基于Sentinel-2影像与高斯过程回归的稻田叶绿素含量反演及不确定性量化研究

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，结合PROSAIL辐射传输模型与高斯过程回归（GPR/VHGPR），构建了稻田叶绿素含量（LCC）的混合反演模型。通过引入0-10%噪声水平验证模型鲁棒性，实现了RRMSE<5%、平均相对不确定性<22%的高精度制图，为异质农业景观的精准农情监测提供了可靠技术框架。

　　

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的难点。传统方法受限于地面采样成本高、模型时空迁移性差，且多光谱数据与植被性状的复杂关系常因噪声干扰导致反演结果不可靠。尤其对于水稻这类全球关键粮食作物，叶绿素含量（LCC）作为光合作用能力的直接指标，其大尺度动态监测对氮素管理、产量预测和气候变化响应评估具有重要意义。

针对这一挑战，越南的研究团队创新性地将物理机理与机器学习相结合，利用PROSAIL辐射传输模型生成训练数据集，耦合高斯过程回归（GPR）及其变分异方差改进版（VHGPR），开发了融合不确定性量化的叶绿素反演框架。研究选取越南红河三角洲174.82 km²的异质农业区，整合Sentinel-2（S2）十波段反射率数据与60个稻田样点的地面SPAD测量值，通过拉丁超立方采样生成1000组PROSAIL模拟数据，并系统评估了0%、5%、10%三种噪声水平对模型性能的影响。

关键技术方法包括：1）基于PROSAIL的辐射传输建模，参数化配置涵盖叶片结构参数（N）、叶绿素含量（Cab）、叶面积指数（LAI）等关键变量；2）高斯过程回归算法，利用自动相关性确定（ARD）核函数分析波段重要性；3）变异系数（CV）量化像素级相对不确定性；4）采用指数一致性（IOA）和相对均方根误差（RRMSE）等多指标验证模型性能。

研究结果显示：

1. 模型验证性能：所有噪声条件下的GPR/VHGPR模型均保持较高精度（IOA 0.82-0.92，RRMSE<5%），其中无噪声GPR表现最优（R²=0.725）。噪声增加导致VHGPR相对不确定性最高达100%，但植被像元平均不确定性稳定在22%以下。

2. 波段贡献解析：红边波段（B5-705nm、B6-740nm）和短波红外（B11-1610nm、B12-2190nm）对模型贡献显著，蓝绿波段（B2/B3）重要性超越传统红光波段（B4）。

3. 异质景观适用性：稻田像元LCC估值集中50-95 μg·cm^-2，非植被像元（水体、裸地）因光谱混淆导致平均相对不确定性超50%，验证了模型对植被目标的特异性。

4. 噪声敏感性：5%噪声水平下模型出现异常波动，表现为稻田像元不确定性峰值（16-18%）与全场景低变异的矛盾，揭示PROSAIL参数化对噪声传播的调控作用。

该研究通过耦合物理模型与贝叶斯机器学习，首次系统评估了噪声对混合反演模型的影响机制，其创新性体现在三方面：1）开发的像素级不确定性掩膜可有效识别异质环境中的可靠像元；2）证实SWIR波段在叶绿素反演中的补充价值；3）为S2数据在季风区农作物监测中的业务化应用提供方法论框架。研究结果对发展智慧农业中的遥感诊断技术具有重要实践意义，未来可扩展至多时相作物表型监测和多源数据融合研究。