《Agriculture》：Integrating Plant Height into Hyperspectral Inversion Models for Estimating Chlorophyll and Total Nitrogen in Rice Canopies
Jing He,
Yangyang Song,
Dong Xie and
Gang Liu
编辑推荐：
本研究提出并验证了一种整合无人机高光谱影像与植株高度（PH）信息的水稻叶绿素（SPAD）和叶片氮含量（LNC）精准估测框架。在分蘖期和孕穗期，利用偏最小二乘回归（PLSR）、支持向量回归（SVR）和随机森林回归（RFR）三种机器学习算法构建了阶段特异性反演模型。结果表明，融合冠层结构信息可显著提升光谱模型对水稻生理生化性状（特别是氮素状况）的估测精度（最优模型R2> 0.91），为基于无人机的、针对关键生育期的田间精准氮素管理提供了有效的技术方案。
引言背景
水稻是全球最重要的粮食作物之一，其生长和产量深受氮素营养状况影响。叶绿素相对含量（SPAD读数）和叶片氮含量（LNC）是反映植株氮素状况的关键指标，直接影响光合效率与生物量积累。同时，植株高度（PH）与冠层结构紧密相关，是养分供应状况的体现。传统测定这些性状的方法（如叶绿素分光光度法、凯氏定氮法、人工测量株高）存在破坏性采样、效率低、难以大规模应用等局限，无法满足精准农业对时空分辨率的高要求。
材料与方法
- •
研究区域与设计：研究在中国四川省成都市青白江区（龙泉山构造褶皱带）的水稻永久基本农田进行。该区域属亚热带湿润季风气候，光热条件优越。试验田包含10个均匀小区。数据采集于两个关键物候期：分蘖期（2022年6月15日）和孕穗期（2022年7月5日）。
- •
田间表型参数获取：
- 1.
SPAD测量：使用手持叶绿素仪（SPAD-502 Plus）测量健康叶片，计算小区均值。
- 2.
LNC测定：采集茎叶样品，烘干研磨后，采用硫酸消解-蒸馏滴定的微量凯氏定氮法测定总氮含量，以干物质为基础表达。
- 3.
PH测量：使用刻度尺测量地面至最高叶尖的垂直距离。
- •
无人机高光谱影像采集与预处理：
搭载SENOP-Rikola高光谱传感器（500-900 nm，64波段）的大疆M600 Pro无人机在晴朗无风条件下获取影像。原始影像经过暗电流校正、波段配准和辐射定标（白板法）转换为地表反射率。划定各试验小区感兴趣区域，提取冠层平均反射光谱，并使用Savitzky-Golay滤波进行平滑去噪。
- •
技术路线：整体工作流程包括数据采集、预处理和模型开发三阶段。
- •
模型构建与评估：
- 1.
特征筛选：通过皮尔逊相关分析，分别筛选与SPAD、LNC、PH最相关的敏感波段，并基于此构建了12个植被指数（VI），包括单波段、双波段和三波段指数，例如归一化差值光谱指数（NDSI）、差值光谱指数（DSI）、比值光谱指数（RSI）和特定吸收光谱指数（SASI）。
- 2.
建模策略：采用三种机器学习算法（PLSR, SVR, RFR）构建估测模型。为增强模型在有限数据下的稳健性，采用分层验证策略，使用5折交叉验证并重复5次，以平均确定系数（R2）和均方根误差（RMSE）评估性能。
- 3.
模型框架：核心是提出了一个“阶段特异性”建模框架，将PH作为冠层结构辅助变量，与高光谱特征（植被指数）进行统计整合，旨在提升SPAD和LNC估测模型的准确性与鲁棒性。所有分析与建模均针对分蘖期和孕穗期分别进行，以消除物候发育与生化参数变异间的潜在混淆。
结果与结论
本研究成功开发了针对水稻分蘖期和孕穗期的SPAD与LNC高光谱反演模型。结果表明，整合了植株高度（PH）信息的模型，其估测精度显著优于仅基于光谱特征的模型。对于SPAD和LNC的估测，最优模型取得了很高的精度，R2分别达到0.916和0.936。这证实了将冠层结构信息（以PH为代表）与高光谱数据相结合，能够有效改善对水稻叶绿素相关指标和氮素状态的估测效果。三种机器学习算法中，随机森林回归（RFR）和支持向量回归（SVR）模型在本研究条件下表现出良好的性能。
研究意义与展望
该研究在受控的田间条件下，为基于无人机平台的、针对关键生育期的水稻氮素监测提供了一个田块尺度的概念验证框架。它证明了融合多源信息（光谱与结构）在精准农业田间表型监测中的潜力。然而，本研究仅在单一地点、单一生长季、使用单一水稻品种进行，所提框架在不同环境、品种和生长季节间的可移植性尚需进一步验证。未来的研究可探索更复杂的冠层结构描述因子，并在更广泛的条件下来验证和优化该集成建模方法。
