研究背景：

衛(wèi)星成像光譜學在地面應用中日趨成熟，最近發(fā)射和即將發(fā)射的科學驅動任務，例如 PRecursore IperSpettrale della Missione Applicativa (PRISMA) 和環(huán)境制圖和分析計劃 (EnMAP)，將提供高光譜觀測。此外，高優(yōu)先級任務候選者 Copernicus Hyperspectral Imaging Mission for the Environment (CHIME) 預計將為全球提供常規(guī)高光譜觀測，以支持新的和增強的服務，包括可持續(xù)農業(yè)和生物多樣性管理。

研究目標：

本文提出了一種用于從星載成像光譜數據進行操作交付的第一個混合冠層氮含量 (CNC) 檢索模型。

研究方法：

將基于物理的模型與機器學習回歸算法和主動學習 (AL) 相結合。關鍵概念包括：

• (1) 將輻射傳輸模型 PROSPECT-PRO 和 SAIL 結合起來，生成各種植被狀態(tài)作為訓練數據；

• (2) 使用降維來處理共線性；

• (3) 將 AL 技術與高斯過程回歸 (GPR) 相結合，對現場收集數據的訓練數據集進行微調；

• (4) 添加非植被光譜，使模型能夠處理圖像中的光譜異質性。

最終的 CNC 模型已針對現場數據進行了成功驗證，實現了 3.4 mg/m2 的低均方根誤差 (RMSE) 和 0.7 的決定系數 (R2)。該模型被應用于德國慕尼黑北部農業(yè)地區(qū)的 PRISMA 圖像。地上 CNC 制圖在整個景觀上產生了可靠的估計值和有意義的相關不確定性。這些令人鼓舞的結果證明了從太空常規(guī)量化 CNC 的可行性，例如作為未來 CHIME 任務的一部分在運營環(huán)境中。

主要發(fā)現：

• 本文提出了一種用于從星載成像光譜數據進行操作交付的第一個混合冠層氮含量 (CNC) 檢索模型。

• 該模型已針對現場數據進行了成功驗證，實現了 3.4 mg/m2 的低均方根誤差 (RMSE) 和 0.7 的決定系數 (R2)。

• 該模型被應用于德國慕尼黑北部農業(yè)地區(qū)的 PRISMA 圖像，在地圖繪制地上 CNC 時產生了可靠的估計值和有意義的相關不確定性。

• 這些令人鼓舞的結果證明了從太空常規(guī)量化 CNC 的可行性，例如作為未來 CHIME 任務的一部分在運營環(huán)境中。

  
  

慕尼黑北部的 PRISMA 插圖和放大的 MNI 試驗場冬小麥和玉米田（2017 年和 2018 年），以偽彩色紅外顯示（R：865.6 nm，G：650.5 nm，B：554.3 nm）。

a)預處理前PRISMA子集的RGB假色合成，圖像中垂直條紋清晰可見；b) 預處理后PRISMA子集的RGB假色合成；c) 預處理之前（紅線）和之后（藍線）的植被 PRISMA 光譜示例。紅點標記了通過該特定像素的平滑過程去除的條帶。藍點表示用于樣條平滑插值的頻帶。灰色陰影區(qū)域表示在樣條平滑插值后移除的光譜區(qū)域以獲得最終的 PRISMA 光譜。

PRISMA CNC 測繪混合測繪策略的工作流程。NV：無植被。

擬合優(yōu)度結果（RMSE，R2右2）針對驗證數據使用 AL (EBD)。AL 序列從 100 個樣本開始，到 136 個樣本結束。

沿 1:1 線測量的 CNC 與估計的 CNC，包括 EBD 減少的訓練數據集（左）和 EBD 減少的 + 24 個添加的非植被 (NV) 光譜（右）的不確定性區(qū)間。

EBD 縮減的最終訓練數據集（藍色）與驗證數據集（紅色）的統計數據（平均值、標準差、最小–最大） 。

PRISMA 圖像 (01/08/2020) 重新采樣為CHIME波段并處理為 CNC，單位為 [g/m 2 ]（上），相關相對不確定性單位為 [%]（下）。

PRISMA CNC 圖的子集，單位為 [g/m 2 ]。相對不確定性超過 20% 的區(qū)域被掩蓋。

總結：本文提出了一種用于從星載成像光譜數據進行操作交付的冠層氮含量 (CNC) 檢索模型。該模型結合了先進的輻射傳輸模型 (RTM) 和機器學習方法，具有良好的通用性和快速處理能力。該模型在德國慕尼黑北部農業(yè)地區(qū)的 PRISMA 圖像上進行了驗證，并取得了較高的準確性。該模型可用于對全球農業(yè)地區(qū)的 CNC 進行常規(guī)監(jiān)測。推薦指數：????