基于Sentinel-2影像和混合模型的稻田叶绿素含量反演：噪声影响与不确定性量化研究

本研究针对多光谱遥感反演植被功能性状中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)算法，构建了噪声鲁棒性稻田叶绿素含量反演模型。结果表明所有模型RRMSE<5%，IOA>0.82，并首次系统揭示了5%-10%噪声水平对波段敏感度及空间不确定性的差异化影响，为农业遥感产品可靠性评估提供了新范式。

　　

在热带季风气候区的破碎化农田景观中，如何实现作物生理参数的精准遥感监测一直是农业遥感领域的重大挑战。传统方法受限于云层干扰、光谱混合效应以及模型迁移性问题，特别是对水稻这种全球最重要的粮食作物，其叶绿素含量作为光合作用能力的直接指标，亟需建立稳健的反演技术。越南作为世界第三大稻米生产国，其红河三角洲地区典型的混合作物种植模式更增加了遥感监测的复杂性。

针对这些难题，越南的研究人员创新性地将物理机理模型与机器学习算法相结合，采用PROSAIL辐射传输模型生成训练数据集，并引入高斯过程回归(GPR)及其变体异方差高斯过程(VHGPR)算法，系统评估了0%-10%噪声水平对模型性能的影响。研究通过Sentinel-2多光谱数据实现了10米分辨率的稻田叶绿素制图，同时输出像素级的不确定性分布图。这项发表于《Economics》的工作，首次在东南亚季风区建立了包含不确定性量化的作物性状遥感反演框架。

关键技术方法包括：1) 基于PROSAIL的1000组参数化模拟数据集生成；2) 拉丁超立方抽样确保参数空间均匀覆盖；3) 高斯过程回归中自动相关性确定(ARD)核函数的波段重要性分析；4) 三种噪声水平(0/5/10%)的对比实验设计；5) 基于SPAD-502田间测量的60个样本验证。

【研究结果】

3.1 田间验证

所有模型RRMSE<5%，其中无噪声GPR表现最优(R²=0.725)。噪声导致相对不确定性从22%(无噪声)升至25%(5%噪声)，VHGPR在10%噪声下IOA仍保持0.82。

3.2 制图性能

红边波段(B5-705nm/B6-740nm)和短波红外(B11-1610nm/B12-2190nm)贡献度最高。非植被区相对不确定性超50%，而稻田区域<22%，5%噪声模型出现异常高不确定性(16-18%)。

4.1 不确定性量化

通过系数变异(CV=SD/μ×100)实现像素级质量评估，有效识别出农田边界异常像素，为产品应用提供质量掩膜。

4.2 噪声变异性

5%噪声水平导致波段重要性排序异常，证实了PROSAIL参数化与噪声处理的敏感性需要特别优化。

4.3 应用前景

该方法可扩展至其他植被功能性状监测，Sentinel-2C的2-3天重访周期将显著提升季风区作物表型动态监测能力。

这项研究的突破性在于建立了首个针对东南亚稻田的噪声鲁棒性性状反演框架。通过将物理模型的可解释性与机器学习的高效性相结合，不仅解决了混合像元场景下的不确定性量化难题，更创新性地揭示了噪声干扰对多光谱波段利用效率的影响规律。特别是提出的相对不确定性阈值法(20%)，为小农经济区破碎化农田的精准管理提供了可靠的技术支撑。随着新型遥感星座的部署，该成果将为全球粮食安全监测和气候变化应对提供重要的方法论参考。