基于高光谱遥感和光辐射传输模型的油菜叶片氮含量反演方法研究学术报告

本研究由华中农业大学资源与环境学院的李舒旭（Li Shuxu）在刘诗诗教授指导下完成，作为2024届硕士学位论文，于2024年6月提交。

学术背景

油菜作为全球三大油料作物之一，在我国长江流域广泛种植，2022年全国种植面积达7253.47千公顷。氮素是影响油菜产量和品质的关键因素，但传统氮含量监测方法存在破坏性采样、耗时费力等问题。高光谱遥感技术因其丰富的光谱信息，为作物氮含量快速、非破坏性监测提供了新途径。

研究聚焦油菜叶片氮含量(Leaf Nitrogen Content, LNC)的高光谱反演，针对现有经验统计模型缺乏普适性、光辐射传输模型(Radiative Transfer Model, RTM)反演精度不足等问题，创新性地将PROSAIL-PRO模型与机器学习算法结合，并引入叶面积指数(Leaf Area Index, LAI)约束和土壤背景光谱校正，旨在建立高精度的油菜LNC反演方法。该研究对指导油菜精准施肥、提高氮肥利用率具有重要意义。

研究流程与方法

研究基于2020-2023年在湖北省武汉市和武穴市开展的4次冬季油菜氮肥梯度试验，系统采集了作物冠层光谱、生理生化参数和土壤光谱数据，构建了多模型对比的反演框架。

数据采集与处理

试验设置不同施氮水平(N0、N90、N180)，使用ASD FieldSpec 4高光谱辐射计测量冠层光谱(350-2500nm)，并同步测定叶片氮含量、叶绿素含量等生理参数。LAI测量采用LAI-2200植物冠层分析仪，土壤光谱使用相同高光谱仪测定。所有光谱数据经过Savitzky-Golay平滑和标准正态变量变换(SNV)预处理。

模型构建与优化

研究采用PROSAIL-PRO模型作为基础框架，该模型耦合了叶片尺度的PROSPECT-PRO和冠层尺度的4SAIL模型。通过单因素敏感性分析确定蛋白质含量(Prot)的敏感波段范围为1430-1790nm和2110-2200nm。在此基础上，研究构建了四种渐进式反演模型：

1. 基础PROSAIL-PRO模型：设置叶片结构参数N=2.5，利用随机森林(Random Forest)算法建立Prot反演模型，再通过Prot与LNC的4.43倍转换关系估算氮含量。

2. LAI约束的PROSAIL-PRO模型：结合实测LAI与增强型植被指数(EVI)构建约束条件，将LAI与敏感波段共同作为随机森林的输入特征。

3. BSM-PROSAIL-PRO耦合模型：引入亮度-形状-湿度(Brightness-Shape-Moisture, BSM)模型模拟土壤光谱，利用遗传算法生成土壤反射率参数，降低背景干扰。

4. LAI约束的BSM-PROSAIL-PRO模型：综合LAI约束和土壤背景校正，构建最终优化模型。

模型验证与比较

采用决定系数(R²)和均方根误差(RMSE)评价模型精度，通过独立验证集比较四种模型的LNC反演效果。特别关注不同施氮水平(N0、N90、N180)下的预测偏差，分析模型适用性。

主要研究结果

基础PROSAIL-PRO模型表现

基础模型在测试集上Prot反演精度达R=0.9266，RMSE=0.0001。波段重要性分析显示1710nm贡献率最高。但转换为LNC后，独立验证集精度仅为R=0.5528，RMSE=6.2290×10⁻⁶，表明单纯依赖光谱信息反演LNC精度有限。

LAI约束的改进效果

引入LAI约束后，模型测试集精度提升至R=0.9632，RMSE=0.0001。1710nm仍为最关键波段，但LAI的加入显著改善了冠层结构参数的表征。LNC反演精度大幅提高至R=0.8031，RMSE=5.0795×10⁻⁶，证明LAI约束能有效提升模型性能。

土壤背景校正的影响

BSM-PROSAIL-PRO模型测试集精度(R=0.9369)略优于基础模型。值得注意的是，重要波段区间从1510nm偏移至1560nm，表明土壤背景影响光谱特征选择。但LNC反演精度(R=0.6572)反而低于LAI约束模型，说明单纯土壤校正效果有限。

综合优化模型性能

LAI约束的BSM-PROSAIL-PRO模型表现出最优性能：测试集R=0.9661，RMSE=0.0001；LNC反演R=0.8342，RMSE=2.2031×10⁻⁶。该模型在N90施氮水平下表现最佳，但对N0和N180处理仍存在高估或低估现象。

研究结论与价值

本研究通过系统比较四种反演模型，证实了结合LAI约束和土壤背景校正是提高油菜LNC估算精度的有效途径。主要结论包括： 1. LAI约束能显著改善PROSAIL-PRO模型的反演性能，使LNC估算R值从0.55提升至0.80； 2. 土壤背景校正对模型优化有积极作用，但效果弱于LAI约束； 3. 综合LAI约束和土壤校正的混合模型表现最优，为油菜氮营养诊断提供了可靠工具。

研究的科学价值在于： - 创新性地将PROSPECT-PRO的蛋白质反演能力应用于油菜LNC估算 - 建立了适用于油菜的LAI-光谱特征协同约束机制 - 开发了BSM与PROSAIL-PRO的耦合算法

应用价值体现在： - 为油菜精准施肥提供技术支撑 - 推动高光谱遥感在作物营养诊断中的应用 - 方法可扩展至其他作物生化参数反演

研究亮点与创新

1. 方法创新：首次将PROSAIL-PRO模型应用于油菜LNC反演，并创新性地引入LAI约束机制，解决了传统物理模型反演精度不足的问题。

2. 技术融合：有机结合物理模型(BSM、PROSAIL-PRO)与机器学习(随机森林)，发挥各自优势，提高了模型解释性和预测精度。

3. 应用价值：针对长江流域油菜生产中的氮肥管理难题，开发了实用化的LNC遥感监测方法，支持精准农业实践。

4. 发现1710nm关键波段：通过敏感性分析确定了油菜氮素敏感的特征波段，为专用传感器开发提供了理论依据。

研究也存在一定局限，如对极端施氮水平(N0、N180)的估算精度有待提高，模型在跨年际数据中的稳定性需要进一步验证。未来可结合无人机平台和新型传感器，推动该方法在田间尺度的实际应用。