该文档于2020年9月29日发表在《Remote Sensing》期刊上，由Verónica Sobejano-Paz（通讯作者，隶属丹麦技术大学环境工程系）、Teis Nørgaard Mikkelsen、Andreas Baum、Xingguo Mo、Suxia Liu、Christian Josef Köppl、Mark S. Johnson、Lorant Gulyas和Mónica García等多国研究人员合作完成。此项研究致力于评估高光谱与热遥感技术在精准监测作物干旱响应生理过程方面的潜力与机制，主要科学领域为农业遥感、植物生理生态及环境监测。
学术背景与研究目标 全球气候变化导致干旱频发，严重威胁以玉米和大豆为代表的全球主要粮食作物的生产安全。农业灌溉消耗了全球约70%的淡水，提高农业用水效率至关重要。当作物遭受水分胁迫时，会引发一系列生理、生化和形态上的调整，例如叶片气孔导度（stomatal conductance, gs）、蒸腾速率（transpiration, tr）和光合作用（photosynthesis, a）的下降，叶片温度（tl,rad）上升，以及叶面积指数（LAI）和冠层高度（hc）的变化。传统的植被指数（Vegetation Indices, VIs）和热遥感技术已被广泛用于监测干旱胁迫，但往往难以区分干旱效应与物候变化（phenology）的干扰，并且对于具有不同光合途径（C3大豆 vs C4玉米）和水分利用策略的作物，其响应机制存在差异，遥感监测的普适性和准确性面临挑战。
因此，本研究的核心目标是：在受控环境条件下，探究结合高光谱光学（VNIR）、热遥感和冠层高度信息，监测和量化大豆与玉米在干旱胁迫下的生理响应（冠层蒸散ET、叶片gs、tr和a），并分离物候效应的影响。具体而言，研究旨在：（1）评估干旱对各生理、形态、生化和遥感变量的影响；（2）探究偏最小二乘回归（Partial Least Squares Regression, PLS-R）模型利用高光谱数据预测叶片gs、tr和a的能力，识别模型中最相关的波长，并评估加入tl,rad和hc信息对模型的改进效果。研究结果有望为无人机载高光谱-热传感的农场级作物表型分析和精准灌溉管理提供理论基础和方法支持。
详细研究流程 本研究在丹麦技术大学的受控生长室内进行，时间为2018年3月至6月。整个工作流程严谨，可分为实验设计、多参数测量、遥感数据获取与预处理、统计分析及PLS-R建模五个主要阶段。
第一阶段：实验设计与作物培养 研究选取了两种光合途径和水分策略不同的作物：大豆（C3途径）和玉米（C4途径）。实验设置了三种土壤水分处理水平，基于土壤最大持水量（Water Holding Capacity, WHC）设定：100% WHC（湿润/对照）、70% WHC（中度胁迫）和40% WHC（干旱胁迫）。每种作物在每个水分水平下设置6个重复盆，共计36盆。生长室环境参数严格控温、控湿、控光和CO2浓度，以排除其他环境变量的干扰。
第二阶段：多参数原位测量 在作物生长的一个关键营养生长期（大豆测量8次，玉米测量7次），研究人员系统性地测量了多类参数，确保数据同步性和可比性： 1. 生理参数： 使用LI-6400光合作用测定系统，测量叶片水平的净光合速率（a）、蒸腾速率（tr）、气孔导度（gs）等气体交换参数。 2. 形态参数： 手动测量冠层高度（hc），作为植株生长的代理指标；在实验末期使用LAI-2200c植物冠层分析仪测量叶面积指数（LAI）。 3. 生化参数： 使用SPAD-502叶绿素计测量叶片叶绿素含量（chl）。 4. 水分平衡参数： 通过称重法计算每个盆的冠层蒸散量（ET）。
第三阶段：遥感数据采集与预处理 这是研究的核心技术环节。研究采用了一套集成的遥感传感系统，模拟无人机载荷： 1. 高光谱成像： 使用Cubert UHD 185相机获取450-950 nm范围的125个连续窄波段高光谱影像。测量前进行了辐射和光谱校准，并在生长室内使用标准白板（Spectralon）进行辐照度标定。通过设定NDVI ≥ 0.6的阈值，从图像中分割并提取植被冠层像素的平均反射率。 2. 热成像： 使用FLIR Tau2 324热像仪获取长波红外影像，得到冠层辐射温度（tl,rad）。相机已预先用黑体辐射源校准。通过叶片轮廓检测和直方图阈值法自动提取植被像素，计算其平均温度作为tl,rad。 此外，研究计算了13个对干旱敏感的高光谱植被指数（VIs，如NDVI、EVI、TCARI、PRI、SPRI等）以及叶气温差（ΔT = tl,rad - tair），用于后续与传统生理参数的对比分析。
第四阶段：统计分析 1. 方差分析（ANOVA）： 采用双因素方差分析，量化土壤水分胁迫（WHC）和测量日期（DOM，代表物候）对各测量参数（生理、形态、生化及遥感变量）的独立及交互影响。 2. 相关性分析： 计算叶片生理参数、hc、chl与各VIs及ΔT之间的线性相关系数（R²），以评估传统遥感指标的有效性。
第五阶段：PLS-R建模与分析 这是研究的核心分析方法，用于从高光谱数据中挖掘预测生理状态的能力： 1. 数据预处理： 对高光谱反射率数据应用标准正态变量（Standard Normal Variate, SNV）变换，以消除由物候和作物类型差异引起的系统性光谱变异，使得模型更专注于水分胁迫信号。 2. 模型构建与验证： 分别针对大豆、玉米以及两作物合并的数据集，构建PLS-R模型来预测叶片a、gs和tr。设计了三种预测变量组合：（i）仅高光谱数据（Hyper）；（ii）高光谱+ tl,rad；（iii）高光谱+ tl,rad + hc。数据集被随机分为70%的校准集和30%的验证集。为确保模型稳健性，进行了500次自助法（Bootstrapping）迭代，并在校准集内采用10折交叉验证确定最优潜变量数。 3. 模型评估与解释： 使用验证集的决定系数（R²）、归一化均方根误差（NRMSE）和偏差（Bias）评估模型性能。通过变量重要性投影（Variable Importance in Projection, VIP）得分（VIP > 1表示重要）识别对模型贡献最大的关键波长。通过绘制PLS-R第一、第二潜变量的载荷图，分析关键波长与tl,rad及hc在潜变量空间中的相关性，从而解释遥感变量与生理状态之间的潜在联系。
主要研究结果 结果一：作物对干旱的生理、形态响应差异显著 方差分析结果表明，两种作物对干旱的响应策略截然不同： * 大豆（C3）： 干旱胁迫（从100% WHC到40% WHC）导致其季节平均的ET、叶片a、tr和gs均显著下降，表明大豆主要通过快速关闭气孔（等水行为倾向）来应对缺水，这直接限制了光合和蒸腾。 * 玉米（C4）： 干旱胁迫下，其季节平均的叶片a、tr和gs并未表现出显著下降，但ET显著降低。结合玉米hc和LAI随物候显著变化而叶片生理参数不显著响应于干旱的事实，表明玉米主要通过减少生长（形态调整，如降低LAI）而非立即的气孔关闭来节约水分，这可能与其C4光合途径的高水分利用效率和相对不等水行为策略有关。 * 物候影响： 对于大豆，物候和干旱对生理参数均有显著影响；对于玉米，物候是引起其生理、形态和大部分遥感变量变化的主要驱动力，影响远大于重复间的变异。这凸显了在遥感监测中分离物候与胁迫信号的极端重要性。
结果二：遥感变量有效追踪干旱响应，但需考虑作物类型和物候 1. 热信号： 大豆的tl,rad和ΔT在干旱下显著升高（气孔关闭导致蒸腾冷却减弱），且ΔT与大豆的gs和tr呈显著负相关（R²最高达0.47）。然而，玉米的tl,rad对干旱不敏感，与其叶片生理响应不敏感的结果一致。 2. 高光谱植被指数： 结果验证了VIs的响应具有作物特异性。在控制物候影响后： * 结构类VIs（如NDVI、EVI）： 对玉米的干旱响应更敏感（反映了LAI变化），而对大豆不敏感。 * 叶绿素/光化学效率类VIs（如TCARI、SPRI、R700/670）： 在大豆中随干旱显著下降，与叶片生理下降同步；在玉米中，这些VIs主要随物候变化，与干旱的直接关联较弱。 * 水分胁迫相关VI（如RNDVI）： 在两个作物中均随干旱显著增加，表现出一定的普适性。
结果三：PLS-R模型优于传统VIs，合并作物模型预测精度最高 PLS-R模型取得了良好到优秀的预测性能（验证集R²在0.54至0.92之间，NRMSE在8%至18%之间）： 1. 模型比较： 将大豆和玉米数据合并构建的联合模型，对a、gs和tr的预测精度（R²val最高达0.92）显著高于针对单一作物构建的独立模型。这是因为合并数据集涵盖了更广泛的生理状态范围（玉米的生理值普遍高于大豆），提高了模型的普适性和稳健性。 2. 辅助变量提升： 加入tl,rad显著提升了大豆gs模型的预测精度（R²val增加约25%），证实了热信息对于监测大豆气孔行为的关键补充作用。加入hc则主要提升了玉米tr模型的精度（NRMSEval降低约15%），印证了形态变化对玉米水分利用的主导调控。 3. 关键波长识别： VIP分析揭示了预测不同作物生理状态的关键光谱区域，这些区域并非完全与常用VIs的中心波长重合，体现了高光谱连续窄波段在挖掘新特征方面的优势： * 大豆： 关键区域集中在绿光波段（~516 nm和540 nm，可能与色素和光化学活性相关）、红边起始（~691 nm，叶绿素a吸收）和末端（~780-783 nm）、以及近红外平台区（~831 nm和850 nm，可能与冠层结构和水分含量相关）。 * 玉米： 关键区域主要在红边区域（起始处~700 nm和末端~770 nm）以及近红外（~843 nm）。 4. 变量关联解析： 载荷图分析显示，对于大豆，预测gs和tr的关键绿光波段和近红外波段与tl,rad在潜变量空间中高度相关；而红边波段则与hc更相关。对于玉米，关键红边和近红外波段主要与hc相关联。这从数据驱动角度证实了不同遥感变量组合对于解释不同作物生理机制的重要性。
研究结论与价值 本研究得出以下核心结论： 1. 作物响应策略异质性： 大豆和玉米对干旱采用了不同的生理-形态调节策略。大豆主要通过气孔调节（生理响应），而玉米则更依赖生长调节（形态响应）。遥感监测必须考虑这种作物特异性。 2. 遥感监测的有效性与复杂性： 高光谱VIs和热信号能够有效追踪这些差异化的干旱响应，但必须在控制或分离强烈的物候效应影响之后进行解读。 3. PLS-R模型的优势： 基于高光谱数据的PLS-R建模是预测叶片生理状态的有效工具。合并不同作物类型的数据可以提高模型性能，反映了植物功能性状连续谱的建模思路。而分离的作物模型则有助于识别针对特定作物的关键预测变量（如大豆的tl,rad和玉米的hc）。 4. 关键光谱特征的发现： 研究识别出的对干旱敏感的PLS-R关键波长与经典VIs的中心波长不完全一致，这强调了拥有连续窄波段的高光谱数据在开发更精准的生理状态预测模型方面的独特价值，并提示可能需要根据不同作物类型组合不同的特征波长。
本研究具有重要的科学价值与应用前景： * 科学价值： 深化了对C3和C4作物干旱响应遥感表征机制的理解，明确了物候与胁迫信号的分离是精准遥感监测的关键。证明了多源遥感（光学+热+结构）数据融合与机器学习方法（PLS-R）相结合，在解析复杂植物生理生态过程方面的强大潜力。 * 应用价值： 为在生长室、温室乃至田间利用无人机搭载高光谱、热成像和激光雷达/摄影测量设备进行高通量作物表型分析和精准水分管理提供了直接的方法论参考。PLS-R模型估计的叶片生理参数（如gs）可用于改进冠层尺度的GPP或ET模型的参数化，帮助识别不同的光合途径或不同程度的气孔关闭，从而优化灌溉决策，提升农业水资源利用效率。
研究亮点 1. 研究设计严谨： 在受控环境中精细设置水分梯度，同步获取多维度生理、形态、生化和遥感数据，有效分离了干旱与物候效应。 2. 研究对象对比鲜明： 选择具有不同光合途径（C3 vs C4）和水分策略的两种关键作物进行对比研究，揭示了遥感监测的作物特异性，结论更具普遍意义。 3. 方法先进综合： 创新性地将高光谱遥感、热遥感与冠层高度信息相结合，并采用PLS-R这一能够处理高维共线性数据的机器学习方法进行建模和机理挖掘，超越了传统植被指数的分析框架。 4. 发现新颖深刻： 明确了合并作物模型提升普适性与分离模型揭示作物特异性机制的双重优势；识别出不同于传统VIs的关键响应波长，为开发新一代作物胁迫遥感诊断指数提供了新思路。 5. 技术转化导向明确： 整个实验传感系统的搭建模拟了无人机载荷，研究结论直接指向无人机遥感在精准农业中的实际应用，桥梁作用显著。
其他有价值内容 研究还详细阐述了所涉及的13种植被指数的计算公式及其生理生态含义，为读者提供了丰富的背景知识。此外，文中对SNV预处理以消除非胁迫相关光谱变异的方法进行了说明，这对处理涉及不同生长阶段或品种的遥感数据具有普遍指导意义。作者在讨论中也指出了本研究的局限性，例如在受控环境进行，未来需要扩展到更复杂的田间环境进行验证，这为后续研究指明了方向。