利用田间与星载光谱学估算水稻农艺变量

《Smart Agricultural Technology》：Estimating Agronomic Variables in Paddy Rice with Field and Spaceborne Spectroscopy

　　

可持续的水稻农艺管理需要精确监测作物结构（如叶面积指数LAI和生物量）和营养状况，因为氮（N）缺乏会限制产量，而过量施肥会降低养分利用效率并增加环境影响。多光谱卫星已证明在监测作物结构方面有效，但缺乏检测叶片氮等生化性状所需的光谱分辨率。新一代先导高光谱任务，包括PRISMA和EnMAP，在400–2500 nm范围内提供连续的约10 nm波段，已被证明可改善生化反演。研究人员在一项真实农田条件下的先导活动中评估了一种解耦建模框架，使用在2023年采集的原位高光谱测量值（??=108）训练的高斯过程回归（GPR）模型，并将其重采样至卫星光谱响应。模型使用当季获取的地面数据进行验证，并在两景2024年PRISMA高光谱影像上进行了独立测试。结构性状以高精度反演：叶面积指数（LAI；??=20，??²=0.66，RMSE=0.40）和干地上生物量（dAGB；??=10，??²=0.79，RMSE=182.93 g m^?2）。叶片尺度生化性状表现出中等性能，包括叶片叶绿素含量（LCC；??=20，??²=0.62，RMSE=2.64 ??g cm^?2）和叶片氮百分比（N%；??=20，??²=0.37，RMSE=0.27%）。PRISMA与EnMAP的结合使得构建多任务时间序列成为可能，捕获了冠层发育和氮状况的季节动态。这些发现表明，星载高光谱光谱仪与解耦建模策略相结合，能够一致地反演水稻结构和生化性状，并为区域农业生态系统和养分状况监测提供可扩展的途径。

在水稻生产中，氮肥管理与水分管理紧密耦合于物候阶段，精确监测作物结构和营养状况对于优化资源利用效率至关重要。氮缺乏会限制产量，而过量施肥不仅降低养分利用效率，还会导致奢侈吸收、生理胁迫以及病虫害风险增加，并引发养分淋溶、径流和温室气体排放等环境问题。传统上，叶面积指数（Leaf Area Index, LAI）、地上生物量（Aboveground Biomass, AGB）和氮含量等农艺变量依赖破坏性采样和实验室分析，精度高但难以扩展到区域尺度。多光谱卫星（如Landsat和Sentinel-2）可有效反演结构性状，但受限于宽波段设计，对氮素等生化特征窄吸收峰的敏感性不足。新兴星载高光谱任务（如PRISMA和EnMAP）提供400–2500 nm范围内约10 nm连续波段，具备直接探测叶片氮含量的潜力，但其在农业应用中的生化性状反演能力仍缺乏充分验证。此外，单颗高光谱卫星重访周期长，难以满足季节内连续监测需求。

针对上述问题，研究人员在意大利费拉拉省Jolanda di Savoia的Bonifiche Ferraresi农业庄园（属PRISMA科学校准与验证项目PRISCAV和EnMAP前瞻任务区域）开展了为期两年（2023–2024）的田间实验。研究采用解耦建模框架：利用2023年采集的108个原位高光谱测量样本（涵盖不同田地、品种、水分管理和物候期）训练高斯过程回归（Gaussian Process Regression, GPR）模型，并将模型直接应用于2024年的PRISMA和EnMAP卫星影像，无需重新校准。该研究旨在回答三个问题：解耦框架能否成功绘制水稻生物物理和生化性状图？能否直接反演叶片级氮百分比（N%）以实现空间氮营养指数（Nitrogen Nutrition Index, NNI）制图？多高光谱卫星协同能否提供足够的重访频率以监测全季节农艺变量？研究假设包括：解耦框架可跨传感器平台转移且无需本地重校准；叶片N%可达到农艺上有用的精度；NNI图与地面真实信息及土壤模式空间一致。相关成果发表于《Smart Agricultural Technology》。

主要关键技术方法包括：利用Spectral Evolution NaturaSpec?光谱仪采集350–2500 nm冠层反射率，并按PRISMA和EnMAP光谱响应函数重采样，添加5%高斯噪声模拟传感器辐射变异性；通过主成分分析（Principal Component Analysis, PCA）降维至15个主成分，保留99.9%光谱方差；采用复合核（径向基函数核+白噪声核）的高斯过程回归模型反演LAI、dAGB、LCC和N%；样本为2023年108个子样（训练）和2024年80个子样（验证），其中2024年AGB在5个ESU内采集；NNI基于叶片级临界氮稀释曲线计算，并利用一阶高斯误差传播框架评估不确定性；通过Spearman相关、广义加性模型（Generalized Additive Model, GAM）和线性回归分析NNI与土壤全氮含量及最终谷物干生物量的关系。

### 3.1 探索性数据分析
通过描述性统计和Pearson相关分析，发现2023年训练集覆盖的性状变幅大于2024年验证集，且验证集完全落在训练集特征空间内，避免了外推风险。结构性状（LAI和dAGB）在可见光波段呈强负相关（r≈?0.75），在近红外（NIR）呈强正相关（r>0.70）；叶绿素含量（LCC）敏感性类似但较弱；N%在全光谱范围内相关性较低，仅在中红外SWIR（1500–1750 nm和2000–2500 nm）有中等敏感窗口。简单比值光谱指数对N%的最大决定系数仅0.23，表明线性方法无法捕捉生化性状的复杂非线性关系。

### 3.2 原位与星载光谱一致性
对比2024年两期PRISMA影像与地面卷积光谱，整体一致性良好（r=0.91，R²=0.83，MAE=0.04），可见光波段存在轻微低估、NIR和SWIR存在轻微高估，但差异幅度处于田间实验变异性范围内，与PRISCAV项目针对农业目标的定标结果相符。

### 3.3 机器学习反演水稻性状
#### 3.3.1 域内性能
基于2023数据留一ESU交叉验证，GPR模型对LAI（R²=0.88）、dAGB（R²=0.79）和LCC（R²=0.85）预测精度高，N%精度中等（R²=0.59）。在2024年独立地面数据（n=80）上，LAI R²=0.64，dAGB R²=0.77，LCC R²=0.66，N% R²=0.44，表明模型具有跨年度时间迁移能力。

#### 3.3.2 跨域性能
将训练模型直接应用于2024年PRISMA影像，并以同步地面数据独立验证：LAI（n=20，R²=0.66，RMSE=0.40，rRMSE=16.4%）、dAGB（n=10，R²=0.79，RMSE=182.93 g m^?2，rRMSE=24.4%）达到高精度；LCC（n=20，R²=0.62，RMSE=2.64 μg cm^?2，rRMSE=10.3%）为中等精度；N%（n=20，R²=0.37，RMSE=0.27%，rRMSE=13.3%）精度较低，但仍在农艺可接受范围。

#### 3.3.3 作物性状与NNI动态
结合PRISMA和EnMAP数据构建4期时间序列（DOY 196、208、219、243）。LAI和dAGB从7月中旬至8月初快速上升，8月下旬LAI下降而dAGB继续增加，反映冠层衰老与生殖器官干物质积累。LCC峰期与冠层最大发育同步，N%后期逐渐下降并出现双峰分布，符合氮素向籽粒转运的生理过程。NNI时空变化显示：营养生长后期多数田块低于1.0，抽穗期部分田块超过1.3（奢侈消费），灌浆期普遍降至临界值以下。不确定性分析表明，早期淹水导致LAI和dAGB相对不确定性升高，而叶片生化性状的绝对不确定性保持稳定。NNI与土壤全氮含量显著正相关（Spearman ρ=0.47，p<0.001），GAM显示土壤氮低于0.3%时NNI平缓，0.3%–0.5%时快速上升，高于0.45%时饱和；NNI与最终谷物干生物量显著正相关（Pearson r=0.67，p<0.001，R²=0.45）。

### 讨论与结论
讨论部分确认了解耦框架的有效性（H1），模型可从田间光谱转移至星载平台，且PCA结合GPR能有效处理高维光谱数据。与文献相比，LAI和dAGB的独立验证精度处于当前星载高光谱研究的较高水平；LCC和N%的精度（R²分别为0.62和0.37）与已有报道一致，表明星载高光谱具备农艺可用的生化性状反演能力。NNI制图证明了其作为氮营养诊断指标的空间可解释性（H2、H3），并与土壤肥力和最终产量相关联。局限性包括：EnMAP过境时缺乏同步地面验证、样本量有限导致外推能力未知、早期淹水背景干扰、以及氮稀释曲线参数未本地化校准。未来需发展传感器无关的稳健模型，并利用CHIME、SBG等下一代高光谱任务实现系统化监测。

研究结论部分翻译如下：本研究表明，星载高光谱成像与解耦场–星建模策略相结合，能够可靠估算水稻关键农艺性状。通过在PRISMA和EnMAP光谱特征下训练的GPR模型，研究人员证明LAI和dAGB等结构性状可以高精度反演，而LCC和N%等生化变量可以中等但具农艺意义的精度估计。2024年地面数据的独立验证表明模型在时间上可迁移，应用于卫星影像的可靠结果凸显了反演框架的可扩展性和鲁棒性，以及模型可迁移性的操作潜力。多任务高光谱采集的整合对于重建作物发育季节内轨迹至关重要。卫星衍生的LAI、生物量、叶绿素和氮状态的时间演变与预期生理模式和记录的管理措施一致，强调了结合PRISMA和EnMAP以部分克服单任务重访限制的效用。所得NNI图提供了基于生理学、空间明确的氮状态指标，捕获了作物从早期缺乏、中期升高到后期耗竭的时间转变。空间模式揭示了植物营养状况与土壤肥力之间的相关性，NNI与最终谷物干生物量之间的显著关系进一步证实了基于高光谱的营养诊断的农艺相关性。尽管N%反演受制于浓密冠层下微弱生化信号的复杂性，结果仍表明星载高光谱光谱学可以支持超越多光谱传感器能力的农艺决策。总体而言，该研究为利用星载光谱学进行水稻氮状态业务化监测提供了证据，多任务高光谱时间序列可显著提高生化性状反演的可扩展性。未来研究应聚焦于开发传感器无关的反演模型、针对多品种优化氮稀释曲线、直接基于遥感作物性状导出诊断性营养指标，并探索将高光谱观测整合到过程作物模型和养分管理决策支持系统中。随着下一代高光谱平台投入运行，本研究所展示的框架为田间到区域尺度的作物生理和养分动态监测提供了可扩展的蓝图。