基于多角度高光谱与机器学习的冬小麦叶片氮浓度垂直分布监测模型研究

为解决作物氮素垂直分布监测难题，研究人员通过13个观测角度(VZA)高光谱数据结合竞争性自适应重加权采样(CARS)和机器学习算法(PLSR/BPNN/ELM)，构建了冬小麦冠层上、中、下层叶片氮浓度(LNC)精准监测模型，其中OR+VI+WF_PLSR模型对下层LNC的预测精度较传统方法提升72%，为作物精准氮肥管理提供了新技术支撑。

　　

氮素是作物生长的关键元素，其在不同叶层的分布直接影响光合效率和产量形成。然而，传统遥感监测多局限于冠层顶部垂直观测，难以捕捉底层叶片早期缺氮信号——这正是作物氮胁迫的"预警窗口"。冬小麦在缺氮时会启动"氮素再动员"机制，将下层叶片中的氮向新生叶片转移，导致下层LNC变化比上层更敏感。但现有技术对下层叶片的监测精度不足，成为精准农业管理的瓶颈。

针对这一难题，Mengran Liu等人在《Smart Agricultural Technology》发表的研究，创新性地将多角度高光谱技术与机器学习相结合。团队在河南四个实验点，通过便携式地物光谱仪(ASD FieldSpec)从13个观测角度(VZA)采集冬小麦冠层400-1075nm高光谱数据，同步测定上、中、下三层叶片的LNC值。采用竞争性自适应重加权采样(CARS)筛选敏感特征波段，结合连续小波变换(CWT)提取的时频特征(WFs)和26种植被指数(VIs)，构建了基于偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和极限学习机(ELM)的垂直分布监测模型。

3.1 数据范围与垂直分布特征

研究发现不同施氮水平下LNC呈现显著垂直异质性：上层LNC(2.26%-5.38%)>中层(1.17%-4.35%)>下层(0.54%-3.20%)。高氮处理(N24)时上层LNC较下层高87%，且各层LNC变异系数(CV)以下层最大(训练集达29.3%)，说明下层叶片对氮素变化最敏感。

3.2 多角度光谱响应规律

冠层反射率在可见光区呈现明显角度不对称性：后向散射(-60°至-10°)反射率普遍高于前向散射(+10°至+60°)。红边(720nm)和近红外(860nm)波段在±20°出现反射率最低值，这与叶片层间光拦截差异直接相关。

3.3 最优观测角度组合

通过VZA融合分析发现：±60°/-50°/0°最适合上层LNC反演(R²=0.73)，±40°/-30°/0°最适合中层(R²=0.70)，而±20°/-10°/0°对下层监测效果最佳(R²=0.64)。这印证了大角度观测更易获取上层信息，而小角度能穿透冠层捕获下层信号。

3.4 特征变量筛选

CARS筛选显示：

• •

  上层：87%敏感波段集中在红边和近红外区

• •

  下层：特征波段分布更广，17%位于绿光区(500-570nm)

• •

  植被指数中mND705(上层)、NDVI_g-b(中层)和PSNDb(下层)最具指示性

3.5 模型精度比较

多模态数据融合显著提升预测性能：

• •

  OR+VI+WF_PLSR模型表现最优，对上、中、下层的R²分别达0.93/0.88/0.86

• •

  下层LNC预测精度提升最显著，较OR_ELM提高72%

• •

  PLSR始终优于BPNN和ELM，因其能有效处理高维共线性数据

这项研究的意义在于：首次系统建立了冬小麦LNC垂直分布的多角度监测模型，特别是解决了下层叶片早期缺氮诊断的难题。通过多角度光谱特征与机器学习算法的协同优化，为无人机/卫星平台的多角度遥感监测提供了理论基础。未来可结合LiDAR穿透性技术，推动大尺度作物营养精准管理。研究结果对实现"减氮增效"的绿色农业目标具有重要实践价值。