本研究报告了一篇发表于《International Journal of Applied Earth Observation and Geoinformation》期刊上的原创性研究论文，该论文于2026年5月27日在线发表。论文第一作者为Jie Wang，通讯作者为Kang Yu，研究团队来自德国慕尼黑工业大学（Technical University of Munich）精准农业实验室、耶路撒冷希伯来大学（The Hebrew University of Jerusalem）植物传感实验室以及内蒙古农业大学资源与环境学院等多个国际研究机构。
氮素是作物生长发育所必需的核心大量营养元素，直接影响蛋白质、核酸和叶绿素的合成，进而调控光合作用、产量和品质。冠层氮含量反映了植物的整体健康状况，与生物量积累和物候期密切相关。因此，及时准确地监测冠层氮素状态对于精准农业中的氮肥管理以及理解植被系统中氮碳的时空周转具有重要意义。
近年来，基于无人机的多光谱遥感技术因其高时空分辨率、操作灵活性和成本效益等优势，被广泛应用于冠层氮素监测。然而，多光谱传感器存在两个关键限制：第一，其光谱分辨率较低，波段宽度通常为几十至上百纳米，无法准确捕捉与植物生化性状相关的细微光谱特征；第二，大多数商用多光谱相机仅覆盖可见光至近红外波段（400–1000纳米），缺乏对氮素监测至关重要的短波红外波段（1000–2500纳米）。短波红外区域包含多个与氮素相关的吸收特征，对于可靠的生化性状反演至关重要。
为了突破这些限制，研究者提出了光谱重建方法，即通过数据驱动的学习从低成本多光谱传感器中提取高光谱信息。然而，现有的大多数光谱重建方法存在两个主要不足：其一，它们通常仅在输入数据已覆盖的波长范围内进行重建，无法提供具有生化意义的短波红外光谱信息；其二，这些纯数据驱动的模型未受物理机制的约束，难以准确重建性状特异性的吸收特征，尤其不适应从可见光-近红外到短波红外的真正外推任务。因此，本研究旨在开发一种将物理基础的辐射传输模型与深度学习相结合的多光谱至高光谱短波红外重建方法，即M2H-SWIR框架，以实现利用低成本、广泛可及的多光谱数据精准估算冠层氮素。
田间实验与数据采集。 研究于2021至2023年在德国慕尼黑工业大学Dürnast研究站开展了两季小麦田间试验。试验设置了低、中、高三个氮素水平梯度，共涵盖60个试验小区。研究使用了ASD FieldSpec4光谱辐射计进行地面冠层高光谱测量，光谱范围为350–2500纳米，同时搭载DJI Matrice 300无人机平台和MicaSense RedEdge-MX Dual多光谱相机获取无人机影像数据，该相机具备从海岸蓝到近红外的10个光谱波段。地面实测数据还包括使用LI-COR LAI-2000测量的叶面积指数以及通过破坏性取样和实验室元素分析获得的冠层氮含量和蛋白质含量。
PROSAIL-PRO查找表构建与光谱卷积。 该研究构建M2H-SWIR框架的第一个关键步骤是基于PROSAIL-PRO辐射传输模型生成多光谱-高光谱查找表。PROSAIL-PRO模型在标准PROSAIL基础上扩展了叶片蛋白质含量的参数化，能够模拟可见光-近红外-短波红外全谱段（400–2500纳米）的冠层反射率。研究根据小麦关键物候期（拔节、抽穗、开花）设置了阶段感知的参数采样方案，使用拉丁超立方采样生成了包含叶绿素、蛋白质、叶片干物质、叶面积指数等关键参数在内的100,000条合成光谱数据。为贴近真实的无人机像素组成，研究还在高光谱空间中进行了背景混合，使用基于比尔-朗伯定律的消光系数调节冠层密度对土壤和阴影背景组分的影响，并对多光谱波段进行光谱响应函数卷积和辐射扰动，模拟真实的成像条件。
M2H-SWIR网络架构设计。 本研究的核心创新在于设计了一种混合深度学习架构。该架构首先使用并行的多尺度一维卷积神经网络（卷积核大小分别为3、5、7）从有限的多光谱波段中提取互补的局部光谱特征；接着采用挤压-激励注意力机制自动增强对高光谱重建关键波长的关注；随后通过堆叠的残差光谱模块加深特征层次；最后引入轻量级Transformer编码器，利用自注意力机制显式建模可见光-近红外与短波红外区域之间的长程光谱依赖关系，确保近红外-短波红外边界处平滑且物理上合理的光谱过渡。模型采用两阶段训练策略：先在PROSAIL-PRO查找表上进行预训练以获得辐射传输一致的宽泛先验，再使用少量无人机与地面实测光谱配对数据进行微调以适应野外观测条件。损失函数融合了加权均方根误差和光谱角映射器，并对氮素敏感波段施加额外权重以增强对关键生化信息的保留。
对比基线模型构建。 为全面评估M2H-SWIR框架的性能，研究构建了三种对比基线模型：物理查找表基线仅通过查找表最小化均方根误差匹配实现完全基于模拟的重建；数据驱动基线保留了完整的网络架构但仅使用有限的实测数据训练而无辐射传输先验；简化CNN基线采用简化的两层卷积结构以评估架构设计的增加值。
冠层氮素估算方法。 研究通过三种方法评估重建光谱在生化性状反演中的有效性：基于查找表的辐射传输模型反演、利用随机森林、支持向量回归和偏最小二乘回归的机器学习回归方法、以及基于植被指数的建模方法。输入特征包括无人机多光谱反射率、地面实测高光谱数据、M2H-SWIR重建光谱及其衍生的主成分和植被指数。
光谱重建精度评估。 在全光谱范围（400–2500纳米）内，M2H-SWIR及其微调变体显著优于三种基线模型。M2H-SWIR实现了最低的光谱角映射器值（0.094）和较低的均方根误差（0.041）。在不同光谱子区域的分段评估中，两种混合模型在可见光-近红外区域（400–1320纳米）表现最优；在短波红外一区（1450–1800纳米）和短波红外二区（1950–2350纳米），M2H-SWIR保持了均衡且稳定的性能。值得注意的是，纯数据驱动模型虽然在短波红外二区取得了较低的均方根误差，但光谱角映射器值较高，表明振幅一致性与光谱形态保真度之间存在矛盾。在植被指数误差评估中，对于基于可见光-近红外的归一化植被指数和归一化红边指数，混合模型误差最低；对于基于短波红外的优化土壤调节植被指数OSAVI1510，M2H-SWIR取得了最小误差，进一步证实其在短波红外重建方面的优势。
不同物候期的重建表现。 在不同年份和物候阶段的评估显示，M2H-SWIR和微调模型均成功再现了ASD实测光谱的整体形态，但相对均方根误差表现存在系统性的阶段和波长依赖差异。在2023年开花期，两种模型均取得了全阶段最低的重建误差。微调模型的跨年度变异性高于未微调的M2H-SWIR。植被指数一致性分析进一步揭示了重要模式：在归一化植被指数和红边叶绿素指数等可见光-近红外指数上，两模型均与ASD有良好一致性；但在OSAVI1510、归一化氮指数等短波红外指数上，M2H-SWIR优于微调模型，微调虽然改善了可见光-近红外保真度却降低了短波红外区域的光谱形态一致性。
冠层氮素估算性能。 在所有回归算法和特征集下，基于M2H-SWIR重建光谱的模型估算精度持续接近甚至偶尔超过基于地面实测高光谱数据的基准模型。特别值得注意的是，仅使用拔节期数据进行训练和验证时，基于M2H-SWIR重建光谱特征的支持向量回归模型达到了最高决定系数。冠层氮含量的估算精度普遍高于叶片氮含量，这一现象符合植被光谱学的基本规律：冠层尺度变量受益于叶面积指数和叶片干物质等结构参数的强光谱信号，而叶片氮含量的吸收特征相对微弱且易与其他组分重叠。
本研究验证了将深度学习与辐射传输建模相结合用于无人机多光谱至高光谱重建的可行性和有效性。所提出的M2H-SWIR框架成功克服了多光谱传感器在短波红外波段缺失方面的固有限制，实现了对关键氮素敏感光谱特征的准确恢复。基于重建高光谱数据的机器学习冠层蛋白质估算模型性能接近于基于地面实测高光谱数据的模型，展示了光谱重建在增强精准农业氮素监测方面的实用价值。
本研究的科学价值在于明确证实了物理引导的预训练对于稳定宽带光谱外推的不可或缺性，并揭示了纯数据驱动、纯物理模拟以及混合策略在光谱重建中的互补与局限。应用价值方面，该框架为资源受限地区提供了一种可扩展且成本有效的解决途径，使得使用低成本的无人机多光谱系统即可获得类高光谱的分析能力，突破了高光谱传感器在设备成本、无人机载荷和数据处理方面的实际应用阻碍。
本研究的核心创新体现在四个层面：第一，首次实现了从仅有可见光-近红外信息的无人机多光谱数据向包含关键短波红外生化信息的高光谱数据的真正外推式重建；第二，通过将PROSAIL-PRO辐射传输模型的物理约束与深度学习的多尺度非线性建模能力深度融合，提出了物理引导的光谱重建新范式；第三，在损失函数中引入氮素敏感波段加权机制和光谱角映射器约束，同时兼顾了光谱振幅精度和形态保真度；第四，系统性验证了重建光谱在冠层生化性状估算中的功能性效能，而不仅局限于光谱相似度指标。这些创新为未来将光谱重建技术从光谱保真度导向拓展至性状反演导向提供了重要的方法论基础。