Sentinel-2与混合模型在异质景观中噪声对水稻叶绿素制图的影响及不确定性量化

本研究针对多光谱遥感反演作物功能性状时存在的噪声干扰和不确定性量化难题，通过结合PROSAIL辐射传输模型与高斯过程回归（GPR/VHGPR）混合方法，系统评估了0-10%噪声水平对水稻叶绿素制图的影响。结果表明所有模型均实现RRMSE<5%的高精度预测，并首次揭示了非植被区域相对不确定性超50%的关键阈值，为农业遥感产品的可靠性评估提供了量化框架。

　　

在精准农业和可持续发展需求日益迫切的背景下，卫星遥感技术已成为大范围监测作物生理状态的关键手段。然而，多光谱数据在反演水稻叶绿素含量（LCC）等关键农艺参数时，面临着噪声干扰、模型迁移性差和不确定性量化缺失三大挑战。特别是在东南亚破碎化农田景观中，水稻与其他地物类型的光谱混杂现象严重，传统方法难以实现可靠的区域尺度监测。

针对这些问题，越南的研究人员开展了一项创新性研究，通过整合物理模型与机器学习算法，建立了噪声鲁棒性评估体系。研究采用PROSAIL辐射传输模型生成1000组模拟数据，结合Sentinel-2（S2）卫星10-20米分辨率的多光谱数据，开发了标准高斯过程回归（GPR）和变分异方差高斯过程回归（VHGPR）两种混合模型。通过引入0%、5%和10%三级噪声水平，系统评估了噪声对模型性能、波段敏感性和像素级不确定性的影响。

关键技术方法包括：1）基于拉丁超立方采样的PROSAIL参数化建模；2）Sentinel-2 L2A级地表反射率数据预处理与云掩膜；3）自动相关性确定（ARD）核函数的波段重要性分析；4）基于变异系数的相对不确定性（CV）量化方法。研究区域选取越南红河三角洲174.82 km²的典型混合农业区，包含44%水稻田及其他七类地物，通过60个田间样点的SPAD-502叶绿素仪测量数据进行验证。

研究结果揭示：

1. 模型验证性能：所有模型在田间验证中表现优异（IOA 0.82-0.92），其中无噪声GPR模型精度最高（R²=0.725，RRMSE=3.824%）。噪声增至10%时，VHGPR模型展现出更好的鲁棒性。

2. 波段敏感性：红边波段（B5-705nm、B6-740nm）和短波红外（B11-1610nm、B12-2190nm）对叶绿素反演贡献最大，噪声注入导致可见光波段（B2蓝、B3绿）重要性波动。

3. 空间制图差异：水稻田叶绿素预测值（50-95 μg·cm^-2）显著高于非植被区域（<10 μg·cm^-2），但后者相对不确定性超50%，需通过阈值掩膜剔除。

4. 不确定性分布：水体区域不确定性最高（CV>100%），标准GPR在无噪声条件下整体不确定性最低（平均<20%），验证了混合模型对植被像素的特异性优化。

这项研究的重要意义在于：首次建立了噪声环境下的水稻叶绿素遥感反演不确定性量化框架，提出的"相对不确定性图层"可作为空间产品质量控制指标。研究证实，即使存在10%噪声干扰，混合模型仍能保持RRMSE<5%的行业应用标准，为Sentinel-2时序数据在热带季风区的农业监测提供了方法论基础。未来通过整合无人机高光谱和LiDAR三维信息，有望进一步提升破碎化农田的表型解析能力。论文发表在《Computers and Electronics in Agriculture》，为发展智能农业遥感提供了关键技术支撑。