基于多源遥感数据深度自编码器集成的城市生态环境质量评价

本研究针对多光谱遥感数据反演作物功能性状的挑战，创新性地采用PROSAIL辐射传输模型与高斯过程回归(GPR/VHGPR)的混合方法，通过引入0%/5%/10%噪声水平评估模型鲁棒性，实现了水稻叶绿素含量(μg·cm-2)的高精度制图(RRMSE<5%)，并首次在异质农业景观中量化了像素级不确定性，为可持续智慧农业提供了可靠的遥感监测范式。

　　

在热带季风气候区的农业生产中，水稻叶绿素含量的精准监测长期面临两大挑战：传统地面测量难以满足大范围时空监测需求，而多光谱遥感数据反演又受噪声干扰和异质性地物影响。特别是在越南这样的全球第三大稻米生产国，破碎化的农田格局与频繁的云层覆盖更增加了监测难度。如何建立兼顾物理机理与实证数据的可靠模型，成为实现智慧农业的关键科学问题。

越南国立大学的研究团队在《Economics》发表创新研究，通过整合物理模型与机器学习算法，开发了一套噪声鲁棒性评估框架。该研究以Sentinel-2(S2)多光谱数据为基础，结合PROSAIL辐射传输模型模拟的1000组水稻冠层反射率数据，构建了高斯过程回归(GPR)及其变分异方差改进版(VHGPR)混合模型。研究特别设计了0%、5%、10%三级噪声注入实验，并首次在174.82 km²的异质农业景观中实现了叶绿素含量制图与不确定性量化。

关键技术方法包括：1) 基于SPAD-502叶绿素仪获取60个10×10 m样方数据；2) PROSAIL模型参数化配置(如叶绿素含量Cab范围20-80 μg·cm^-2)；3) 高斯过程回归采用自动相关性确定(ARD)核函数分析波段重要性；4) 变异系数(CV)量化相对不确定性。

研究结果揭示：

1. 模型验证：所有噪声水平下模型均表现良好(RRMSE<5%)，其中无噪声GPR最优(IOA=0.92)，而5%噪声导致VHGPR性能波动最大。

2. 波段贡献：红边波段(B5-705nm/B6-740nm)和短波红外(B11-1610nm)最具判别力，噪声改变了可见光波段(B2/B3)的相对重要性。

3. 空间制图：水稻区域叶绿素预测值50-95 μg·cm^-2，非植被区(<10 μg·cm^-2)相对不确定性超50%，证实模型对植被目标物的特异性。

4. 噪声影响：5%噪声使水稻像元不确定性骤增至18%，而10%噪声下VHGPR异常值增多，显示噪声阈值效应。

这项研究的意义在于建立了可迁移的混合反演框架，其创新性体现在：1) 首次在异质景观中实现PROSAIL与S2数据的噪声鲁棒性耦合；2) 通过不确定性图层有效识别模型置信区间，为精准农业决策提供质量标识；3) 证实红边与SWIR波段在亚洲水稻监测中的关键作用。该成果不仅为越南红河三角洲的稻作管理提供技术支撑，其方法论更可推广至全球类似农业生态系统的植被性状监测，特别是在应对气候变化引发的作物胁迫评估方面具有重要应用前景。