《Industrial Crops and Products》：Trait-guided hyperspectral enhancement for lodging maize using canopy coverage and chlorophyll contribution weights
编辑推荐：
为应对倒伏玉米冠层中的光谱混合问题，本研究提出了一种性状引导的高光谱增强方法，旨在分别提高对冠层覆盖度(canopy coverage, CC)和叶片叶绿素含量(leaf chlorophyll content, LCC)的光谱敏感性。研究人员采用灰色关联分析
为应对倒伏玉米冠层中的光谱混合问题，本研究提出了一种性状引导的高光谱增强方法，旨在分别提高对冠层覆盖度(canopy coverage, CC)和叶片叶绿素含量(leaf chlorophyll content, LCC)的光谱敏感性。研究人员采用灰色关联分析(grey relational analysis, GRA)算法量化CC和LCC在各波长下对冠层高光谱反射率的贡献权重，并据此构建线性光谱增强模型，以抑制非目标性状的光谱干扰。研究结果表明，增强后的高光谱反射率与CC和LCC的相关系数分别提高了0.0027–0.1365和0.0315–0.0894；基于增强光谱构建的随机森林(random forest, RF)回归模型对CC和LCC的估算精度(R2)分别提升了9.88%和10.97%。此外，增强光谱显著改善了植被指数(vegetation indices, VIs)与目标性状的相关性，并通过特征选择算法筛选出更敏感的VIs组合。研究证实了该方法在缓解倒伏冠层光谱混合效应方面的有效性，为倒伏玉米农艺性状的精准监测提供了一种可行的技术框架。
**一、研究背景与意义**
玉米(Zea mays L.)作为全球主要粮食作物，在保障粮食安全和调节国际贸易中发挥着至关重要的作用。然而，在全球气候变化背景下，极端天气事件频发对玉米的稳产构成严重威胁。在中国，夏季台风常带来强降雨，恰逢玉米关键营养生长阶段，加之玉米茎秆固有的机械强度不足，导致倒伏高发。倒伏胁迫使茎秆倾斜或倒塌，剧烈改变冠层三维结构，降低光截获效率，抑制光合作用，最终影响生物量积累和产量。因此，开发准确高效的倒伏玉米农艺性状监测方法，对于评估倒伏影响和指导田间管理决策具有重要意义。
传统的地面调查和低分辨率遥感在倒伏监测中存在空间覆盖有限、成本高昂和响应滞后等局限。相比之下，遥感技术为作物综合评估提供了有力工具，其中无人机(unmanned aerial vehicle, UAV)搭载高光谱传感器凭借其高光谱分辨率，为无损监测作物细微生理性状提供了前所未有的能力。然而，倒伏玉米冠层光谱面临一个根本性挑战：冠层光谱成为倾斜叶片、裸露茎秆和土壤背景信号的复杂混合体，严重限制了传统植被指数(vegetation indices, VIs)和光谱特征在性状反演中的精度。
问题的核心在于倒伏玉米无序冠层结构导致的严重光谱混合。现有作物遥感研究主要关注正常条件下的光谱响应，对倒伏引起的特异性解混问题关注不足。传统分解技术如线性光谱解混依赖固定端元库并假设静态线性混合模型，难以捕捉倒伏后冠层结构和性状表达的动态变化。本研究正是针对这一关键空白，提出了一种性状引导的增强框架，通过贡献权重分析直接针对农艺性状的光谱敏感性，而非进行像素级物质组成分析，从而实现对倒伏作物动态条件下农艺性状的定向高光谱增强。
**二、研究内容与主要结论**
本研究基于2019–2021年在中国北方三个生态点开展的田间倒伏模拟试验，系统研究了倒伏冠层结构变化对高光谱信号的影响，量化了特定农艺性状对倒伏冠层高光谱的贡献，并开发了基于该方法的优化增强模型。研究结果表明：(1)灰色关联分析(grey relational analysis, GRA)成功量化了冠层覆盖度(canopy coverage, CC)和叶片叶绿素含量(leaf chlorophyll content, LCC)在不同波长区间的贡献权重，在454–758 nm和914–950 nm范围内LCC的灰色关联度高于CC，而在762–910 nm范围内CC的关联度更高；(2)增强后的高光谱反射率有效提升了与CC和LCC的相关性；(3)基于增强光谱构建的随机森林(random forest, RF)模型对CC和LCC的估算精度均获得一致提升。该研究发表在《Industrial Crops and Products》期刊上，为倒伏玉米性状监测提供了新的技术途径。
**三、主要关键技术方法**
本研究采用了以下关键技术方法：(1)基于UHD185高光谱传感器搭载于S900六旋翼无人机平台，在30 m高度采集450–950 nm范围内125个波段的冠层高光谱影像；(2)利用差值植被指数(difference vegetation index, DVI)结合Otsu方法进行背景分割以提取纯玉米冠层光谱；(3)采用GRA算法量化CC和LCC对各波长反射率的贡献权重，构建线性光谱增强模型；(4)选取26个对冠层结构和叶绿素敏感的VIs进行特征提取；(5)应用SelectFromModel(SFM)嵌入特征选择算法筛选敏感VIs；(6)采用RF回归构建估算模型，并通过十折交叉验证的GridSearchCV优化超参数。样本共336个，按80%和20%随机划分为训练集(268个)和测试集(68个)。
**四、研究结果**
**4.1 农艺性状权重的确定**
基于GRA的分析结果显示，在454–758 nm和914–950 nm波长范围内，LCC与冠层高光谱反射率的灰色关联度高于CC，表明LCC在这些区域与光谱反射率的相关性更强；而在762–910 nm范围内，CC的关联度更高。LCC在734 nm处达到最大关联度(0.7811)，CC在806 nm处达到峰值(0.7666)。经归一化处理后，LCC在454–714 nm范围内权重相对稳定(0.5610–0.5670)，之后逐渐下降；CC在此范围内稳定在0.4330–0.4390，在718 nm后超过LCC。这一结果与可见光区域受植物色素强烈影响、近红外区域受冠层结构主导的生理机制相符。
**4.2 增强前后冠层高光谱反射率变化**
在VT和R3两个生育时期，对七种倒伏类型(根倒伏RL、茎弯曲SB1/SB2、茎倾斜SI30°/SI45°/SI60°和对照CK)的增强前后光谱分析表明，增强后的光谱在可见光和近红外区域的反射率排序更清晰反映了不同倒伏类型的恢复能力和结构特征。CC引导的增强光谱在近红外区域有效分离了不同倒伏类型的结构差异，而LCC引导的增强光谱则更突出地反映了叶绿素驱动的光谱变化，特别是SI60°在近红外区域表现出显著突出的反射率。
**4.3 相关性分析**
增强后的高光谱反射率与CC的相关系数在454–586 nm和730–950 nm范围内提升了0.0027–0.1365；与LCC的相关系数在722–950 nm范围内提升了0.0315–0.0894。在VIs层面，增强后有9个VIs与CC的相关系数提高(如EVI2、SAVI、OSAVI、MSAVI、MCARI2、NDCI、PRI、SPVI和TVI)，其中TVI相对增幅最大(57.17%)；对LCC而言，除PRI外其他VIs的相关系数均有提升，REIP增幅最大(258.28%)。
**4.4 植被指数特征选择**
SFM算法筛选结果显示，增强后CC和LCC分别有11个和13个VIs被选中(增强前为9个和10个)。对于CC估算，REIP在增强前后均保持最高重要性(从0.1634增至0.1882)，MCARI2和OSAVI的重要性在增强后显著提升；对于LCC估算，MCARI2在增强后成为最重要的预测因子(0.1334)，超过增强前领先的NDchl(0.1176)和MSAVI(0.1004)。
**4.5 倒伏玉米农艺性状估算模型**
RF回归模型结果表明，增强后CC估算模型的R2从0.5073提升至0.5574(提升9.88%)，MAE、RMSE和nRMSE分别下降3.96%、5.22%和5.22%；LCC估算模型的R2从0.5232提升至0.5806(提升10.97%)，各误差指标分别下降9.16%、6.21%和6.21%。值得注意的是，在低CC(<50%)和高CC(>80%)范围内预测偏差较大，而中等CC范围(约50%–80%)的预测精度较高，这归因于极端覆盖度下植被指数的非线性响应和饱和效应。
**五、总结讨论与研究结论**
讨论部分指出，倒伏不仅造成冠层空间结构的物理坍塌，还通过损伤维管系统抑制水分和养分运输，进而影响光合作用和叶绿素含量。本方法的核心价值在于从光谱层面部分解耦了结构紊乱(以CC表征)和生理抑制(以LCC表征)这两种交织的响应机制。尽管增强方法在估算精度上提供了持续的正向改进，但R2值(CC为0.5574，LCC为0.5806)表明模型性能仍属中等水平，极端覆盖度条件下的预测偏差仍需通过整合多源数据或引入物理冠层模型进一步优化。此外，未来研究需在自然倒伏事件中验证模型，并扩展至更多生育时期的时序监测。
研究结论表明，本研究提出的性状引导高光谱增强方法有效缓解了倒伏玉米冠层的光谱混合问题，分别提高了对CC和LCC的光谱敏感性。增强光谱衍生的VIs与两个性状的相关性均得到改善，基于增强光谱的RF模型对CC和LCC的估算精度均有提升。该方法为减轻倒伏冠层光谱混合提供了一种有效的技术框架，支持倒伏胁迫下农艺性状的更可靠监测。
