VI模型(CCC~CIRE或CCC~ECI)0.260.170.270.160.22单阶段LCC~TCARI/OSAVI6.226.046.889.657.20两阶段LCC~VI模型(LCC~TCARI/OSAVI或LCC~ECIleaf)5.014.614.993.354.49下载:下载高分辨率图像(953KB)下载:下载全尺寸图像图17. 江苏省兴化县某代表性农场在水稻分蘖期的冠层和叶片叶绿素含量(CCC和LCC)的省级地图,以及整个生长季节内的时空变化情况。(A)和(D)分别为该省的CCC和LCC地图;(B)和(E)分别为农田中CCC和LCC的时空变化情况;(C)和(F)分别为估算出的CCC和LCC的时间变化情况与田间试验数据集的对比结果。5. 讨论5.1 RiceGORT在行栽水稻叶绿素估算方面的优势RiceGORT通过引入两项细微但重要的改进而脱颖而出:一是对垄上冠层进行带有方向性G函数的RT建模(图3),二是将行间间隙作为LAI的函数来明确表示(图4)。与为行栽作物开发的基准物理模型相比,第一项改进是将LAA纳入G函数中,从而更好地模拟垄上的结构特征(方程式(4)、(5)、(6)、(7)、(8)、(9))。第二次改进强调了成行种植的水稻在生长过程中冠层宽度的动态变化(图4D-E),而最新的综合模型未能充分体现这一特征(Zhou等人,2024年)。尽管RiceGORT通过基于LAI的经验模型来表示垄上的冠层宽度(方程式(11)、(12)、(13)),但该公式是基于物理机制的。垄上的冠层宽度被定义为茎和叶的投影长度之和(图4F)。前者在方程式(11)中用Bw表示,而后者(即2Rle)则与LAI的定义类似。受这两种相似物理定义的启发,人们建立了经验性的Rle~LAI关系。这种基于物理的关系有望在不同地区得到应用。这种关联将GO和RT模块从串联结构转变为并行结构(图2),从而实现高效稳定的光谱模拟(图S10E和F)。它解决了Row4SAIL模型中的一个不良问题,即在冠层结构和行距参数的随机组合下,可能会产生不真实的反射率光谱(Zhou等人,2014年)。当LAI在3到5.5之间变化,行距为0.3米,冠层宽度为0.10米时,由于高LAI与窄冠层宽度之间的矛盾,这种参数组合在物理上可能是不现实的(图S10C和D)。这与田间条件下LAI随作物密度增加的实际关系不符(图9)。许多不真实的模拟结果会对CCC~和LCC~VI关系产生不利影响(图12B和F)。这是一个重要且长期被忽视的问题,它限制了综合模型在作物性状反演中的有效应用。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图2. 从Sentinel-2影像中反演冠层和叶片叶绿素含量(CCC和LCC)的技术流程图。DAE表示自种植以来的天数。RiceGORT是一种专为成行种植水稻设计的几何光学与辐射传输综合模型。*表示新纳入RiceGORT的行结构参数,紫色文字标出了其关键创新点。ECI代表改进型的冠层叶绿素敏感指数。(关于本图例中颜色所代表的含义,读者可参阅本文的网络版本。)早期研究表明,对不连续冠层的表征在LAI估算中起着决定性作用(Yao等人,2008年)。对SNAP-LAI产品(基于PROSAIL的算法)的验证表明,该算法对栽培作物的LAI估算存在低估现象(Brown等人,2021年)。这或许可以解释为什么在巴基斯坦行距较宽的情况下,使用PROSAIL驱动的CCC反演结果会出现明显偏差(图13I)。Jiao等人(2021年)也意识到,成行种植作物的实际LAI与PROSAIL模型中使用的数值存在差异,这促使他们调整ALA以改善冠层级性状的反演精度。作为冠层覆盖度的指标,LAI能够有效反映冠层宽度及行间间隙(Sun等人,2025a年)。因此,RiceGORT中更精确地描述了LAI与冠层宽度之间的关系,从而提升了CCC的反演精度(图12、图13)。当将PROSAIL驱动的LCC~TCARI/OSAVI应用于成行种植的水稻时,会出现明显的低估和系统性偏差(图12E)。这表明TCARI/OSAVI能够在一定程度上减少土壤背景和冠层结构的影响,但无法完全弥补因冠层结构表示不准确而导致的反射率误差。此前的综合模型通过几何整合植被、行间土壤背景及阴影等因素,提升了对不连续冠层的反射率建模能力(Zhao等人,2010年;Zhou等人,2014年;Zhou等人,2024年)。然而,Row4SAIL和RiceGORT-NoLAA仅取得了有限的改进效果,这说明调整各组分比例以及与LAI相关的行结构对LCC~TCARI/OSAVI关系的影响较为有限(图12F和G)。相比之下,RiceGORT通过基于LAA的方向性G函数来调整垄上冠层的结构信号,进一步改善了这一关系。具体而言,LAA分布的明确表达决定了方向性G函数,该函数调控着冠层的光吸收与散射过程(方程式(5)、(6)、(7)、(8);Verhoef,1984年)。这样一来,方向性G函数改变了垄级冠层的反射率,并系统性地影响了整体冠层的反射率(图10)。进而,它也改变了TCARI/OSAVI的数值大小(图11)。这提升了模拟值与实测值之间的一致性,使LCC的估算结果更接近实测值(图12H)。5.2. 从ECI和ECIleaf的CIRE过渡所带来的优势作为应用最广泛的叶绿素敏感指数之一(Gitelson等人,2005年;Li等人,2023b年),CIRE在冠层变得密集时灵敏度较低。因为此时红边区域起始处的反射率已经饱和,无法准确反映叶绿素的吸收情况(Tian等人,2025年)。结果,由于705纳米波段的反射率较高,估算出的CCC值会低于具有正斜率的CCC~CIRE回归线(图14A和15A)。从另一个角度来看,这种饱和现象也可理解为CIRE无法避免非光合参数对CCC估算的干扰(图6A-D)。更重要的是,衰老叶片和穗状花序的出现进一步破坏了CIRE与CCC之间的关联(图5B)。所提出的ECI可视为一种标准化的叶绿素敏感指数。它的分子部分反映了783纳米与705纳米波段之间的反射率差,而分母部分则通过对近红外波段的反射率进行积分来提升叶绿素敏感度。这种提升方式较为简单,是通过将红边波段的反射率相加,从而减轻705纳米波段对分母的影响实现的。此外,使用ECI还可以消除非光合参数的干扰(Wan等人,2024年),并利用红边区域的位移来增强冠层闭合后其与CCC的相关性(图5)。与NDRE和MTCI等传统CCC敏感指数一样,CIRE在高CCC值时也会出现低估现象。相比之下,ECI克服了这一局限,能够实现冠层闭合后的精准CCC估算(图14、图15)。我们的LCC反演方法与Gu等人(2025年)最近基于光谱不变性理论从CCC敏感指数推导出MTCIleaf的方法类似。与MTCIleaf相比,基于CIRE理论基础推导出的ECIleaf在公式构建上更为简洁,且不需要实际的LAI数据作为输入。虽然在他们的研究中MTCIleaf被视为LCC估算的最佳指数,但在这项研究中ECIleaf的表现更为合适。这种差异可能源于物种组成的不同。此外,所提出的ECIleaf实际上是BRF/NIRv的简化版本,而BRF/NIRv则是基于光谱不变性理论推导出来的,并已在多种物种中得到了验证(Wan等人,2024年)。这一原理意味着ECIleaf有可能用于多种植被物种的LCC反演。与以往那些致力于分离LAI对LCC估算影响的研宄不同(Haboudane等人,2002年;Li等人,2020年;Xu等人,2019年;Zhang等人,2022年),ECIleaf进一步有助于在LCC反演中纠正非光合参数的影响。这些因素使得基于ECIleaf的混合方法在冠层闭合后的时段表现优于其他反演方法(图14、图15)。值得注意的是,ECIleaf并不适用于开放冠层的LCC反演(图13D)。5.3. 双周期混合建模的重要性利用冠层光谱反射率追踪水稻生长季节内的叶绿素动态,需要解决开放冠层下的土壤背景效应问题(Li等人,2022b年),以及冠层闭合后的非叶绿素参数带来的干扰问题(Wan等人,2024年)。此前的研究大多致力于解决单一科学问题。然而,将这些单周期方法应用于生成连续时间的叶绿素产品时,其适用范围仅限于水稻的特定生长阶段。例如,CIRE适合用于估算不连续冠层中的CCC,但在密集冠层中则会出现严重的饱和现象(图15A和F)。虽然TCARI/OSAVI能够缓解背景效应(Haboudane等人,2002年),但在冠层闭合后的时段,其性能并不理想(图14、图15)。为了提高反演精度,有必要将水稻生长周期划分为不同阶段,并针对每个阶段建立相应的反演模型。尽管机器学习算法越来越多地被引入混合模型中,以提高植被性状的反演精度(Berger等人,2020a年;Berger等人,2020b年),但仅依靠低维度多光谱影像中的有限信息,很难实现显著改进。更重要的是,机器学习算法难以同时掌握不同的光谱响应机制,尤其是那些用于缓解土壤背景效应以及分离非叶绿素影响的机制。此外,反演模型还必须在不同生长阶段之间动态调整其对这两种机制的侧重程度。因此,即便采用了机器学习技术,针对成行种植作物的混合建模仍需分为冠层闭合前和闭合后两个阶段。虽然双周期框架采用了统计模型,但据我们所知,这是首次有通用模型被应用于两个国家的大面积区域中不同生长条件下的水稻。在冠层闭合之前,RiceGORT模型被视为提升不连续冠层叶绿素反演精度的核心工具。与那些依赖先进数据拟合工具的方法不同,我们认为提高冠层反射率模拟的精度对于叶绿素反演更为关键(Démoulin等人,2025年;Li等人,2025b年)。与Li等人(2023b年)使用PROSAIL和CIRE对成行种植作物进行CCC反演的结果相比,其均方根误差为0.38克/平方米,而采用RiceGORT驱动的CCC~CIRE方法则将这一数值降低到了0.22克/平方米(表4)。同时运用RiceGORT和TCARI/OSAVI,则能够从开放冠层中获取可靠的LCC反演结果,其均方根误差为4.81微克/平方厘米(表4)。这一成果为在水稻关键施肥阶段监测叶绿素含量提供了可能。在冠层闭合之后,研究重点转向了利用光谱不变性理论来构建能够校正非叶绿素信号的植被指数(Knyazikhin等人,2013年)。这一转变使得针对密集冠层的定向反演模型成为可能。与类似研究中的做法一样,双周期方法中使用的NDVI阈值可能被认为具有主观性(Qiu等人,2017年)。的确,NDVI并不能像LAI那样从物理层面描述冠层闭合过程,但由于缺乏专门为成行种植作物设计的LAI产品,NDVI仍是一种实用的替代指标。实际上,双周期CCC反演模型对拐点并不敏感(图13和S8图)。虽然LCC反演的切换方案有严格的要求,但为了提高精度,这一困难是不可避免的。目前,由于缺乏在土壤背景抑制与结构信号分离之间进行阶段适配的策略,仍然制约着高质量、全季节作物LCC产品的开发。双周期方法解决了这一问题,为持续评估区域水稻的光合作用能力奠定了基础。5.4. 前景与局限以往的作物性状反演研究往往将水稻与其他作物的行结构及冠层特征视为相同,忽视了不同作物在栽培实践上的多样性(Li等人,2023b年;Tagliabue等人,2022年;Xie等人,2019年)。这类简化做法限制了通用反演框架在特定作物上的应用精度和适用范围。相比之下,本研究发现的叶展宽度与LAI之间的经验关系(方程式(11)、(12)、(13))为描述水稻以外的作物冠层结构动态提供了一种可扩展的机制。若能将这一关系校准到其他成行种植作物上,就可以将RiceGORT模型扩展为CropGORT框架。这样一来,就有望开发出能够充分考虑不同作物特有的冠层特征和栽培模式的定制化反演模型(Wang等人,2024b年)。在某种程度上,这类针对特定作物的反演框架有望克服现有模型固有的泛化限制,推动作物性状反演向更精确的方向发展。尽管RiceGORT有潜力被应用于其他作物,但其提升不同作物CCC和LCC反演精度的效果仍有待进一步评估,并需与其他物理模型,如LESS(Qi等人,2019年)以及基于光谱不变性理论的模型(Ma等人,2026年)进行深入比较。除了描述行结构和冠层特征外,还可以通过优化水稻叶片的光学特性来进一步改进RiceGORT的性能(Xiang等人,2025年)。然而,一个更为关键的挑战在于如何处理水稻的穗状花序。目前,RiceGORT忽略了这些生殖器官,这或许可以解释为什么在灌浆期之后,当上部冠层中被变黄的穗状花序占据主导地位并干扰反射率时,LCC值会出现低估现象(图17F)。因此,将穗部光学特性明确纳入模型是未来针对特定作物优化模型的重要方向(Su等人,2024年)。虽然所提出的两阶段框架可应用于云平台,用于绘制大规模及田间尺度的CCC和LCC分布图,但云层干扰仍是利用Sentinel-2影像进行高频监测的关键瓶颈。在此背景下,生成式人工智能可与多源卫星影像结合,生成空间上完整、时间上连续的数据立方体以及叶绿素相关产品(Kong等人,2023年;Shu等人,2025年)。这些产品有望为区域农业氮素管理提供支持,同时可作为生长模型中的输入变量,用于预测粮食产量和蛋白质含量。
6. 结论
本研究开发了一种两阶段混合框架,能够利用Sentinel-2影像获取整个水稻生长季内的CCC和LCC数据。RiceGORT模型通过综合考虑水生环境、优化光能截获机制以及描述冠层发育动态,用于模拟水稻冠层的反射特性。经与实地光谱数据集对比验证,RiceGORT模型对不连续冠层的光谱模拟结果与实测值高度吻合,在近红外波段的平均绝对百分比误差低于15%(PROSAIL模型的该指标则超过30%)。由此,基于RiceGORT模型的CCC-CIRE模型(江苏地区:R2值为0.67,均方根误差为0.26克/平方米;旁遮普地区:R2值为0.78,均方根误差为0.17克/平方米)的误差显著低于PROSAIL模型(江苏地区:R2值为0.33,均方根误差为0.37克/平方米;旁遮普地区:R2值为0,均方根误差为0.88克/平方米)。与PROSAIL模型相比,基于RiceGORT模型的TCARI/OSAVI-LCC模型分别使江苏和旁遮普地区的均方根误差降低了1.21和1.43微克/平方厘米。此外,为了提升对叶绿素变化的敏感度,本研究还提出了ECI和ECIleaf指数,用于分析密集冠层的情况。针对传统指数(CI、MTCI和NDRE)在基于卫星的CCC估算中存在的饱和问题和低估问题,ECI指数有效解决了这些问题(江苏地区:R2值为0.85,均方根误差为0.27克/平方米;旁遮普地区:R2值为0.90,均方根误差为0.16克/平方米)。在从密集冠层中反演LCC含量方面,ECIleaf指数的表现也优于其他指数(江苏地区:均方根误差为4.99微克/平方厘米;旁遮普地区:均方根误差为3.35微克/平方厘米),而其他指数的相应数值分别为(江苏地区:25.6–5.18微克/平方厘米;旁遮普地区:12.5–4.46微克/平方厘米)。总体而言,这项研究通过混合模型提升了人们对行栽水稻叶绿素动态监测的认识,所提出的方法有助于基于卫星开展作物生产力评估,并为精准施肥决策提供支撑。
CRediT作者贡献说明
孙浩然:写作——审稿与编辑,写作——初稿撰写,可视化,验证,软件,方法论,正式分析,数据整理,概念构建。Hifza Mariam:验证,研究,数据整理。施俊楠:软件,方法论,研究,数据整理。陈明:研究,数据整理。李东:方法论。姜崇雅:方法论,研究,正式分析。姚霞:资源协调,研究。Iftikhar Ali:资源协调,研究。朱岩:监督,项目管理,资金筹措。曹伟星:监督,资源协调,概念构建。程涛:写作——审稿与编辑,写作——初稿撰写,监督,项目管理,方法论,资金筹措,概念构建。
孙浩然|Hifza Mariam|施俊楠|陈明|李东|姜崇雅|姚霞|Iftikhar Ali|朱岩|曹伟星|程涛
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号