基于高光谱与多光谱遥感的作物叶片氮磷钾含量估算的元分析研究

主要作者及机构
本研究的通讯作者为华中农业大学资源与环境学院的Shishi Liu（邮箱：ssliu@mail.hzau.edu.cn），第一作者为Gege Zhu，合作者包括Qinghua Wang、Shenming Zhang、Tengyu Guo和Jianwei Lu。研究团队来自华中农业大学资源与环境学院及农业农村部长江中下游耕地保护重点实验室。论文发表于《Field Crops Research》期刊，2025年5月在线发布，卷号329，文章编号109961。

学术背景与研究目标

科学领域与背景知识
本研究属于精准农业与遥感监测交叉领域，聚焦高光谱（hyperspectral）和多光谱（multispectral）遥感技术在作物叶片氮（N）、磷（P）、钾（K）含量（分别缩写为LNC、LPC、LKC）估算中的应用。氮、磷、钾是作物生长的关键限制性养分，传统实验室检测方法存在时空覆盖受限的问题，而遥感技术可提供非破坏性、大范围的实时监测手段。然而，现有研究在方法学和光谱敏感波段选择上存在差异，亟需系统性评估。

研究动机与目标
研究团队通过元分析（meta-analysis）整合2000-2023年的72篇文献，旨在：
1. 评估不同作物类型、传感器类型和建模方法对养分估算精度的影响；
2. 识别叶片和冠层尺度下对LNC、LPC、LKC最敏感的光谱波段；
3. 利用油菜田间实验数据验证敏感波段，并比较偏最小二乘回归（PLSR）、随机森林（RF）和支持向量回归（SVR）模型的性能。

研究流程与方法

1. 元分析流程

文献筛选与数据提取
- 数据库检索：在Web of Science、Google Scholar和Scopus中以“hyperspectral/multispectral”“leaf nutrient”“remote sensing”为关键词检索，筛选同行评审期刊论文。
- 纳入标准：仅限定量估算LNC/LPC/LKC的农业作物研究，排除仅定性分类养分胁迫的文献。最终纳入72篇文献，提取出版年份、作物类型、传感器类型、敏感波段、植被指数（VI）及模型精度指标（R²、RMSE）。
- 统计分析：通过箱线图可视化不同模型和作物的R²分布，统计敏感波段在叶片与冠层尺度的出现频率。

2. 田间实验设计

实验地点与处理
- 地点：中国湖北省武穴（30°06′N）、武汉（30°28′N）和沙洋（30°43′N）。
- 处理设计：
- Exp.1：4个氮梯度（0、90、180、270 kg/ha尿素），固定磷（P₂O₅ 90 kg/ha）和钾（K₂O 120 kg/ha）。
- Exp.2：4个磷梯度（0、45、90、135 kg/ha P₂O₅），固定氮钾。
- Exp.3：4个钾梯度（0、60、120、180 kg/ha K₂O），固定氮磷。
- 样本量：每个实验48个样本（4处理×3重复×4年），采用随机区组设计。

数据采集与处理
- 光谱测量：使用PSR+3500便携式光谱仪（350-2500 nm，分辨率1 nm）采集冠层（1 m高度）和叶片（6片全展叶均值）反射率，白板校准后取平均值。
- 养分测定：叶片经H₂SO₄-H₂O₂消解后，LNC（凯氏定氮法）、LPC（钼蓝比色法）通过连续流动分析仪（AA3）测定，LKC通过火焰光度计（M-410）测定。

3. 模型构建与验证

• 敏感波段选择：基于元分析结果，LNC在冠层尺度的敏感波段为550-2030 nm，叶片尺度为400-780 nm；LPC和LKC的敏感波段覆盖可见光至短波红外区间（图11）。
  
• 模型对比：采用PLSR、RF和SVR，70%样本用于训练，30%用于验证。参数优化包括：
  
  • PLSR：潜变量数（5-120）、标准化处理。
    
  • RF：决策树数量（10-120）、最大深度（10-20）、最小分裂样本数（2-10）。
    
  • SVR：核函数（径向基RBF、多项式）、正则化参数C（0.1-100）。
    

主要研究结果

1. 元分析结果

• 研究趋势：2017年后相关文献显著增加，中国（39篇）、美国（6篇）和巴西（5篇）为主导研究国家。小麦（8篇）和水稻（7篇）是研究最多的作物。
  
• 模型分布：PLSR占比49%，其次为人工神经网络（ANN，10%）、SVR（9%）和RF（8%）。
  
• 估算精度：LNC的R²中位数最高（0.7-0.9），LPC和LKC次之（0.6-0.8）。RF模型整体表现最优（中位数R²≈0.8）。
  

2. 敏感波段验证

• 冠层尺度：RF模型对LNC的预测精度最高（R²=0.81，RMSE=0.39%），LPC（R²=0.75）和LKC（R²=0.70）次之。
  
• 叶片尺度：LNC仍表现最佳（R²=0.82），LKC（R²=0.74）优于LPC（R²=0.66）。PLSR和SVR因线性假设或参数敏感性精度较低。
  

3. 植被指数表现

从元分析提取的NDVI（归一化差异植被指数）、RVI（比值植被指数）等对油菜养分估算效果不佳（验证R²<0.5），表明植被指数的作物特异性较强。

结论与价值

科学价值
1. 首次系统整合了全球范围内作物养分遥感估算的敏感波段，揭示了氮、磷、钾在不同尺度下的光谱响应机制。
2. 验证了RF模型在非线性高维数据中的优势，为无人机（UAV）和卫星平台的养分监测提供了方法学支持。

应用价值
识别的高精度敏感波段可优化多光谱传感器设计，指导精准施肥。例如，LNC在700 nm附近的红边波段响应强烈，可优先用于小麦和水稻的氮素诊断。

研究亮点

1. 跨尺度分析：首次对比叶片与冠层尺度的敏感波段差异，发现冠层信号受土壤背景干扰更显著。
   
2. 多模型验证：通过PLSR、RF、SVR的全面比较，明确了RF在复杂养分-光谱关系建模中的优越性。
   
3. 长期实验数据：基于4年油菜田间试验，增强了结论的可靠性。
   

局限性
敏感波段在柑橘等经济作物中验证不足，未来需扩展作物类型和生长阶段的数据覆盖。