本研究由内蒙古农业大学资源与环境科学学院的Fei Li（李斐）担任通讯作者，第一作者为Baohua Chang（常宝华）。其他主要贡献者包括来自明尼苏达大学精准农业中心的Yuxin Miao（苗宇新）以及慕尼黑工业大学精准农业实验室的Kang Yu（于康）和Yuncai Hu（胡云才）。该研究成果于2026年9月21日在线发表于期刊 《European Journal of Agronomy》 （第182卷，文章编号128343），这是一份农业综合领域的权威学术期刊。
植物氮素（Nitrogen, N）状况是决定作物生产力、生态系统功能与环境可持续性的关键因素。氮素作为主要大量营养元素，直接调控光合能力、生物量积累与产量形成。然而，过量施氮已引发水体富营养化、大气污染与生物多样性下降等严重生态风险。遥感技术因其非破坏性、可重复且能提供空间显式与时间连续的观测数据，已成为跨叶片到冠层尺度监测植物氮状况的有力工具。但是，不同研究报道的估算精度差异极大。这种差异不仅源于仪器噪声，更受光谱预处理方法、特征选择策略、估算模型、传感器特性以及植被属性之间复杂交互作用的影响。以往综述多侧重于方法发展的梳理与平均性能的比较，缺乏对单个方法学因素相对贡献的定量证据，更难以阐明因素间的交互效应与特定情境下的性能表现。
针对上述研究空白，本研究旨在解决四个核心问题：（一）分析植物氮估算的时空趋势与特征；（二）通过三水平Meta分析（Three-level meta-analysis）评估预处理、特征选择与估算模型等方法学因素对估算精度的影响；（三）利用贝叶斯框架（Bayesian framework）评估多因素对氮估算的组合效应；（四）为优化遥感性能、支持可持续农业与生态管理提供实践指导。该研究的核心创新在于将三水平Meta分析与贝叶斯网络建模相结合，不仅揭示单因素的独立效应，更深入刻画了特定方法组合下实现高精度估算的条件概率。
本研究遵循PRISMA指南进行系统文献筛选。研究团队于2025年对Web of Science与Scopus数据库进行了全面检索，初步获得1392篇出版物。经标题与摘要初筛及579篇全文精读后，最终纳入162项已发表研究，涵盖了全球24个国家、261个地点的数据。从这些研究中提取了4489个效应量（效应量以决定系数R²为性能指标），用于后续定量分析。
针对每个纳入的研究，团队手工提取了标题、年份、地理位置、传感器类型、传感器平台、植被类型、观测尺度、氮估算单位、预处理方法、特征选择方法、估算模型、样本量与R²等关键信息。识别出的六个重要调节变量包括：传感器特性（传感器类型分为RGB、多光谱、高光谱、激光雷达、融合传感器与其他六类；平台分为卫星、无人机、地面、地面模拟卫星、地面模拟无人机与平台融合六类）、植被类型（作物、草类、果树、蔬菜与混合类）、观测尺度与氮单位（叶片/冠层尺度，基于质量/面积）、预处理方法（原始光谱、平滑、基线校正、缩放、散射校正与组合方法）、特征选择方法（无处理、过滤式、包裹式与嵌入式）以及估算模型（物理模型、参数回归、线性非参数回归、非线性非参数回归/机器学习与混合模型）。
数据分析包含两大核心流程。第一部分为三水平Meta分析。由于同一篇文献中提取的多个效应量不满足统计独立性假设，研究采用三水平随机效应模型以同时分解抽样方差（第一水平）、研究内方差（第二水平）与研究间方差（第三水平）。首先将原始R²转化为Fisher’s Z值以满足正态性假设，随后构建不含调节变量的零模型（null model）以评估总体效应量及各层级方差成分。继而将调节变量依次纳入混合效应模型，通过亚组分析比较各方法类别的合并R²，并利用F检验判定调节效应的显著性。同时计算类内相关系数（ICC）与各水平方差解释比例，以量化调节变量的贡献。此外，通过漏斗图与Egger’s回归检验评估发表偏倚，并采用似然比检验验证三水平模型相较于简化模型的拟合优度。
第二部分为贝叶斯网络建模。基于专家知识构建网络结构，节点包括传感器类型、平台、植被类型、观测尺度、氮单位、预处理方法、特征选择策略、估算模型、样本量与精度类别。为实现概率推断，将连续型R²依据广被接受的剩余预测偏差（RPD）经验阈值离散化为三类：高（R² > 0.8）、中（0.5 ≤ R² ≤ 0.8）与低（R² < 0.5）。使用GeNIe 4.0学术软件以极大似然估计法从观测数据中学习条件概率分布。通过路径权重分析评估节点间影响强度，通过将R²节点固定为“高”类别进行逆向推断以获得各变量状态的后验概率分布，并针对特定传感器类型与建模方法的组合计算获得高精度的条件概率。最后，进行了敏感性分析与受试者工作特征（ROC）曲线验证以评估网络推断的稳健性与判别能力。
三水平Meta分析的结果显示，遥感估算植物氮的总体合并R²为0.66（标准误=0.017）。方差分解表明，研究内方差（0.014）远小于研究间方差（0.132），提示不同研究间的异质性是导致性能差异的主要来源。发表年份对估算精度无显著影响（F=1.098）。
在单因素效应上，预处理方法具有高度显著的调节效应（F=54.922）。组合预处理方法（Combined Method, CM）获得最高的合并R²（0.73），显著优于所有单一预处理技术；平滑处理（R²=0.71）同样表现出稳定的改善，而原始光谱与缩放处理的性能最差。这一发现强调了多步骤协同降噪的重要性。特征选择方法方面，嵌入式方法（Embedded methods）显著优于过滤式与包裹式，合并R²达到0.72，这得益于其在模型训练过程中直接进行特征优化，能够有效捕捉光谱与生化信息间的复杂关系；而“无处理”策略性能最差。估算模型是影响精度的最强决定因素（F=417.840）。混合模型与非线性非参数回归模型（机器学习）均取得了最高的合并R²（分别为0.753与0.750），显著优于线性非参数回归（R²=0.729）、参数回归（R²=0.581）与物理模型（R²=0.516）。验证方式也显著影响结果：交叉验证的合并R²（0.704）显著高于独立验证（0.637），揭示了模型在新数据集上泛化能力的局限。传感器类型与平台同样具有显著影响：融合传感器（R²=0.817）与高光谱传感器（R²=0.666）优于RGB与多光谱系统，地面平台与模拟卫星平台取得了最高的精度。
贝叶斯网络分析进一步揭示了多因素间的复杂交互效应。路径权重与敏感性分析一致表明，估算模型、特征选择方法与氮测量单位是影响R²的最关键节点。当R²节点被固定为“高”类别时，后验概率分布显示线性与非线性非参数回归以及嵌入式特征选择的贡献显著增加。条件概率推断产生了极为具体且具有实践价值的发现：在基于质量的叶片尺度氮估算中，结合包裹式特征选择（如遗传算法）与线性非参数回归（如偏最小二乘回归，PLSR），获得R²大于0.8的概率达到39%；而在基于面积的冠层尺度氮估算中，需结合包裹式方法与非线性非参数模型（如高斯过程回归，GPR）才能达到同等39%的概率。这一发现强有力地说明，高精度并非源于单一最优方法，而是特定观测尺度、氮指标与方法学组合之间精准匹配的结果。此外，在“地面平台—高光谱传感器”条件下，获得高精度的概率可达57%。ROC曲线下面积（AUC）为0.8724，表明贝叶斯网络对高R²结果具有良好的判别能力。
本研究开发的“三水平Meta分析—贝叶斯网络”集成框架，成功地将传统证据合成从评估平均效应提升至刻画情境依赖的方法组合与条件概率关系。其科学价值在于：通过显式分解研究内与研究间方差，提供了更为稳健的效应量估计；通过贝叶斯概率推断，揭示了单因素分析中无法观测到的多变量交互作用。其应用价值在于：为遥感植物氮估算的实践者提供了具体、可操作的方法选择策略。例如，在叶片尺度基于质量的氮估算中，推荐使用“地面高光谱数据 + 包裹式特征选择 + PLSR”的组合；而在冠层尺度基于面积的估算中，则应选择“地面高光谱数据 + 包裹式特征选择 + GPR”。此外，研究还明确指出，更复杂的模型并非在所有情境下都必然优于简单模型，模型选择必须权衡精度与计算成本。
本研究的突出亮点体现在三个方面：其一，方法学集成创新。将三水平Meta分析与贝叶斯网络建模相结合，在遥感氮营养监测的定量综述领域尚属首次。该框架既保留了Meta分析对层级数据与发表偏倚的严格处理能力，又引入了贝叶斯网络对条件依赖关系的概率化表达能力，实现了从“平均效应评估”到“情境化方法组合推荐”的跨越。其二，情境特异性发现。研究明确指出，追求植物氮高精度估算不存在普适性的“最佳方法”，而是依赖于观测尺度与氮计量单位的特定组合。例如，同为包裹式特征选择，在叶片尺度需搭配线性模型，而在冠层尺度则需搭配非线性模型，这一洞察直接挑战了以往基于平均性能排序来推荐方法的常规做法。其三，实践指导的精准性。贝叶斯网络输出的条件概率（如39%与57%）为方法选择提供了量化依据，而非模糊的定性建议。同时，对交叉验证与独立验证性能差异的警示，也为未来研究强化跨数据集验证、提升模型可迁移性指明了方向。