近日，南京农业大学智慧农业创新团队（以下简称“团队”）在国际著名顶级遥感期刊《Remote Sensing of Environment》发表了题为“Breaking barriers in rice chlorophyll retrieval from satellite imagery: Mitigating row structure and saturation effects via RiceGORT and chlorophyll sensitivity enhancement”的研究论文，报道了他们在水稻冠层辐射传输建模技术及叶绿素高精度高分辨率卫星遥感监测方面的重要进展。
快速、准确地获取大范围水稻冠层叶绿素含量（canopy chlorophyll content，CCC）和叶片叶绿素含量（leaf chlorophyll content，LCC），对于监测作物生长状况、评估光合状态和支撑作物精确管理具有重要意义。近年来，国内外学者发展了一系列植被叶绿素反演方法，其中融合辐射传输模型与经验统计模型的混合反演方法兼具物理基础和计算效率，在大尺度植被叶绿素监测中展现出较大潜力。然而，现有混合方法通常依赖适用于均匀浑浊介质冠层的遥感物理模型（如PROSAIL），难以准确描述行垄移栽或直播（以下统一简称行栽）水稻生育前期裸露水土、行间阴影及稀疏冠层结构对冠层光谱反射率的影响。同时，现有研究往往采用单一模型开展全生育期叶绿素反演，忽略了冠层封闭前后的主要干扰机制存在明显差异。开放冠层主要受行结构和水土背景影响，而封闭冠层则主要受到光谱饱和及非叶绿素参数混杂的制约。因此，迫切需要构建一种分阶段叶绿素反演方法，以实现水稻全生育期CCC和LCC的连续监测。针对上述问题，团队构建了面向行栽水稻的几何光学与辐射传输复合模型RiceGORT，并提出了两阶段叶绿素反演框架：在冠层封闭前，利用RiceGORT缓解行结构对叶绿素反演的干扰；在冠层封闭后，基于红边积分构建增强型冠层叶绿素敏感指数（enhanced canopy chlorophyll index，ECI），以减弱传统植被指数因叶绿素强吸收产生的饱和效应（图1）。最后，通过物理模型RiceGORT、新型指数ECI与两阶段反演方法的耦合，实现水稻全生育期叶绿素动态监测，并利用中国江苏省和巴基斯坦旁遮普省大量实测样本进行了模型验证。
▲图1. 基于 Sentinel-2 影像反演水稻冠层叶绿素含量和叶片叶绿素含量的技术流程图。DAE 表示移栽后天数。RiceGORT 为面向行播水稻构建的几何光学—辐射传输复合模型。* 表示 RiceGORT 中新引入的行结构参数，紫色文字突出显示了该模型的主要创新之处。ECI 为增强型冠层叶绿素敏感指数。
研究面向行栽水稻发展了一种融合几何光学与辐射传输的复合模型（RiceGORT）。相较于现有复合模型，RiceGORT在冠层结构表征方面具有两个亮点。首先，针对垄上水稻叶片具有明显方向性分布的特点，构建了方向性叶片投影函数（方向性G函数），以改进垄上植被组分的光截获与辐射传输模拟（图2）。其次，利用几何光学模型显式表征行栽水稻冠层的三维非连续结构，并建立叶面积指数与垄上冠层宽度之间的定量关系，从而减少行结构参数之间的冗余与等效性，缓解模型反演中的病态问题（图3）。验证结果表明，在行栽水稻生长早期，改进冠层结构特征的表达，能够显著降低水稻冠层反射率的模拟误差（图4）。
▲图2：行栽水稻叶片方位角分布（leaf azimuth angle distribution，LAA）示意图（A），以及PROSAIL（B、D）和RiceGORT（C、E）中假设的叶角分布模型（leaf angle distribution，LAD）。（B）和（D）Campbell叶倾角分布模型，假设由平均叶倾角表征的椭球分布。（C）和（E）各向异性LAD模型，其椭球分布同时由ALA和LAA参数化，叶片在侧向方向上呈现集中。（C）中的蓝线表示采用均值为μ、标准差为σ的高斯函数拟合得到的LAA分布。
▲图3：水稻几何光学—辐射传输复合模型中行结构量化示意图。（A）-（C）分别表示天底观测、前向散射和后向散射条件下的二维几何平面。（D）和（E）表示水稻生长过程中矩形截面宽度的动态变化。（F）为矩形截面的详细示意图。Lc 表示视场范围内水稻冠层的投影长度。Liw1 和 Liw2 (Lsw1 和 Lsw2) 分别表示未受植被遮挡（受植被遮挡）的淹水土背景中受光面和阴影面的投影长度。H 表示水面以上的植株高度。BW 表示单穴水稻植株的基部分蘖宽度，RW* 表示垄上水稻冠层宽度，Rle 表示行垄侧的叶片伸展宽度。
▲图4：传统遥感物理模型（PROSAIL、Row4SAIL）与新模型RiceGORT的水稻冠层反射率模拟性能评估。（A–C）为三种物理模型在400–1000 nm波长范围内的模拟冠层光谱反射率与实测数据对比结果。实线表示平均反射光谱，阴影区域表示光谱变异范围，即平均值上下1个标准差（±1 SD）。（D–F）利用2018、2023和2024年实测水稻冠层反射率量化三种物理模型的平均绝对百分比误差（MAPE，%）。
基于RiceGORT模拟数据集，本研究分别采用常用的冠层叶绿素敏感特征红边指数（Red-edge chlorophyll index，CIRE）和叶片叶绿素敏感指数组合TCARI/OSAVI，构建了CCC和LCC通用反演模型，用于监测水稻关键生育时期叶绿素含量的动态变化，并与基于PROSAIL构建的混合反演模型进行了对比。RiceGORT通过改进开放冠层的结构表征，显著提高了CCC反演精度；同时，优化冠层结构表征也能改善LCC反演精度（图5）。
▲图5：基于中国和巴基斯坦两个区域数据集的CCC和LCC混合模型（封行前模型）反演精度评估
当冠层封闭时，入射光主要在上层叶片发生强吸收与多重散射，光学穿透深度受限，使下层叶片对上行辐射贡献显著降低；同时上层叶片的光谱响应趋于叶绿素吸收与散射极限状态，导致冠层叶绿素变化难以转化为可观测的辐射差异，从而产生饱和效应。当然，饱和效应不是“没有信息变化”，而是“信息被压缩在一个趋于常数的响应通道里”。此时，叶绿素变化信号仍然存在，但在光谱响应中难以分辨，因此需要增强光谱对叶绿素变化的响应敏感性。以光谱不变理论为基础，本研究通过缓解冠层结构效应的影响，创建了适用于密集冠层的增强型冠层叶绿素敏感指数ECI。基于物理模型以及ECI和ECI/NDVI，构建了适用于密集冠层的水稻CCC和LCC通用监测模型。其中，基于ECI的CCC估算模型有效缓解了封闭冠层条件下由饱和效应引起的CCC低估现象，克服了经典指数CIRE等对高CCC的系统性低估难题。 ECI/NDVI则能够削弱冠层结构对光谱信号的干扰，实现密集冠层条件下LCC的有效反演。它们在中国和巴基斯坦不同种植条件下均表现出稳定的反演性能，表明其具有较好的跨区域泛化能力。
▲图6：利用中国和巴基斯坦多年份数据评估冠层封闭后不同CCC和LCC混合反演模型的性能
▲图7：江苏省兴化市局部区域拔节期和孕穗后期水稻叶绿素空间分布对比：SNAP产品算法与本研究方法
研究由南京农业大学智慧创新团队主持完成，团队博士研究生孙浩然为论文第一作者，程涛教授为通讯作者。团队曹卫星教授、朱艳教授、姚霞教授、江冲亚教授参与了研究工作，德国慕尼黑工业大学李栋博士、巴基斯坦费萨拉巴德农业大学Iftikhar Ali助理教授在数据获取与验证方法构建方面给予了指导和支持。本研究得到国家重点研发计划课题“全球主要农作物农情与环境参数高精度遥感反演”、国家自然科学基金创新研究群体项目、中央高校基本科研经费和上海农业科技创新项目的资助。
论文链接：http://doi.org/10.1016/j.rse.2026.115581
免责声明：文章所引图文来自农田感知与智慧管理、南京神农智慧农业技术与装备研究院，仅供学习参考，若涉及侵犯版权请告知，我们将及时删除。
江苏立卓信息技术有限公司是一家以数智赋能农业产业向信息化、智能化、现代化转型升级的高新技术企业。
公司秉承“AI+”的发展理念，以大数据、大模型、物联网、智能装备、人工智能AI等新一代数字技术为基础，着力构建数智化、绿色化的农业新质生产力发展矩阵。
公司与南京农业大学深度合作，共建“南京农业大学（立卓）Al农业研究院”，将“AI+机器人+农业”深度嵌入经营内核， 聚焦智慧大田，服务智慧农业全场景。
