卫星监测作物性状以检测关键施氮窗口的氮素缺乏

《European Journal of Agronomy》：Satellite monitoring of crop traits for detecting nitrogen deficiency at critical nitrogen fertilization windows

　　

氮素是限制作物生长和产量形成的关键营养元素，但过量施用会导致环境问题。本研究通过四年八个田块的田间试验，设置不同氮素水平，在三个关键施氮窗口（分蘖、茎伸长和孕穗期）同步获取Sentinel-2影像和作物性状数据，评估植被指数（VIs）监测冬小麦（Triticum aestivum L.）叶片叶绿素含量（LCC）、叶面积指数（LAI）和地上生物量（AGB）的能力，并比较这些指标检测氮缺乏的性能。结果表明，大多数植被指数对冠层结构性状（LAI和AGB）的响应强于对LCC的响应；RECAI/TVI和CCCI在检测氮缺乏方面表现出较高潜力；结合多光谱波段和植被指数的随机森林（RF）模型在预测多性状方面表现最佳，但基于预测性状的氮缺乏分类精度（总体精度47.20%）低于直接使用卫星光谱输入（总体精度56.90%）。研究结论强调，卫星植被指数可用于早期氮缺乏的快速检测，但区分轻度氮不足与氮充足仍具有挑战性。

氮素（N）是限制作物生长、生产力和品质的重要营养元素，但过量施用会造成土壤退化、地下水污染和温室气体排放等环境问题。冬小麦（Triticum aestivum L.）生产中，精准检测关键生长阶段的氮缺乏对优化施肥决策至关重要。已有研究表明，叶片叶绿素含量（LCC）、叶面积指数（LAI）和地上生物量（AGB）等作物性状可反映氮素供应状况，且多数植被指数（VIs）被用于单一性状监测，但对多个性状在不同施氮窗口下的系统比较仍较缺乏。此外，不同施氮窗口（分蘖期、茎伸长期、孕穗期）中作物对氮的生理响应不同，而现有文献缺乏关于这些关键施肥窗口内VIs响应动态的明确分析。为此，研究人员于2021至2024年在德国南部八个田块开展田间试验，设置0、60、120、150和180 kg ha^-1等施氮水平（不同年份略有差异），在三次追肥后同步采集LCC、LAI和AGB，并获取Sentinel-2卫星影像，旨在：（1）分析作物性状对不同施氮量和施肥窗口的响应；（2）评估Sentinel-2反射率监测作物性状的能力；（3）比较VIs对冠层结构性状（LAI、AGB）与生化性状（LCC）的敏感性；（4）检验卫星衍生性状和VIs能否有效检测氮缺乏。

在方法上，研究人员利用光谱法测定LCC，使用LAI-2000植物冠层分析仪测定LAI，通过破坏性取样和联合收割机测定AGB。选取29个基于文献的VIs，包括叶绿素指数（如MCARI、TCARI、RECAI）、结构指数（如NIRv、SAVI、OSAVI）及复合指数（如RECAI/TVI、CCCI）。采用随机森林（RF）回归和分类模型，输入配置包括多光谱波段（MS）、VIs及两者组合，并使用嵌套交叉验证（LOFO）评估模型泛化能力。以相对产量定义氮缺乏等级：显著缺乏（N0、N60）、轻度不足（N120）和充足（N150、N180）。

主要结果如下。

**作物性状对氮素的响应**：LCC、LAI和AGB均随施氮量增加而单调增加，且处理间差异从第一次施肥到第三次施肥逐渐增大。第一次施肥后，处理间差异较弱；第二次施肥后，性状差异明显；第三次施肥后差异最显著，尤其LCC在高氮与低氮处理间表现出明显分化。这表明第二、三次施肥窗口能提供更强的表型信号，有利于卫星监测。

**VIs对性状的监测能力**：多数VIs对LAI和AGB的相关系数（|r|≤0.88和0.78）高于对LCC（|r|≤0.64）。噪声等效（NE）分析显示，RECAI/TVI对所有性状的敏感性最高，TCI和MCARI对LCC的敏感性高于对AGB，NIRv对LAI敏感。但所有VIs在第一次施肥后对LCC的响应都很弱，可能由于早期植被覆盖度低和土壤背景干扰。

**基于RF的多性状预测**：三种输入配置中，MS&VIs组合在预测LAI和AGB时表现最佳，验证R²分别为0.51和0.50，相对均方根误差（RRMSE）分别为25.1%和42.3%；AGB的RMSE降至2.24 t ha^-1。LCC的预测精度较低（R²=0.36–0.38），且高值区存在低估。特征重要性分析表明，红边波段相关的指数（如RECAI/OSAVI、RECAI/TVI）贡献最大。

**氮缺乏检测**：在RECAI/TVI、TCI、MCARI、NIRv和CCCI五个指数中，RECAI/TVI和CCCI在区分“显著缺乏”与“轻度不足/充足”方面表现最稳定，NIRv次之。但几乎所有指数都难以区分“轻度不足”与“充足”，这种区分能力仅在后期的部分指数中有所显现。RF分类模型中，直接使用MS&VIs作为输入的总体精度（OA=56.90%，Kappa=0.334）显著高于使用预测性状作为输入（OA=47.20%，Kappa=0.190）。随着作物发育，MS&VIs模型检测氮缺乏的能力提高，但“轻度不足”类别始终难以被准确识别。

讨论指出，LCC估计困难主要源于叶片尺度与冠层尺度的不匹配，以及冠层结构对反射率的掩盖。RECAI/TVI和CCCI的优异表现归因于它们结合了叶绿素敏感波段和结构校正因子。预测性状的失败可能是因为回归误差传递以及基于最终产量定义的氮状态与瞬时氮营养状态不一致。区分轻度氮不足与充足的困难在于轻度胁迫导致的反射率变化微弱。

研究结论可概括为：（1）VIs在早期施肥窗口对性状变化不敏感，清晰响应仅在第二次施肥后出现；（2）LCC是最难通过卫星监测的性状，多数VIs对结构性状的敏感性高于对LCC；（3）MS&VIs组合在性状预测和氮缺乏检测中优于仅用MS或仅用VIs；（4）预测性状并未优于单一VIs，RECAI/TVI和CCCI是检测氮缺乏的有力工具，但区分轻度氮不足与充足仍超出当前Sentinel-2（10–20 m分辨率）的探测能力。该研究为精准氮肥管理提供了基于卫星遥感的新见解，但需进一步在更广泛区域和品种中验证。