基于多角度遥感与融合模型的小麦叶片氮素垂直分布监测研究

为解决冬小麦叶片氮浓度(LNC)垂直分布监测难题，研究人员通过多角度(13个VZA)高光谱数据采集，结合竞争性自适应重加权采样(CARS)筛选敏感特征，采用PLSR、BPNN和ELM三种机器学习算法构建分层监测模型。研究发现±60°/±50°/0°、±40°/±30°/0°和±20°/±10°/0°分别适用于上、中、下层LNC反演，OR+VI+WF_PLSR融合模型精度最高(R2达0.93/0.88/0.86)，下层监测精度较单模态提升72%，为作物精准氮肥管理提供技术支撑。

　　

研究背景与意义

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。传统遥感监测多聚焦冠层顶部混合信号，难以捕捉底层叶片早期缺氮信号。冬小麦叶片氮浓度(Leaf Nitrogen Concentration, LNC)存在显著垂直异质性——缺氮时氮素会从底层老叶向上转移，导致底层叶片最先出现缺素症状。然而，现有技术对底层LNC的监测精度不足，且缺乏针对不同叶层的多角度观测方案。

研究方法与技术路线

研究团队在河南4个地点开展多年田间试验，设置4个氮肥梯度(0-360 kg·ha^-1)，采集冬小麦上、中、下三层叶片LNC数据。利用便携式地物光谱仪(ASD FieldSpec)在13个观测天顶角(View Zenith Angles, VZAs)获取400-1075 nm高光谱数据。通过竞争性自适应重加权采样(Competitive Adaptive Reweighted Sampling, CARS)筛选敏感原始反射率(Original Reflectance, OR)、植被指数(Vegetation Index, VI)和小波特征(Wavelet Features, WF)，结合偏最小二乘回归(Partial Least Squares Regression, PLSR)、反向传播神经网络(Back Propagation Neural Network, BPNN)和极限学习机(Extreme Learning Machine, ELM)构建分层监测模型。

关键研究结果

1. 1.

   VZA适配性分析：

   通过多角度反射率与LNC的关联分析发现，大角度(±60°/±50°)更适合上层监测，中等角度(±40°/±30°)匹配中层，而小角度(±20°/±10°)能有效捕捉底层信号。例如±60°观测时上层叶片反射率较垂直方向提升126%，而±20°对底层特征波段(如500-570 nm)的敏感性显著。

2. 2.

   特征变量筛选：

   CARS筛选显示不同叶层敏感特征存在差异：上层特征87%集中在红边(680-730 nm)和近红外区，而底层特征在可见光区分布更广。值得注意的是，底层筛选出31个小波特征(WF_(434,6)、WF_(482,6)等)，数量显著多于上层的20个。

3. 3.

   模型性能比较：

   三模态融合(OR+VI+WF)显著提升精度，其中PLSR表现最优：上层R2达0.93(RMSE=0.17)，较单模态OR_ELM提升20.78%；底层监测突破性达到R2=0.86，精度提升72%。研究还发现WF的加入使底层模型稳定性提高26.15%。

结论与展望

该研究首次系统阐明了冬小麦LNC垂直分布的多角度遥感响应规律，建立的OR+VI+WF_PLSR模型实现了底层叶片72%的监测精度跃升，为早期氮素亏缺诊断提供了新方法。未来可结合无人机多角度成像与激光雷达(LiDAR)穿透特性，推动该技术在精准农业中的规模化应用。论文发表于《Smart Agricultural Technology》，为作物表型组学研究提供了多维数据融合的范例。