研究背景：

卫星成像光谱学在地面应用中日趋成熟，最近发射和即将发射的科学驱动任务，例如 PRecursore IperSpettrale della Missione Applicativa (PRISMA) 和环境制图和分析计划 (EnMAP)，将提供高光谱观测。此外，高优先级任务候选者 Copernicus Hyperspectral Imaging Mission for the Environment (CHIME) 预计将为全球提供常规高光谱观测，以支持新的和增强的服务，包括可持续农业和生物多样性管理。

研究目标：

本文提出了一种用于从星载成像光谱数据进行操作交付的第一个混合冠层氮含量 (CNC) 检索模型。

研究方法：

将基于物理的模型与机器学习回归算法和主动学习 (AL) 相结合。关键概念包括：

• (1) 将辐射传输模型 PROSPECT-PRO 和 SAIL 结合起来，生成各种植被状态作为训练数据；

• (2) 使用降维来处理共线性；

• (3) 将 AL 技术与高斯过程回归 (GPR) 相结合，对现场收集数据的训练数据集进行微调；

• (4) 添加非植被光谱，使模型能够处理图像中的光谱异质性。

最终的 CNC 模型已针对现场数据进行了成功验证，实现了 3.4 mg/m2 的低均方根误差 (RMSE) 和 0.7 的决定系数 (R2)。该模型被应用于德国慕尼黑北部农业地区的 PRISMA 图像。地上 CNC 制图在整个景观上产生了可靠的估计值和有意义的相关不确定性。这些令人鼓舞的结果证明了从太空常规量化 CNC 的可行性，例如作为未来 CHIME 任务的一部分在运营环境中。

主要发现：

• 本文提出了一种用于从星载成像光谱数据进行操作交付的第一个混合冠层氮含量 (CNC) 检索模型。

• 该模型已针对现场数据进行了成功验证，实现了 3.4 mg/m2 的低均方根误差 (RMSE) 和 0.7 的决定系数 (R2)。

• 该模型被应用于德国慕尼黑北部农业地区的 PRISMA 图像，在地图绘制地上 CNC 时产生了可靠的估计值和有意义的相关不确定性。

• 这些令人鼓舞的结果证明了从太空常规量化 CNC 的可行性，例如作为未来 CHIME 任务的一部分在运营环境中。

  
  

慕尼黑北部的 PRISMA 插图和放大的 MNI 试验场冬小麦和玉米田（2017 年和 2018 年），以伪彩色红外显示（R：865.6 nm，G：650.5 nm，B：554.3 nm）。

a)预处理前PRISMA子集的RGB假色合成，图像中垂直条纹清晰可见；b) 预处理后PRISMA子集的RGB假色合成；c) 预处理之前（红线）和之后（蓝线）的植被 PRISMA 光谱示例。红点标记了通过该特定像素的平滑过程去除的条带。蓝点表示用于样条平滑插值的频带。灰色阴影区域表示在样条平滑插值后移除的光谱区域以获得最终的 PRISMA 光谱。

PRISMA CNC 测绘混合测绘策略的工作流程。NV：无植被。

拟合优度结果（RMSE，R2右2）针对验证数据使用 AL (EBD)。AL 序列从 100 个样本开始，到 136 个样本结束。

沿 1:1 线测量的 CNC 与估计的 CNC，包括 EBD 减少的训练数据集（左）和 EBD 减少的 + 24 个添加的非植被 (NV) 光谱（右）的不确定性区间。

EBD 缩减的最终训练数据集（蓝色）与验证数据集（红色）的统计数据（平均值、标准差、最小–最大） 。

PRISMA 图像 (01/08/2020) 重新采样为CHIME波段并处理为 CNC，单位为 [g/m 2 ]（上），相关相对不确定性单位为 [%]（下）。

PRISMA CNC 图的子集，单位为 [g/m 2 ]。相对不确定性超过 20% 的区域被掩盖。

总结：本文提出了一种用于从星载成像光谱数据进行操作交付的冠层氮含量 (CNC) 检索模型。该模型结合了先进的辐射传输模型 (RTM) 和机器学习方法，具有良好的通用性和快速处理能力。该模型在德国慕尼黑北部农业地区的 PRISMA 图像上进行了验证，并取得了较高的准确性。该模型可用于对全球农业地区的 CNC 进行常规监测。推荐指数：⭐⭐⭐⭐