植物叶片光合二氧化碳同化测定新型手持设备的开发

《Plants》：Development of a New Handheld Device for Measuring Photosynthetic Carbon Dioxide Assimilation in Plant Leaves

　　

交替湿润与干燥（alternate wetting and drying，AWD）灌溉可降低淹水稻田的 CH₄ 排放，但会增强 N₂O 脉冲；在小样本数据条件下，识别适用于温室气体（greenhouse gas，GHG）通量遥感筛查的候选物候窗口仍具挑战性。在秘鲁兰巴耶克（Lambayeque）INIA Vista Florida 开展的一项单地点、单季节探索性研究中，研究人员将 8 次无人机（unmanned aerial vehicle，UAV）飞行与 8 景 PlanetScope SuperDove 影像（Δd）及 4 种水分管理制度下的密闭箱法 CH₄、N₂O 和 CO₂ 通量观测相配对，这 4 种水分管理制度分别为 CF、AWD5、AWD10 和 AWD20；共获得 96 个子小区 × 日期观测值。研究人员采用自助法（bootstrap）岭回归（Ridge regression），基于各传感器原生预测变量评估多变量解释力：UAV 使用 VI + GLCM + T_m，PlanetScope 使用 VI。最大分蘖期（79 DAS）表现为候选 UAV 窗口，依靠 GLCM 纹理在全部气体中均位列前三；而 PlanetScope 在中孕穗期与晚孕穗期（103–107 DAS）达到峰值，其中中位 R² 为 –，R_cv² 为 –。嵌套式留一小区法（Leave-One-Plot-Out，LOPO）验证表明，在 6 种平台 × 气体组合中有 4 种的 R² 介于 与 之间（UAV-CH₄ 与 Planet-N₂O 仍较弱），且 T_m 对 UAV 上的 N₂O 预测具有决定性作用（）。在每个 LOPO 折内重复进行生育期筛选后，领先组合及其排序仍得以保持。在实际业务应用之前，这些探索性窗口及传感器原生描述符仍需经过多地点、多季节验证。

该文发表于《Plants》，但用户提供的正文内容与标题存在明显不一致。标题为“植物叶片光合二氧化碳同化测定新型手持设备的开发”，而摘要及主体内容实际讨论的是水稻 AWD 灌溉条件下基于 UAV 与 PlanetScope 的 CH₄、N₂O、CO₂ 温室气体通量遥感监测窗口识别问题，二者并非同一篇论文。依据“全部内容都要根据原文浓缩、不推测”的要求，无法在不引入臆测的前提下，对一个“手持光合测定设备开发”主题写出与所给正文一致的 1500 字论文解读，因为正文原文并未涉及该设备的结构设计、传感模块、校准体系、性能评估或叶片光合 CO₂ 同化直接测量结果。

根据当前原文可确定的研究背景是：在水稻生产中，交替湿润与干燥（AWD）灌溉被广泛视为减排甲烷（CH₄）的重要措施，但同时可能诱发氧化亚氮（N₂O）脉冲，且不同处理间产量与通量响应具有明显时空异质性。传统密闭箱法虽然对温室气体（GHG）通量测定较为准确，但空间覆盖度低、人工与分析成本高，难以刻画 AWD 稻田小区内和小区间的变化。因此，研究人员尝试引入无人机多光谱与热红外观测，以及高重访频率的 PlanetScope 卫星影像，通过植被指数（vegetation indices，VIs）、灰度共生矩阵纹理（gray-level co-occurrence matrix，GLCM）及冠层热状态等遥感指标，筛选最能解释 CH₄、N₂O 和 CO₂ 通量的关键物候窗口，并构建适用于小样本条件的预测框架。研究的核心问题并非设备研制，而是：在秘鲁北部海岸 AWD 水稻系统中，何时、采用哪类传感器原生特征，能够更有效地解释密闭箱实测温室气体通量。

研究人员在秘鲁 Lambayeque 的 INIA Vista Florida 试验站，于 2023 年水稻季设置持续淹水（CF）及 3 种 AWD 处理（AWD5、AWD10、AWD20），共 12 个子小区。同期开展 8 次 UAV 飞行、获取 8 景 PlanetScope SuperDove 8 波段地表反射率影像，并在对应日期通过不通气静态密闭箱测定 CH₄、N₂O 和 CO₂ 通量，形成 96 个“子小区 × 日期”观测。研究首先用 bootstrap 岭回归比较各物候期多变量 R²，据此筛选各平台—气体组合的前 3 个最佳窗口；随后在入选窗口上使用多元线性回归（MLR）、偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林（RF）和 XGBoost 等模型，在嵌套 LOPO 框架下评估泛化性能，并分析 VIs、GLCM 与冠层平均亮温 T_m 的相对贡献。研究意义在于提出了“物候感知型、传感器原生型”的 GHG 遥感筛查思路，为 AWD 稻田遥感监测的时相优化提供了经验依据。

主要技术方法可概括如下：研究样本来自秘鲁 INIA Vista Florida 单地点单季节 AWD 水稻田间试验；通量测定采用静态密闭箱结合气相色谱法；UAV 端使用 Parrot Sequoia 多光谱与 DJI H20T 热红外载荷，提取波段反射率、8 个植被指数、基于近红外与红边波段的 12 个 GLCM 纹理特征，以及冠层平均亮温 T_m；PlanetScope 端提取与 UAV 可比的 8 个植被指数；统计分析先以 bootstrap 岭回归执行分期筛选，再以嵌套 LOPO 交叉验证下的多模型机器学习比较预测效果，并辅以置换重要性、时序留一法（LODO）和空间敏感性分析检验稳健性。

在结果部分，研究首先通过“GHG Flux Dynamics by Water-Management Treatment”表明，不同水分管理制度下气体通量分布具有差异：CH₄ 在 CF 下显著更高，而在 3 个 AWD 处理中整体较低，符合长期淹水促进产甲烷过程的规律；N₂O 在间歇管理下出现与施氮后时间窗口相关的脉冲峰值，但未表现出像 CH₄ 那样清晰的单调梯度；CO₂ 各处理总体相近，但 CF 变异性更大。这一部分说明试验处理与通量观测在方向上具有实验一致性，为后续遥感建模提供了响应基础。

在“Phenological-Stage Screening Through Multivariate R²”中，研究人员按物候期分别对 CH₄、N₂O、CO₂ 的解释力进行筛选。UAV 平台上，最大分蘖期（79 DAS）在 3 种气体中均进入前 3，体现出分蘖高峰期冠层结构差异最利于厘米级影像纹理表征；PlanetScope 则更常在中孕穗期和晚孕穗期（103–107 DAS）表现最佳，说明 3 m 尺度下的多光谱指数更擅长捕捉冠层封闭、干湿交替转换及后期氮素状态。CH₄ 上，两平台均将中孕穗期列入前 3，提示这一阶段与甲烷生成或输导相关的冠层—土壤协变信号较强；N₂O 的有效窗口更多出现在早分蘖至晚分蘖附近，与前期施尿素事件时间上相吻合；CO₂ 在 UAV 上则主要集中于中分蘖、晚分蘖和最大分蘖阶段，反映冠层快速生长与光合—呼吸活跃期的遥感响应。

在“Predictive ML Modelling (LOPO)”中，研究在筛选出的 top-3 时相上比较多种模型。UAV 端对 CH₄ 的最佳结果由仅含植被指数的 RF 模型获得，加入 T_m 未带来提升；对 N₂O，T_m 的加入具有决定性作用，VI + T_m 组合由 XGBoost 取得最佳表现，且置换重要性分析显示 T_m 是主导变量；对 CO₂，VI + GLCM 与 VI + GLCM + T_m 均由 PLSR 达到最优，说明纹理与光谱联合对 CO₂ 更有价值，而额外热信息增益有限。PlanetScope 端仅评估 VI 组合，其中 CH₄ 由 SVR-RBF 获得全研究最优表现，CO₂ 由 PLSR 取得较好结果，而 N₂O 预测较弱、置信区间跨越零，表明卫星尺度光谱信号对 N₂O 的解释能力不足。整体上，6 种“平台 × 气体”组合中有 4 种得到具有实用意义的信号恢复，而 UAV-CH₄ 与 PlanetScope-N₂O 为当前框架下的薄弱环节。

在“Robustness Analyses”中，研究进一步验证了结果稳健性。去除 top-3 物候筛选后，领先组合的性能有所下降，但气体—平台排序保持不变，说明集中于候选窗口建模确有收益。将阶段筛选完全嵌套进每个 LOPO 外层折中后，强组合仍然保持领先，提示原文所报告的性能虽可视为上界，但乐观偏差有限。空间敏感性分析显示，适度内缩缓冲和边缘像元剔除对 UAV 特征影响很小，而较大定位偏移会明显降低性能，证明信号具有真实空间性，也强调了 RTK + GCP 共配准的重要性。增加灌溉、施氮等农艺协变量并未改进预测，表明在该研究设计中，基于遥感原生变量的模型已能吸收主要解释信息。

讨论部分指出，UAV 与 PlanetScope 并非替代关系，而是互补关系。最大分蘖期之所以成为 UAV 的共同优势窗口，在于此时冠层封闭、叶面积达到高值，厘米级多光谱影像上的 GLCM 纹理能够解析星载 3 m 像元无法识别的细尺度结构异质性；而孕穗期前后则更适合 PlanetScope，因其 8 波段光谱信息对冠层封闭和干湿交替过程具有较好综合表征能力。研究同时强调，这些关系属于协变性而非因果性：遥感指标反映的是冠层结构、色素与热状态，它们与土壤氧化还原条件、微生物过程及可利用碳氮库之间存在间接联系，而不是直接测量气体生成机制。研究局限主要包括：单地点单季节、小样本规模、处理层面的伪重复设计、top-3 筛选外置于 LOPO 之外、15 天常规采样间隔可能低估短时 N₂O 峰值，以及卫星仅晨间过境导致日变化信息缺失。因此，作者主张未来应在多地点、多季节条件下复验这些候选窗口，并在施肥、排水和复灌关键节点加密箱法观测，必要时引入自动箱和土壤过程变量，以便转向更稳健的阶段累积通量或季节累积通量评估。

研究结论部分可译为：基于 8 次 UAV 飞行、8 景与之配对的 PlanetScope SuperDove 8 波段影像，以及在秘鲁 Lambayeque 的 INIA Vista Florida 试验点 4 种水分管理制度下获得的密闭箱法 CH₄、N₂O 和 CO₂ 通量数据（共 96 个子小区 × 日期观测），研究人员在 8 个物候阶段上筛查了 3 类遥感预测变量组合的多变量决定系数（R²）。结果显示，最大分蘖期（79 DAS）是 3 种气体共同的 UAV 候选窗口，而 PlanetScope 在其原生植被指数特征限制下，主要在中孕穗期和晚孕穗期（103–107 DAS）集中体现信号。于筛选时相上开展的嵌套式 LOPO 建模表明，6 种平台 × 气体组合中有 4 种能够恢复有用信号，而 UAV-CH₄ 与 PlanetScope-N₂O 仍然较弱。多光谱 UAV 通过原生纹理与热信息在最大分蘖期占优，PlanetScope SuperDove 则展现出在封闭冠层条件下进行流域尺度观测的潜力，但在任何业务化应用之前，仍需多地点、多季节验证。这些结果定义的是候选监测窗口，而不是已经验证完成的监测系统。