《Precision Agriculture》：Assessing rice genotype dependency in remote sensing: challenges in nitrogen discrimination and yield forecasting
编辑推荐：
摘要
背景：水稻（*Oryza sativa* L.）是全球主要作物，占全球初级作物产量的8%。该产业面临气候变化、水资源日益稀缺以及对更具韧性和适应性生产系统需求所带来的环境挑战。尽管遥感（Remote Sensing, RS）为优化投入提供了解决方案，
摘要
背景：水稻（*Oryza sativa* L.）是全球主要作物，占全球初级作物产量的8%。该产业面临气候变化、水资源日益稀缺以及对更具韧性和适应性生产系统需求所带来的环境挑战。尽管遥感（Remote Sensing, RS）为优化投入提供了解决方案，但当前大多数模型是针对特定品种校准的，限制了其在不同栽培品种中的推广应用。本研究评估了遥感模型在一个高度异质性的水稻基因型、地点和季节数据集中监测氮（N）施肥状态和预测产量的可迁移性。
材料与方法：2022和2023生长季，在西班牙三个地点（Valencia和Tarragona）开展了六项田间试验。研究分析了170多个栽培品种，包括商业粳稻（Japonica）和籼稻（Indica）品种，以及170个未商业化的开发中品种（MAGIC），这些品种均在低氮（100 kg N/ha）和高氮（200 kg N/ha）施肥制度下进行试验。采用累积生长度日（Accumulated Growing Degree Days, GDD）对多光谱无人机影像（MAIA S2）进行归一化处理，以对齐不同地点间的物候阶段。采用随机森林（Random Forest, RF）分类器分析遥感识别稻田氮肥施用不足或过量的能力，并评估了氮模型在水稻基因型间的可迁移性。此外，先前建立的MS3+产量回归模型（最初针对JSendra品种开发）在多品种数据集上进行了评估。
结果：随机森林分类器在多样基因型间有效区分了施氮水平，多个地点的验证准确率超过85%。光谱重要性分析呈现出一致趋势：可见光（VIS）波段在生长季早期阶段占据主导地位，而近红外（NIR）和红边（RE）反射率在整个作物生育周期内提供关键诊断信息。值得注意的是，82%的评估品种表现出与全局模型的高度兼容性。相反，产量模型在品种间的可迁移性有限。虽然该模型在全局数据集上表现不佳，但成功预测了48.8%商业品种的产量（残差在±1吨/公顷以内），这些品种具体为与训练品种具有遗传和结构相似性的品种。
结论：研究表明，基于遥感分类器的氮素状态监测在不同水稻遗传背景下具有稳健性，而产量预测模型则表现出强烈的基因型依赖性。
**论文解读：水稻遥感氮素判别与产量预测的基因型依赖性研究**
**一、研究背景与科学问题**
水稻（*Oryza sativa* L.）作为全球重要的口粮作物，贡献了全球初级作物产量的8%。然而，气候变化、水资源日益紧缺以及农业生产系统对韧性和适应性需求的不断提升，使水稻产业面临严峻的环境挑战。精准农业（Precision Agriculture, PA）作为数据驱动的管理策略，通过整合先进技术手段优化农田投入，力图在提升生产力的同时降低环境影响和资源消耗。遥感（Remote Sensing, RS）是精准农业物流体系中的核心工具，为系统化数据采集提供了高性价比方案，在水稻产量预测、病虫害管理和施肥优化等领域已有广泛应用。
然而，现有遥感模型大多针对单一水稻品种校准和验证，其跨品种的适用性鲜有系统测试。已有研究表明，水稻品种差异会显著影响光谱数据的建模结果，这主要归因于不同基因型在叶角、分蘖能力、冠层密度等结构特征上的差异，这些因素调节了光线的截获与散射，导致同一植被指数在不同基因型间即使处于相同施肥或产量潜力条件下也会产生不同响应。产量预测模型普遍被认为具有强烈的品种依赖性，因为基因型和环境是光谱数据产量估算变异的重要来源。相比之下，氮素缺乏所引发的生理反应在水稻基因型间具有广泛保守性——低氮条件下植株普遍表现出叶绿素含量降低、冠层活力下降和生物量积累减少，高氮条件下则呈现更稠密、更翠绿的冠层。尽管不同品种对氮素的绝对需求和响应幅度存在差异，但光谱位移的方向在品种间保持一致，这为构建跨品种氮素判别模型提供了生理学依据。
当前研究存在关键缺口：现有框架迫使研究者不得不在缺乏可扩展性的单一品种模型和受未管理遗传干扰的多品种模型之间做出妥协。西班牙MICIU资助的BestRice项目（2021—2025）旨在鉴定适应温带气候的高产粳稻品种，其试验包含了前所未有的品种规模：170个商业品种（以粳稻为主，含部分籼稻）及170个由瓦伦西亚农业研究所（IVIA）提供的开发中品种（MAGIC）。本研究利用这一独特的试验平台，围绕两个核心科学问题展开：①单一的遥感随机森林分类模型能否用于监测不同水稻品种的施肥水平？②基于单一品种训练和开发的产量回归模型能否成功应用于其他品种？其可迁移性是否取决于训练品种与目标品种间的遗传相似性？
**二、主要技术方法**
研究在西班牙三个试验站点（Valencia的IVIA和COPSEMAR，Tarragona的IRTA）于2022和2023生长季开展了六项田间试验。试验采用增广设计，以JSendra和Argila为重复对照品种，设置低氮（LND，100 kg N/ha）和高氮（HND，200 kg N/ha）两种尿素施肥处理。技术流程包括：①MAIA S2多光谱无人机影像的采集与预处理，通过拼接、正射镶嵌、几何校正和基于TARP参考靶及Sentinel-2影像的辐射定标获得反射率数据；②基于NDVI阈值的植被掩膜进行试验小区数字化；③利用ERA5-Land再分析气温数据计算累积生长度日（GDD），将不同地点和季节的光谱时间序列归一化至一致的物候阶段体系；④采用随机森林分类器建立氮素水平判别模型，使用3折分层交叉验证评估精度，SHAP方法筛选最优特征波段；⑤将先前针对JSendra品种构建的MS3+产量回归模型应用于多品种数据集，通过残差阈值（±1 t/ha）评估品种可迁移性。
**三、研究结果**
**归一化时间序列**：GDD归一化有效对齐了不同站点和季节的物候阶段。各地点可用的物候期数量不同，试验B和D仅从期9和期6开始但延伸至期14，试验C最早开始并结束于期11，试验E和F覆盖了完整生育周期。站点A在期3的NDVI值异常偏高（0.8），提示可能存在杂草干扰。
**氮剂量监测**：随机森林分类模型在多数站点和物候期表现出稳健精度。最优性能出现在站点E（IVIA 2023第一季），F1分数和精度达0.92，两类召回率介于0.91至0.97之间；站点F的验证参数均为约0.90；站点D表现最差，最大精度仅0.73。光谱重要性分析方面，可见光（VIS）波段在几乎所有地点的生长季早期主导，而红边（RE）和近红外（NIR）波段在全季节各阶段均保持重要贡献。品种层面，82.25%的品种可被RF模型有效代表（GR≥70%），其中Spanish I和MAGIC群体的品种接受率超过87%，而Old Spanish和未分组品种的接受率低于70%。从遗传家族看，所有家系的分类成功率均超过75%，最具代表性的Spanish II、Long Grain和MAGIC群体成功率始终高于80%。剂量效应方面，不同遗传家系对高氮和低氮的判别能力存在差异：Long Grain、Indica和Italian群体在高氮判别中表现更优，而Spanish群体在低氮判别中表现更好。
**产量模型可迁移性**：MS3+产量模型经JSendra数据校准后，校准集R2为0.49，RMSE为0.91 t/ha。全数据集验证时模型表现极差（R2=0.046，RMSE=4.23 t/ha），但以±1 t/ha残差为阈值筛选后，48.8%的商业品种和8.7%的MAGIC品种被成功预测，这一子集的R2提升至0.76，RMSE降至0.57 t/ha。Spanish II是模型捕获最好的群体（LND接受率54.8%，HND为66.1%），其中Argila品种平均耐受且随剂量提高而改善（LND接受率50%，HND为67.4%）。Spanish I、Old Spanish和Long Grain在低氮下表现更好，转至高氮时过估比例分别达65%、72%和69%。Asian、Indica和Bomba群体在高氮下过估率分别达79%、71%和100%。模型完全无法捕获Italian群体（两剂量下>60%品种被过估），MAGIC品种则表现出90%的过估率。剂量对比分析显示，所有家系在低氮条件下的接受率更高，Indica和Bomba群体仅在低氮范围内表现成功。
**四、讨论与结论**
氮素模型的波段重要性在不同站点间呈现高度分化，同一条波段在一个地点是主要驱动因子，在另一地点可能相关性较低。尽管个别波段存在波动，但可建立光谱区域模式：可见光几乎全部出现在生长季早期，红边和近红外则贯穿全季。站点D在分蘖期仅使用RE-NIR波段而未结合早期波段，获得最低精度（0.69），表明中期和后期单独使用可能不如与其他阶段组合时提供的信息量大。研究还发现增加波段数量并不总能提升精度：站点C在期8使用12条波段获得0.86精度，而试验E在期4仅用4条波段即达0.95精度。
品种可迁移性的解读需要考虑一个关键局限：RF分类器预测的是施氮水平（LND/HND），品种级指标通过汇总样本预测精度计算，由于高低氮处理间存在显著光谱差异，这些指标可能被高估，不一定完全反映品种间的真实光谱可分性。然而，这恰好与水稻对低氮的生理响应一致性相符——低氮导致叶绿素流失、冠层活力下降和生物量积累减少。固定剂量（100和200 kg N/ha）未针对各品种的具体需求进行调整，这可能是高氮判别率与低氮判别率分布多样性的驱动因素。
产量模型方面，MS3+模型全品种验证表现极弱与文献报道一致，因为水稻品种在生育周期、结构和产量方面差异显著。MAGIC群体的重组自交系遗传构成可能解释其不佳表现——Bomba品种作为创始亲本之一，其群体在模型中表现出明显欠佳性能。模型倾向于过估产量值，归因于训练数据集中于9至10 t/ha的产量区间。过估现象在多个家系的高氮处理中更为突出，可能源于过度施肥条件下冠层的光谱饱和效应。
综合而言，氮素分类模型可在不同基因型间高效迁移（81%总正确分类率，82%品种耐受率），验证了第一项假设；而产量模型虽然具有跨品种可迁移性，但其性能优化对象仍集中于与训练品种JSendra遗传相似度高的基因型，从而界定了第二项假设的适用边界。值得注意的是，遗传谱系与田间性能之间存在显著脱节——同一家系内的个别品种往往表现出分歧的行为，遗传分化并非水稻品种分组的完全可靠因素。遥感影像识别品种群结合传统遗传归类方法，可为特定遥感建模任务提供更精确的品种分组。
