基于卫星遥感的农田土壤水分监测：作物生长阶段划分与光谱指数重建潜力研究

本研究创新性地结合作物生长阶段划分与光谱特征空间重构技术，通过Sentinel-2卫星数据提取植被指数（RVIS）和纹理特征（TFS），利用SVM、GA-BP和ELM模型实现新疆农田土壤水分含量（SMC）的高精度反演。研究发现生长阶段划分可使模型R2提升0.36，为干旱区精准农业提供新范式。

　　

Highlight

作物生长阶段划分与光谱特征空间重构的协同效应显著提升了土壤水分反演精度，其中ELM模型在作物生长早期（D1阶段）表现最优，而SVM模型在中后期（D2-D3阶段）更具优势。

The importance of delineating different growth stages of crops

本研究通过划分作物生长周期（D0全周期 vs D1-D3分阶段）证实：阶段性建模能针对性优化光谱特征选择——早期（D1）侧重裸土敏感波段，中后期（D2-D3）采用植被-土壤耦合模型，有效避免单一模型对动态光谱变化的适应性误差。随着叶面积指数（LAI）和根系深度变化，10-20 cm土层水分反演精度在D3阶段显著提升，揭示作物生理调控与土壤水分垂直分布的动态关联。

Conclusion

针对新疆棉田与玉米地SMC反演难题，本研究首创"生长阶段划分+二维光谱空间重构"双轨策略：基于作物物候特征构建分期模型，通过特征空间变换剥离植被噪声，使重构光谱反射率（R_V）在作物中后期的水分特征相关性提升37%。该成果为干旱区农业水资源智慧管理提供关键技术支撑。

（注：翻译严格保留R²、R_V等格式，采用"剥离植被噪声""双轨策略"等生动表述，同时确保SVM/ELM等专业术语的准确性）