综述：无人机高光谱遥感在作物氮素监测中的应用：进展、挑战与展望

本综述系统评述了无人机高光谱遥感技术在作物氮素监测领域的最新进展。文章重点分析了植物氮素性状的时空动态、高光谱预测因子（如植被指数VI和太阳诱导叶绿素荧光SIF）以及多种建模方法（包括传统机器学习ML、物理模型、深度学习和混合方法）的应用与性能。作者指出，尽管传统ML方法在预测精度上超越了基于植被指数的回归方法，但模型训练精度与验证性能之间存在显著差距，且独立测试不足。为应对挑战，综述推荐采用结合辐射传输模型RTM、作物模拟模型和先进ML算法的深度学习与混合建模方法，以提高氮素预测的准确性和模型的可转移性，最终支持农业中的精准氮管理。

引言

农业中的氮素

氮素（N）是作物生产力最重要的宏量营养素。然而，由于难以及时测量植物氮状况，平衡生产力和环境足迹的精确氮素投入始终是一项挑战。无人驾驶飞行器（UAV）和高光谱成像（HSI）彻底改变了智能植被监测，为绘制植物性状图和精准作物养分管理提供了前所未有的能力。

作物氮状况的近地和遥感简史

精准氮管理和4R原则高度依赖于植物和土壤的近地和遥感，从而能够定量评估田间的时空变异性。20世纪70年代，机载遥感技术首次应用于农业，利用航空摄影和多光谱成像检测玉米叶枯病。随着技术的发展，引入了近红外（NIR）分析等光谱技术用于土壤测量和叶绿素含量的表征，叶绿素含量是与植物氮水平密切相关的指标。从20世纪90年代开始，安装在拖拉机和其他农业设备上的传感器开始在现场操作期间测量冠层反射率、叶绿素荧光和其他氮相关指标。90年代末，随着全球导航卫星系统（GNSS）和地理信息系统（GIS）的普及和应用，遥感和空间数据分析成为农业的前沿。通过将近地、遥感与GIS结合，农民可以实施可变速率施氮策略以提高氮素利用效率（NUE）。自2010年代初以来，无人驾驶飞行器（UAV）或无人机因其高空间分辨率、操作灵活性和成本效益，已成为作物胁迫检测和氮素传感最流行的相机和传感器搭载平台之一。与有人驾驶飞机或卫星相比，无人机能够在更低高度飞行并定制飞行路径，从而在可变田间条件下快速、按需获取高空间分辨率数据。

植物氮的低空高光谱遥感

低空遥感（LARS）是指从在相对较低高度运行的平台上搭载的传感器获取数据和图像。这些平台通常包括无人机、低空飞行的有人驾驶飞机、气球、风筝和其他空中系统。通过弥合地面观测与更高高度平台（如卫星）之间的差距，LARS为广泛的农业和环境应用提供了高分辨率的空间和时间数据。LARS已成为监测作物氮状况的高效方法，为作物营养状况提供了精确的空间和时间洞察。虽然大多数LARS研究使用成像传感器，但无人机上的非成像传感器在作物氮预测方面也显示出潜力。然而，非成像传感器在氮预测中的应用仍然非常有限，其粗糙的空间分辨率通常会导致混合像元效应，使其在精准作物管理中不实用。因此，本综述将重点关注使用阳光作为主要照明源的成像传感器。

综述目标与文献检索策略

本综述旨在通过探索地面实况方法、光谱特征和建模方法如何影响氮预测结果，来评估作物氮监测的最新进展。此外，我们讨论了氮预测的关键挑战，并提出了改进无人机高光谱成像（HSI）以支持决策和提高NUE的建议。本综述重点关注无人机高光谱遥感和相关建模技术用于作物氮传感的研究，同时也包括其他LARS应用的研究，例如有人驾驶飞机在农业环境中的应用。

植物氮性状及其时间趋势

叶水平和植物水平氮性状

幼嫩谷类作物叶片中的叶氮浓度（LNC）通常相对较高，以满足快速发育的光合机制和生长所需的酶。在此期间，作物根系从土壤中吸收氮，因此虽然单个叶片富含氮，但总体叶片生物量仍然较低。随着冠层扩张和叶片成熟，生物量的增加往往会“稀释”每单位叶片组织中的氮浓度，即使植物吸收的氮总量继续上升。当大多数谷类作物接近开花期时，它们对氮的需求达到顶峰，氮吸收速率也达到最大。然而，开花后不久，植物的优先级发生转变：储存在叶片和其他营养组织中的氮逐渐被再动员并转运到正在发育的籽粒中。因此，随着衰老的开始，LNC进一步下降，尽管之前积累的大部分氮被有效地重新分配以支持籽粒灌浆。植物氮浓度（PNC）通常随着植物的发育而下降。这种逐渐减少代表了稀释效应，因为植物生物量增加而总氮含量未能跟上生长步伐。植物氮吸收量（PNU）测量的是每单位土地面积的总重量，通常计算为PNC和地上部生物量干重的乘积。PNU在营养阶段增加，在开花期前后达到峰值，然后在籽粒灌浆期间逐渐下降或趋于稳定。总之，虽然氮吸收总量在营养生长向生殖生长过渡期间最高，但由于生物量扩张和再动员过程，单个叶片和整个植物的氮浓度随时间下降。氮和生物量之间的这种不对称发展趋势使得氮预测依赖于物候。值得注意的是，LNU与叶面积指数（LAI）的乘积被视为单位土地面积的冠层氮浓度（CNC, g/m²）。LAI是单位土地面积上单侧叶面积的总和。将LNU乘以LAI可以从叶水平测量扩展到冠层或田间水平的氮状况，这对于将氮与产量联系起来至关重要。

植物氮样品和变量类型的主要类别

氮浓度通过不同尺度的样品类型和设备进行测量。大多数研究基于破坏性叶片采样和实验室分析，占出版物的44.1%。植物和冠层水平的研究主要区别在于是否采样整个植物（包括茎），分别占出版物的26.5%和25.5%，其次是茎和籽粒样品的较小比例。基于叶片样品的研究通常比基于植物样品的研究具有更高的训练和验证精度。通常，叶片样品仅从上层冠层或旗叶采集，那里的氮浓度通常最高，最能反映植物当前的营养状况。相比之下，植物水平样品通常涉及采样整个植物（包括茎、叶，有时还有穗），然后在氮测定之前将材料均质化。冠层采样方法介于叶片和植物采样之间。冠层采样方法通常指在不同叶层上采样并聚合叶片样品。叶片可能从冠层的多个垂直层（包括上层、中层，有时是下层）收集，并合并成一个复合样品。冠层氮可以计算为单位面积的叶氮浓度（也称为氮吸收量）与LAI的乘积。通过结合来自多个垂直冠层 strata 的信息，冠层采样可以考虑氮在整个冠层中分布的差异。氮浓度通常从冠层顶部到底部递减；上部叶片光合作用更活跃、氮更丰富，而下部叶片通常更早衰老且氮含量较低。这种垂直梯度如果不一致采样，可能会使冠层氮复合样品产生偏差。总之，这些采样策略（叶水平、冠层水平和植物水平）在系统、成本、复杂性和可靠性方面各不相同。叶片采样往往对于检测上层冠层氮状况变化最为精确，而冠层和植物水平采样则提供了植物健康状况的全面快照，并且通常能更可靠地估计给定目标产量下的氮需求。

植物氮相关次级性状

我们在文献综述中发现了四种主要的植物氮指标类别，包括基于质量的氮浓度（N_mass, %）、基于面积的氮含量（N_area, g/m²）、氮营养指数（NNI）和氮平衡指数（NBI）。基于质量的氮变量在出版物中占比最大，约为69%，而基于面积的氮变量占总出版物的23%。NNI和NBI分别占6%和2%。NNI计算为植物组织中实际氮浓度与最佳生长所需临界氮浓度的比值。临界氮浓度通常来自描述植物生物量增加时最低氮需求如何减少的稀释曲线。NNI值为1表示氮营养最佳，低于1表示氮缺乏，高于1表示奢侈消耗。NBI是通过比较叶绿素含量与其他色素（类黄酮或花青素）来评估植物氮状况的测量指标。监测NBI可以检测潜在的氮缺乏或过量，从而允许制定更有针对性的施肥策略，在优化产量的同时遏制过量氮使用及其相关的环境影响。有趣的是，虽然不同氮变量类型之间的模型训练精度存在差异，但模型验证精度并未显示差异。

植物氮性状的高光谱预测因子

植被指数（VI）

基于无人机的高光谱成像能够提取空间明确的植被指数（VI），这些指数在预测作物氮状况方面非常有效。从无人机获取的高分辨率高光谱数据捕获了可见光和近红外光谱（VNIR, 400–1000 nm）的细微变化，这些变化与冠层叶绿素含量密切相关，并作为叶氮浓度的代理。利用红边（大约680–750 nm）区域的植被指数已被证明在预测作物氮状况方面特别有效。著名的例子包括归一化差异红边指数（NDRE）、改进简单比率（mSR705）和MERIS陆地叶绿素指数（MTCI），它们使用红边波长的反射率测量值，其中光谱反射率的细微变化与冠层叶绿素和结构的变化密切相关，这些变化与氮含量变化相关。在大多数情况下，这些红边指数已被证明优于仅依赖可见光或近红外波段的传统指数。通过将红边指数纳入经验或机器学习（ML）模型，研究人员可以准确估计多个生长阶段的季内氮含量，促进精准氮管理并减少肥料浪费。使用基于无人机的高光谱成像，机器学习模型（例如随机森林）在整合高光谱VI和颜色指数以估算水稻器官尺度氮浓度方面已被证明更有效。然而，许多研究的一个显著限制是它们主要依赖可见光到近红外波段（400–1000 nm）的数据，很少有研究整合短波红外（SWIR）区域（1000–2500 nm）的信息。由于SWIR波段为了解植物水分状况和生化组成提供了额外的见解，其未被充分利用可能会限制氮模型的整体预测精度。这突出了未来研究需要纳入整个光谱范围（400–2500 nm）以进一步增强作物氮估算的必要性。

太阳诱导叶绿素荧光（SIF）

无人机和机载高光谱成像显著推进了太阳诱导叶绿素荧光（SIF）的应用，SIF是一种与光合效率密切相关的信号。近年来，SIF越来越多地用于预测植物生理。SIF使用专门算法从高光谱数据中提取，例如夫琅和费线判别（FLD）方法及其改进版本（iFLD）和光谱拟合技术，这些方法将微弱的荧光信号与反射辐射分开。由于SIF直接与光系统功能以及因此富含氮的叶绿素分子相关，它可作为作物氮性状的有前景的指标。与红边指数相比，SIF可能导致对物种特异性氮性状（如NUE）的更稳健预测。研究发现，SIF和光化学反射指数（PRI）在预测氮和磷限制的光辐射松树氮含量方面优于其他高光谱指数。最近的研究强调将从机载高光谱图像中提取的SIF与辐射传输模型（RTM）模拟的植物性状（如叶绿素含量（C_ab）和LAI）相结合，以改进作物和森林中的氮评估。尽管高光谱窄带数据为VI优化和SIF提取的复杂算法应用带来了新的机遇，但基于高光谱的研究通常模型验证精度相对较低，与模型训练结果相比。相比之下，基于多光谱数据的研究显示验证精度下降较小。

全光谱建模方法

在植物氮预测的背景下，有几种建模方法可用。广泛而言，这些可以分为四个主要类别：i) 统计和传统机器学习方法，包括传统统计技术，如多元线性回归（MLR）、偏最小二乘（PLS），以及传统ML算法，如支持向量机（SVM）和随机森林（RF）。这些方法依赖于输入和输出之间的数据驱动关系，通常在历史数据充足时使用；ii) 物理和过程模型：这些模型模拟植物生长和氮动态所涉及的基础物理、生物或化学过程。辐射传输模型（RTM）和作物生长模拟模型（如APSIM或DSSAT）属于此类。RTM和作物生长模拟模型起着根本不同的作用。RTM基于物理原理模拟辐射与植被冠层的相互作用，而作物生长模拟模型代表在不同环境和管理条件下控制植物发育和生物量积累的生理和生态过程。它们通过明确模拟光相互作用、光合作用和养分循环等过程来提供机制性见解。iii) 深度学习（DL），被认为是更先进的ML方法，如卷积神经网络（CNN）和循环神经网络（RNN），与传统ML方法相比，在捕捉复杂的非线性关系方面特别有效，尽管DL依赖于大型数据集的训练。它们广泛用于遥感图像分析，用于分类和胁迫的自动诊断，其中的模式对于传统方法来说可能过于复杂；iv) 混合方法：混合模型结合了上述组的元素。例如，混合方法可能将过程模型与传统ML或先进DL模型相结合，以利用物理模型的可解释性和数据驱动方法的预测能力。这种混合方法可以通过补偿个体方法的弱点来提高鲁棒性和可转移性。

氮预测的统计和传统机器学习模型

统计建模软件和包的进步，特别是那些支持多元统计的软件（例如R、Python包），导致了高光谱数据分析在农业应用中的显著进展。然而，虽然作为基准很有用，但MLR方法在高维高光谱数据集中容易过拟合，导致训练性能虚高但泛化能力差和验证精度低。因此，它们在当前研究和实践中的效用主要在于提供参考而非预测工具。另一方面，多变量和化学计量学模型包括偏最小二乘（PLS）回归（PLSR）已被用于降低光谱波段的维度。PLSR通过提取较少数量的潜变量来减轻高光谱数据集中固有的多重共线性问题，从而与传统MLR方法相比增强了预测性能。集体而言，这些方法及其变体仍然是建立基准模型和揭示解释光谱变量与氮变量之间关系的有价值见解的重要工具。机器学习利用无人机获取的高光谱数据彻底改变了作物氮状况预测。诸如RF、SVM和PLS模型等算法现在常规用于从高维数据集中提取关键光谱特征，并揭示冠层反射率与氮含量之间复杂的非线性关系。这些方法已被证明可以显著提高预测精度和鲁棒性，优于传统线性回归和MLR模型，从而能够绘制对精准氮管理至关重要的氮分布图。然而，浅层ML方法在推断到新的空间背景或跨季节时可能仍面临可转移性降低的挑战。

植物氮性状的物理和过程模型

高光谱遥感研究的最新进展越来越多地将辐射传输模型（如PROSPECT系列变体）与无人机获取的高光谱图像相结合，以定量估算作物氮状况。在这些方法中，像PROSPECT-PRO这样的模型基于内部生化成分（包括叶绿素和蛋白质）模拟叶片光学特性。通过使用来自无人机和有人驾驶飞机的高分辨率高光谱数据反演这些模型，研究人员可以检索关键的叶片生化参数，作为氮含量的代理。这种基于物理的方法减少了对经验相关性的依赖，并增强了氮预测在不同作物和田间条件下的可转移性。然而，迄今为止，只有PROSPECT-PRO模型支持反射率到氮的直接估算，该模型将叶片氮参数化为模型中的蛋白质含量。所有其他模型目前都没有参数化蛋白质或氮；因此，这些模型本身不支持叶片氮含量的直接估算。将PROSPECT-PRO与冠层辐射传输模型（例如SAIL）耦合进一步改善了冠层氮的估算，同时考虑了叶水平和冠层水平的结构效应。这种集成技术能够实现作物氮状况的空间显式制图，突出了将无人机高光谱成像与辐射传输模型相结合用于精准氮管理的潜力。尽管取得了这些进展，但将PROSPECT-5叶片模型（包含叶片蛋白质、纤维素和木质素效应）与INFORM冠层反射模型相结合的反演方法在森林环境中成功估算了叶水平和冠层水平的氮含量。然而，需要在作物中进行进一步测试。集体而言，这些研究表明，当与高光谱数据结合时，多尺度辐射传输建模可以通过将反射信号与过程（如氮诱导的叶片色素浓度和冠层结构变化）联系起来，为植物氮状况提供机制性见解。与基于水平均匀冠层假设的常用一维（1D）模型不同，3D RTM可以捕捉3D异质性，例如在城市表面、植被冠层和地形中。特别是，RAMI（辐射模型比对）倡议和真实3D RTM的积极开发大大提高了准确预测植物性状的能力，尽管在预测植物氮方面的应用仍然不足。现代3D RTM通常通过RAMI平台进行基准测试和验证，允许对异质作物冠层和复杂结构效应进行详细模拟，更好地捕捉氮分布在叶水平和冠层水平的影响。一项最近的研究应用3D RTM模型LESS结合PROSAIL预测叶绿素，然后将其与测量的氮浓度联系起来，尽管这不是氮浓度的直接估算。该研究还发现，机器学习模型在预测杏仁冠层氮浓度方面优于1D和3D RTM，这表明在开发和将3D RTM应用于结构上不如森林景观异质的可耕作物方面存在潜在的知识差距。

植物氮预测的深度学习

深度神经网络通常被称为DL模型，已成为分析图像和其他格式传感数据（例如LiDAR）在各种应用中的强大工具，包括胁迫检测、作物类型制图、产量、植物和土壤特性以及物体表面分类。尽管有这些不同的应用，但迄今为止只有少数研究应用深度学习来估算冠层氮状况。例如，最近的一项研究表明，一维（1D）CNN在使用VNIR高光谱反射数据反演冠层氮浓度（CNC）和地上部生物量方面优于PLS回归，训练、验证和测试的总样本量为450。成功利用深度神经网络估算水稻不同生长阶段的冠层氮状况。将CNN与无人机高光谱传感相结合，在现代种植系统中优化肥料施用和提高NUE具有巨大潜力。尽管DL模型展示了有希望的性能，但传统ML模型通常被发现能产生最佳的模型训练精度。值得一提的是，本综述中基于DL模型的研究样本量太小。因此，需要更多的研究来了解DL模型是否比传统ML模型具有更好的可转移性，以及所需的最小样本量是多少。前进方向是，需要进一步研究来评估DL模型在植物氮预测中的泛化能力，特别是在变化的环境和管理条件下。严格的多点试验、更大的标记数据集和标准化的评估指标对于确认这些新算法能否持续优于完善的ML技术至关重要。

整合机器学习与物理模型

RTM和统计ML方法之间的根本区别在于它们对冠层性状-反射率关系建模和解释的对比方法。RTM使用叶片光学特性（例如叶绿素吸收系数）、结构参数（例如LAI、叶角分布）和辐射传输方程模拟光子通过植被冠层的传输，并对冠层结构有明确的假设。相比之下，ML方法从光谱反射率到目标变量或植物性状推断经验映射，而不对基础物理过程进行建模，假设训练数据代表了应用场景的统计分布，即测试数据。然而，这种假设在不同环境中可能不成立，导致模型可转移性有限。混合方法通过使用从RTM生成的合成数据集训练ML或DL算法（例如，用PROSAIL模拟训练GPR模型），或通过将物理约束直接纳入神经网络，战略性地弥合了ML的数据驱动进展和物理建模的机制见解。结合RTM和ML的混合方法已经实现了植物氮和其他性状的准确估算。这些研究共同证明了，当与高光谱数据结合时，多尺度辐射传输建模可以通过将反射信号与过程（如氮诱导的叶片色素浓度和冠层结构变化）联系起来，为植物氮状况提供机制性见解。尽管混合方法取得了有希望的结果，但局限性仍然存在，例如冠层结构复杂性（例如穗状结构），这可能会降低冠层水平氮估算的准确性。这些建模组中的每一个都提供了独特的优势，并且通常根据数据可用性、所需的可解释性以及建模过程的复杂性等因素进行选择。结合ML和RTM不仅对于生成人工训练数据有用，而且对于预测与氮缺乏相关的多个性状也很有用，从而允许优化特定性状的模型。尽管如此，它们可能受到其训练数据范围之外的适用性的限制。相比之下，物理和过程模型在测试特定假设和探索“假设”场景（例如改变冠层结构、天气或土壤条件）方面可以更灵活。然而，它们需要更详细的输入数据和对与氮变化相关的潜在形态生理过程的透彻理解。将这些框架杂交有望利用机制性见解，同时保留数据驱动方法的预测能力和可扩展性，以改进植物氮性状的预测。尽管有这些建模方法，基于无人机的研究的一个关键限制是它们专注于可见-近红外（VNIR）范围（400–1000 nm）。虽然该范围捕获了与叶绿素相关的特征和冠层结构效应，但它不包含主要在短波红外（SWIR）区域（1000–2400 nm之间）的关键氮和蛋白质相关吸收特征。具体来说，N-H伸缩和组合带出现在大约1020、1510、1730、1980、2060、2130、2180、2240和2300 nm附近，反映了与蛋白质和氮化合物直接相关的生化吸收。大多数无人机平台缺乏这些SWIR波段表明，许多当前研究依赖于氮状况的间接代理，而不是针对生化吸收特征本身。因此，未来的无人机传感器开发和研究工作应优先考虑将光谱覆盖范围扩展到SWIR区域，这将实现对作物氮状况更直接和生理上有意义的检测。

挑战与未来方向

基于面积与基于质量的氮参数

预测氮含量仍然具有挑战性，特别是在区分基于面积和基于质量的氮性状时。基于面积的估算代表每单位叶或冠层面积的总氮，与光合能力密切相关，对叶片形态和冠层结构的变化高度敏感。相比之下，基于质量的氮估算代表组织内的氮浓度，受生化变异性和混杂因素（如水分含量和非蛋白质氮化合物）的影响。最近的研究开始应对这些挑战。例如，研究表明，应用于水分去除的高光谱数据的连续小波分析可以稳健地反演小麦和水稻作物的基于面积和基于质量的氮含量，减轻了由于光谱变异性引起的校准问题。相比之下，发现基于叶片干质量（N_mass）的氮校准优于基于叶面积（N_area）的校准，因为叶绿素存在年龄依赖性变异，并且结合物理建模和ML的混合模型可以减轻叶龄对预测精度的影响，同时减少光谱维度。尽管如此，精度差异高度依赖于数据集，例如，在叶水平生化变异占主导（即生物量变化较小）而叶片干物质变异较小的环境设置中，N_mass通常以相对较高的精度预测，反之亦然。在许多大田作物应用中，基于面积的氮通常显示出更强的预测关系，因为它直接与总冠层生物量和氮含量相关——这两者都影响反射率。相比之下，在叶水平生化变异大的设置中，基于N_mass的氮浓度也可以被成功预测。展望未来，整合先进的光谱分析、多传感器数据融合以及针对特定物种和生长阶段量身定制的标准化校准策略，似乎是优化精准农业中氮预测和管理的有前途的途径。

解开物候和生理变化的影响

使用冠层高光谱传感来预测氮和叶绿素状况时，解开物候和生理变化的影响仍然具有挑战性，因为这两个因素共同变化并共同影响冠层反射率。物候变化——例如冠层结构、叶龄和生长阶段的变化——可以独立于基础生化特性修改光谱信号，而生理变异（例如叶绿素浓度或氮含量的变化）通常叠加在这些结构变化之上。然而，研究表明可以部分解开这些影响。例如，研究发现光化学反射指数（PRI）可以在冠层尺度上用于区分物候发育的影响与生理性能的影响，从而增强复杂冠层中氮和叶绿素信号的解释。整合多个光谱指数、先进的辐射传输建模和ML方法使研究人员能够逐步将生理信号（如氮和叶绿素含量）从物候变化的混杂影响中解耦。例如，研究表明，通过将光谱指数与基于物理的模型（如PROSPECT）结合，并采用稳健回归，可以减轻跨品种和物种的冠层结构变异性对反演生化特性的影响。提出了混合反演方法，协同利用基于物理和数据驱动的模型来改进从高光谱数据中反演植被生物化学。同样，证明混合方法可以以减少的光谱维度反演葡萄叶片的氮，同时保持可接受的精度。这突出了这种集成方法有助于独立于物候学分离生理变化。这些发现，连同通过PRI解开物候学与生理过程影响的工作，支持了这样的观点，即先进的特征选择和集成建模是克服冠层高光谱传感用于氮和叶绿素预测固有挑战的关键。尽管如此，实现完全解耦需要广泛的、经过良好校准的数据集，其中包括关于冠层结构的辅助信息——在多样化的农业环境中这是一个持续的挑战。

解开结构和生化变化的影响

从高光谱数据中解开叶片或冠层结构的影响与生化变化的影响是具有挑战性的，因为结构属性（如叶片内部结构和表面、叶片厚度、LAI、叶角分布）和生化特性（如叶绿素、氮和水分含量）共同影响观察到的反射率。尽管如此，一些研究表明集成方法可以部分分离这些影响。例如，证明结合基于物理的辐射传输模型与ML技术的混合反演方法可以隔离生化信号与混杂的结构影响，从而提高氮和叶绿素反演精度。类似地，表明应用于水分去除光谱的连续小波分析在估算基于面积和基于质量的氮含量时最小化了叶片结构的影响。进一步说明，像PRI这样的光谱指数有助于解开物候影响与生理变化。补充这些发现，揭示了城市树木中由于密封种植条件导致的叶片光学性状变化与叶片结构变化密切相关，强调了解耦结构与生化信号的必要性。此外，开发了用于预测叶片色素含量的光谱指数，这些指数在广泛的物种和结构差异范围内是稳健的——表明红边区域反射率的一阶导数对叶片结构不敏感，并能可靠地指示叶绿素含量。尽管由于结构和生物化学的相互交织性质，完全解耦仍然复杂，但这些集成方法提供了减少叶片和冠层结构的混杂影响的有前途的途径，当从高光谱传感预测氮和叶绿素时。考虑太阳照明和观察角度的方向效应是解耦冠层结构与生化信号的另一种策略。最近的研究表明，结合多角度无人机成像可以帮助校正结构异质性和阴影效应。发现太阳-视图几何形状显著影响冠层光谱反射率变异性，表明多角度观测可能通过最小化观察和照明差异的影响来帮助隔离真实的生化变异。在一项补充研究中，证明当使用多角度高光谱数据时，冬小麦叶片氮浓度的遥感显著改善，因为这种方法更好地捕捉了冠层结构的方向效应并减少了阴影和各向异性反射率的混杂影响。提出了一个概念性指数，假设每个测量的冠层反射率是生化响应反射率的线性函数。该指数使用反射率差异的比率来消除冠层结构对冠层反射率的乘性和加性影响，特别是在近红外和红边波段。这一概念与MTCI的概念一致，解释了红边波段指数MTCI在各种研究中预测叶绿素的一致良好性能。利用植被近红外反射率（NIRv）来减轻冠层结构对双向反射率因子（BRF）的影响，从而减少冠层结构变化对冬油菜跨不同生长阶段和季节的LNC遥感估算的影响。总之，这些发现强化了将多角度成像集成到高光谱传感框架中，为进一步解耦结构对氮和叶绿素生化信号的影响提供了一条有效途径。尽管如此，多角度或先进结构校正的操作采用可能需要额外的传感器能力、计算资源和标准化校准实践。这些因素在大规模精准农业环境中值得进一步研究。

可解释人工智能与深度学习

深度学习、自然语言处理和计算机视觉的最新进展彻底改变了许多领域。然而，它们在无人机高光谱遥感中用于预测叶片和植物性状的应用仍然相对未被充分探索。开创性研究使用可解释人工智能（XAI）技术，例如自监督光谱-空间注意力基于Transformer和CNN-Transformer网络，展示了使用XAI和深度神经网络自动提取和解释复杂的光谱-空间-时间特征并转移学习特征的潜力。然而，这种方法在操作植物性状预测中仍然很少应用，或跨环境验证。提出了一种结合深度多