高光谱与多光谱影像在优化普通小麦氮素管理与收获评估中的应用

遥感（remote sensing）是构建田块尺度特异性（site-specific）管理图的重要工具，可用于降低过量氮（N）施肥的环境影响，并用于预测作物产量与品质，以服务于收获规划和粮食安全。本研究旨在将遥感应用于普通小麦（Triticum aestivum L.）氮素管理优化及收获评估。

研究方法方面，研究人员在西班牙中部连续2年开展田间试验，设置4个施氮水平和2种水分处理。于3个生育时期采集地面实测数据，包括生物量、植株氮浓度和氮素营养指数（NNI，nitrogen nutrition index），并在收获期记录籽粒产量和籽粒氮浓度。与地面测量日期相近时，获取了机载高光谱影像，覆盖可见光与近红外区域（400–850 nm）以及部分短波红外区域（950–1750 nm），飞机飞行高度为300 m。同时下载并处理了研究区的Sentinel-1和Sentinel-2影像。研究人员测试了从机载影像中提取的植被指数（VIs，vegetation indices）对NNI的评估能力，并将其与卫星数据结合，通过集成模型，包括多元线性回归（MLR，multiple linear regression）、人工神经网络（ANN，artificial neural network）和随机森林（RF，random forest），预测小麦收获期性状。

研究结果表明，冠层叶绿素含量指数（CCCI，canopy chlorophyll content index）是表征作物氮素状态的最佳替代指标，对NNI的评估均方根误差（RMSE，root mean square error）为0.21。由航空影像生成的NNI图能够反映小麦氮素需求的空间分布，并可在茎伸长期识别产量响应施氮与非响应施氮区域，在开花期识别籽粒氮浓度响应施氮与非响应施氮区域。可见光与近红外区域可提供可靠的产量估算，而红边区域与短波红外区域波段可提高与氮素相关作物性状的预测能力。采用高光谱影像与Sentinel-2数据建立的模型表现相当。

研究结论表明，高光谱与多光谱影像在作物监测、氮肥管理和收获规划方面具有较高有效性。

该文发表于《Precision Agriculture》，聚焦普通小麦氮素精准管理与收获性状遥感评估。研究背景在于，氮素是维持作物生长和产量形成的关键营养元素，但农业生产中氮肥利用效率通常偏低，仅有部分施入氮被作物吸收，其余则以淋失、挥发等形式进入环境，造成水体和大气污染。同时，由于田间土壤供氮能力存在显著空间异质性，生产上常通过过量施氮来规避低肥力区域减产风险，进一步加剧环境负担。对于冬小麦而言，合理分次施氮被认为是提高氮素利用效率的重要策略，其中拔节末期以前的追肥主要关系到产量形成，而开花前后及灌浆初期追加氮肥则与籽粒蛋白和籽粒氮积累密切相关。因此，若能在生育期内及时、准确诊断作物氮素营养状态，并在后期较高精度预测产量和籽粒氮浓度，就能够为变量施氮、收获规划及品质分级提供依据。

在这一背景下，研究人员围绕高光谱与多光谱遥感在普通小麦氮素管理和收获评估中的应用开展研究，目标包括三方面：其一，筛选能够准确评估生育期内氮素营养指数（NNI）的植被指数，并形成反映作物氮素状态空间异质性的制图方法；其二，评价机载高光谱和卫星多光谱传感器对与生产力相关性状的估测潜力，重点涉及产量、籽粒氮浓度和单位面积籽粒氮输出量；其三，比较不同集成模型在作物性状反演中的表现。研究结果表明，冠层叶绿素含量指数（CCCI）是最优的作物氮素状态代理指标，能够较准确评估NNI并构建田块尺度氮素诊断图；机载高光谱与Sentinel-2多光谱数据在产量预测上表现接近，而引入红边和短波红外信息可明显改善氮相关性状的估测；多指标组合的集成模型总体优于单一指数模型。研究意义在于，该研究为普通小麦田间变量施氮和收获品质预判提供了可操作的遥感依据，也证明了在大尺度应用中，多光谱卫星数据具有较强替代潜力。

本研究主要采用以下关键技术方法。研究样本来自西班牙马德里Aranjuez的La Chimenea田间试验站，连续2年在8 ha试验田内设置4个施氮水平和2种水分处理，获取地上生物量、植株氮浓度、NNI、籽粒产量和籽粒氮浓度等地面实测数据。遥感方面，获取机载高光谱与热红外影像，并下载Sentinel-1合成孔径雷达（SAR，synthetic aperture radar）和Sentinel-2多光谱影像。分析上，先利用植被指数和归一化差异光谱指数（NDSI，normalized difference spectral index）筛选关键波段组合，再通过多元线性回归（MLR）、人工神经网络（ANN）和随机森林（RF）进行交叉验证建模，以评估NNI及收获期性状。

在研究结果部分，论文首先讨论“Vegetation indices for assessment of NNI and spatial variability of crop N status”。研究显示，在所有测试指标中，CCCI与NNI的关系最强，是基于可见光—近红外（VNIR）及红边信息评估小麦氮素营养状态的最佳指数。研究人员发现，利用机载影像构建的CCCI与NNI之间呈线性关系，NNI评估的RMSE为0.21。相比之下，利用VNIR和红边波段直接估测植株氮浓度的效果较弱，而包含短波红外波段的NDSI（1640, 705）对植株氮浓度和NNI也表现出一定潜力。进一步地，研究利用CCCI建立了NNI空间分布图，结果表明该图能够清晰区分未施氮区域、适宜施氮区域和过量施氮区域，较好反映试验田内小麦氮素需求的空间异质性。通过将NNI诊断结果与产量、籽粒氮浓度的施氮响应进行比较，研究发现，在拔节中期识别施氮响应地块的误差较高，而在拔节末期利用NNI识别产量响应施氮区域的误差降至18%，在开花期识别籽粒氮浓度响应施氮区域的误差为22%。这表明，遥感NNI图更适合在较晚生育阶段用于支撑追肥决策，尤其是拔节末期的保产施氮和开花期的提质施氮。

随后，论文在“Potential of airborne sensors for assessing productivity-associated crop traits”中评估了机载高光谱传感器对生产力相关性状的估测能力。研究人员首先通过遍历400–1750 nm范围内各波段组合构建NDSI，筛选与产量、籽粒氮浓度和单位面积籽粒氮输出量关系最强的波段组合。结果表明，开花期小麦产量可由近红外与红边波段组合较准确估测，其中NDSI（773 nm, 753 nm）与产量的相关性最高。用于集成模型的结构指数选取了与GNDVI等效的NDSI（800 nm, 550 nm），叶绿素相关指数选取NDSI（799 nm, 755 nm），短波红外相关指数选取NDSI（1106 nm, 1066 nm）。对于籽粒氮浓度，最佳单一指数为由1701 nm和701 nm构成的NDSI，说明短波红外与红边信息对籽粒氮状态判断尤为关键。对单位面积籽粒氮输出量而言，最佳单一指数为NDSI（778 nm, 752 nm），同时短波红外指数也提供了重要补充信息。总体上，这些结果说明，可见光和近红外波段适合刻画冠层结构与生物量，红边波段增强了对叶绿素和氮素状态的敏感性，而短波红外波段则对蛋白相关的N–H键吸收特征更敏感，因此在氮相关性状反演中具有突出价值。

在“Application of ensemble models”部分，研究比较了多元线性回归、人工神经网络和随机森林对机载高光谱数据的整合能力。结果显示，只要组合多个指数，至少有一种集成模型能够优于单一指数线性回归模型。产量预测中，人工神经网络结合结构指数、叶绿素指数和短波红外指数获得最佳结果，RMSE为493 kg ha⁻¹，R²为0.86，优于仅使用单一NDSI时的RMSE 521 kg ha⁻¹和R² 0.84。籽粒氮浓度预测中，多元线性回归结合结构、叶绿素和短波红外指数的效果最佳，RMSE为1.19%，R²为0.73，并且只有在加入短波红外指数后，模型性能才得到明显提升。单位面积籽粒氮输出量预测中，最优模型同样为多元线性回归，RMSE为15.5 kg N ha⁻¹，R²为0.74。值得注意的是，在模型中加入太阳诱导叶绿素荧光（SIF，solar-induced fluorescence）或水分亏缺指数（WDI，water deficit index）后，并未进一步提升产量或氮相关性状的预测能力。

在“Potential of Sentinel sensors for assessing productivity-associated crop traits”中，研究进一步评估了Sentinel遥感数据的适用性。结果显示，Sentinel-2多光谱数据对产量、籽粒氮浓度和单位面积籽粒氮输出量的预测趋势与机载高光谱数据基本一致，尤其在产量估测上表现接近。产量预测最佳结果由人工神经网络结合结构、叶绿素和短波红外指数获得，RMSE为507 kg ha⁻¹，R²为0.85，与机载高光谱结果差距较小。籽粒氮浓度预测中，多元线性回归结合结构、叶绿素和短波红外指数获得最佳结果，RMSE为1.4%，R²为0.69；若不加入短波红外信息，仅依赖结构和叶绿素指数，则模型性能显著下降。单位面积籽粒氮输出量预测中，最佳模型同样是多元线性回归，RMSE为16.5 kg N ha⁻¹，R²为0.71。另一方面，将Sentinel-1雷达植被指数（RVI，radar vegetation index）加入模型后，并未带来性能提升。这表明，在本研究条件下，Sentinel-2提供的可见光、红边、近红外和短波红外信息已足以支撑较可靠的小麦生产力相关性状估测，而雷达信息的附加价值有限。

在讨论部分，研究人员系统分析了NNI评估和收获性状反演的机理与局限。关于作物氮素状态诊断，论文强调CCCI之所以优于其他指数，在于其平面指数构造同时利用了NDVI对生物量的表征能力和NDRE对植株氮状态的敏感性，从而减轻单一植被指数在中后期因高生物量导致的饱和问题。研究同时指出，由于开花后穗部反射混入冠层信号，且NNI所需的氮浓度输入限定于茎叶部分，导致基于遥感直接估测植株氮浓度始终存在较高不确定性，因此相较于“先估测生物量和植株氮浓度、再计算NNI”的参数法，直接建立CCCI与NNI的半经验关系更具实用性。关于收获性状估测，讨论指出高光谱数据相比多光谱数据具有轻微优势，尤其体现在短波红外窄波段对籽粒氮浓度和蛋白相关特征的捕捉上；但Sentinel-2在产量估测上的表现已非常接近机载高光谱，结合其免费获取以及更强的时空覆盖能力，更适合大尺度业务化应用。对于模型选择，论文认为集成模型通过融合结构、叶绿素和短波红外等互补信息，能够优于单一指数模型；三类模型总体表现相近，但随机森林至少需要3个指数输入后才可稳定达到较好精度。研究还指出，籽粒氮浓度受灌浆期氮素转运、水分和温度等多因素影响，因此其预测难度高于产量，未来若纳入更多环境变量，模型性能仍有提升空间。

论文结论部分可译述如下：基于可见光—近红外区域的植被指数中，对作物氮素状态估测效果最佳的是冠层叶绿素含量指数（CCCI）。本研究获得的用于计算CCCI并包络机载数据的方程与其他地区已发表结果接近，表明这些曲线可能适用于更广泛的小麦监测场景；本文同时给出了适用于Sentinel-2数据的类似包络方程。研究基于航空影像生成了反映小麦NNI空间分布的图件，并通过基于氮充足指数（NSI，nitrogen sufficient index）的误差分析评估其指导施肥建议的能力。结果显示，在拔节末期识别增产响应与非响应地块的误差率为18%，在开花期识别提高籽粒氮浓度响应与非响应地块的误差率为22%。本文给出的CCCI与NNI关系可用于将遥感信息转换为田块特异性施氮图。研究进一步证实，分次施氮可提高小麦氮肥利用效率：分蘖期可统一施用30%–50%，其余施氮量可在拔节末期（Z37）依据遥感评估的作物氮素状态实行变量施用；开花后若需提升籽粒氮浓度，也可依据遥感诊断追加施氮。机载高光谱与卫星多光谱传感器均表现出较高的小麦产量估测潜力，其中产量是最易准确估测的性状。开花期采用高光谱数据估测产量的RMSE为493 kg ha⁻¹，使用Sentinel-2时增至521 kg ha⁻¹。与其他性状类似，结合可见光、红边、近红外和短波红外波段构建的光谱指数可获得最佳估测结果。籽粒氮浓度是基于Sentinel-2波段最难估测的性状，但在引入短波红外波段后可获得满意结果；同样，单位面积籽粒氮输出量的估测也因纳入红边和短波红外信息而改善。研究表明，若传感器具备短波红外和窄红边波段信息，则对小麦氮相关性状的评估能力可显著增强。此外，在开花期利用多个指数并采用非参数模型进行联合建模，可全面提升各作物性状的估测精度；多元线性回归、人工神经网络和随机森林总体表现相近，但随机森林至少需要3个指数输入方能稳定发挥作用。