上海青穴盘幼苗离散元模型的建立与参数标定

《Plants》：Establishment and Parameter Calibration of a Discrete Element Model for Shanghai Bok Choy Plug Seedling

　　

摘要：交替干湿灌溉（Alternate Wetting and Drying, AWD）可减少淹水稻田甲烷（CH4）排放，但会诱发氧化亚氮（N2O）脉冲排放；在小样本条件下识别温室气体（Greenhouse Gas, GHG）通量遥感筛查的候选生育期窗口仍具挑战。研究人员在秘鲁北部沿海（Lambayeque）INIA Vista Florida试验站开展单季单点探索性研究，将8次无人机（Unmanned Aerial Vehicle, UAV）飞行与8景PlanetScope SuperDove影像（Δ≤2 d）配对，获取四种水分管理处理[连续淹水（Continuous Flooding, CF）、AWD5、AWD10、AWD20]下96组子小区×日期观测值的静态箱测定CH4、N2O及CO2通量。研究人员采用自举岭回归（Bootstrap Ridge Regression）评估各传感器原生预测因子[UAV：植被指数（Vegetation Index, VI）+灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）纹理+冠层平均亮温Tmean；PlanetScope：VI]的多变量解释力。最大分蘖期（Maximum tillering, 79 DAS）是UAV三位气体共同的候选最优窗口，GLCM纹理贡献显著；PlanetScope最优窗口为孕穗中期（Mid-boot）和孕穗后期（Late-boot, 103–107 DAS），仅靠VI即可解释通量变异。嵌套留一小区法（Leave-One-Plot-Out, LOPO）交叉验证显示六组平台×气体组合中四组达到R2LOPO0.57–0.69，其中UAV热红外均值Tmean对N2O预测具决定性作用（R2LOPO≈0.61）；UAV–CH4与PlanetScope–N2O相关性较弱。各LOPO折内重复分期筛选可保持领先组合及排序不变。上述探索性生育期窗口及传感器原生描述子需经多站点多季节验证方可投入业务化应用。

论文解读：上海青穴盘幼苗离散元模型的建立与参数标定

注：上传文档实际为水稻AWD田块温室气体遥感监测研究论文（Remote Sensing期刊），标题行疑似粘贴错误。以下解读严格依据文档正文内容浓缩整理。

研究背景与立项依据

淹水灌溉水稻（Oryza sativa L.）约占全球人为甲烷（CH₄）排放的10%，而交替干湿灌溉（Alternate Wetting and Drying, AWD）通过引入短期土壤干燥周期可降低CH₄排放，但土壤复湿伴随的氧化亚氮（N₂O）脉冲及AWD下温室气体（Greenhouse Gas, GHG：CH₄、N₂O、CO₂）时空量化困难，尤其在南美稻作系统实证匮乏。静态箱GHG通量监测准确但空间密度低、成本高，难以捕捉AWD稻田小区内及小区间变异。无人机（Unmanned Aerial Vehicle, UAV）与高重访卫星星座（如PlanetScope SuperDove）可提供与生物地球化学过程协变的生物物理变量（叶面积指数、叶绿素含量、冠层覆盖度及结构异质性），其中植被指数（Vegetation Index, VI）常用于水稻生物物理变量反演，灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）纹理特征可补充VI在高级生育期饱和问题并刻画冠层结构异质性。然而VI与GLCM对GHG通量的多变量解释力随水稻生育期变化，且AWD下其与箱测GHG通量的直接关联鲜见报道。明确先验性挑选具最高解释力的生育期窗口——而非全生育期拟合——可提升小数据集模型简洁性并降低过拟合风险。本研究旨在评估秘鲁沿海AWD水稻系统中，何时及利用何种传感器原生遥感描述子可最佳解释箱测GHG通量，并确定CH₄、N₂O和CO₂通量的候选生育期窗口与主导预测因子。

主要关键技术方法

研究于2023年秘鲁INIA Vista Florida试验站（6.7517°S, 79.8272°W）开展，设4种水分管理处理——连续淹水（CF）、AWD₅（地下水位降5 cm复灌）、AWD₁₀、AWD₂₀，每处理1主区（24×11 m）均分为3个子小区（8×11 m，n=12独立实验单元），统一施肥（累计施氮320.7 kg N ha^?1，分5次）。CH₄、N₂O、CO₂通量采用不通风静态暗箱—气相色谱法于8个航次同步测定（每子小区×每日期 n=96）。UAV搭载Parrot Sequoia多光谱相机（绿、红、红边、近红外NIR四波段+太阳辐照度传感器）及Zenmuse H20T热红外 radiometric传感器（冠层亮温T_mean），飞行高度45 m，生成反射率正交 mosaic及热正交 mosaic（Pix4Dmapper）；PlanetScope SuperDove 8波段地表反射率产品（3 m GSD）与UAV航次最近时相匹配（Δ≤2 d）。子小区面域内提取：UAV—波段反射率、8种VI（NDVI、DVI、EVI2、OSAVI、GNDVI、NDRE、CI_RE、NDWI）、NIR及红边波段GLCM纹理特征（对比度、相异性、同质性、能量、相关性、角二阶矩ASM，8灰度级，d=5像素≈24 cm，四向平均）及T_mean；PlanetScope—同源波段反射率及相同8种VI（无GLCM及热红外）。生育期窗口筛选采用Bootstrap Ridge回归（λ经LOOCV选优，300次重抽样）计算各阶段多变量R²_bootstrap，按UAV VI+GLCM池及PlanetScope VI池中值取Top-3阶段；入选阶段上用6种算法（多元线性回归MLR、线性/径向基核支持向量回归SVR-Linear/RBF、偏最小二乘回归PLSR、随机森林RF、极端梯度提升XGBoost）及UAV 6种预测因子组合变体（VI / VI+T_mean/ GLCM / GLCM+T_mean/ VI+GLCM / VI+GLCM+T_mean）、PlanetScope单一VI变体，在嵌套留一小区（Leave-One-Plot-Out, LOPO）交叉验证框架下评估性能（R²_LOPO、RMSE、rRMSE、MAE），内折GroupKFold(≤5)做序列前向选择（Sequential Forward Selection, SFS）及超参网格寻优，目标变量依5折GroupKFold选log1p或恒等变换。

研究结果

3.1. GHG Flux Dynamics by Water-Management Treatment

箱线图显示CH₄通量CF处理显著高于三AWD处理且随干旱程度加深（AWD₂₀＜AWD₁₀＜AWD₅＜CF）单调降低，印证水分管理实验一致性；N₂O在间歇灌溉施肥后出现散在峰值但无单调趋势；CO₂跨处理可比但CF变异更大。Kruskal-Wallis检验证实处理间CH₄差异显著，支撑后续寻找可恢复实验信号的遥感代理变量。

3.2. Phenological-Stage Screening Through Multivariate R²

Bootstrap Ridge回归R²分布表明：UAV平台（以VI+GLCM池为基准）Top-3为——CH₄：活跃分蘖期（Active tillering, 42 DAS）、最大分蘖期（Maximum tillering, 79 DAS）、孕穗中期（Mid-boot, 103 DAS）；N₂O：迟分蘖期（Late tillering, 75 DAS）、活跃分蘖期（42 DAS）、最大分蘖期（79 DAS）；CO₂：最大分蘖期（79 DAS）、分蘖中期（Mid-tillering, 65 DAS）、迟分蘖期（75 DAS）。最大分蘖期（79 DAS）为UAV三气Top-3共有最优窗口（VI+GLCM中位数R²_bootstrap分别约0.65、0.34、0.71），对应冠层郁闭、GLCM纹理（NIR波段能量/对比度等）捕获叶簇尺度结构异质性。PlanetScope（VI池）Top-3为——CH₄：孕穗中期（103 DAS）、孕穗后期（Late-boot, 107 DAS）、活跃分蘖期（42 DAS）；N₂O：活跃分蘖期（42 DAS）、孕穗后期（107 DAS）、迟分蘖期（75 DAS）；CO₂：孕穗后期（107 DAS）、活跃分蘖期（42 DAS）、分蘖中期（65 DAS）。跨平台比较：最大分蘖期为UAV特征窗口，孕穗中/后期为PlanetScope CH₄与CO₂优选窗口，活跃分蘖期跨平台出现在N₂O Top-3中（与首次尿素施用DAS 38、61吻合）。

3.3. Predictive ML Modelling (LOPO)

嵌套LOPO结果（Top-3阶段筛选后36样本/平台×气体组合）：UAV—CH₄最优为VI变体+RandomForest（R²_LOPO=0.57, 95%CI[0.41,0.70]），加T_mean无改善；N₂O最优为VI+T_mean变体+XGBoost（R²_LOPO=0.61, 95%CI[0.46,0.73]），VI单独仅R²_LOPO≈0.32，置换重要性显示T_mean为支配性预测因子；CO₂最优为VI+GLCM或VI+GLCM+T_mean变体+PLSR（R²_LOPO=0.69, 95%CI[0.55,0.80]），热红外贡献可忽略。PlanetScope—CH₄最优为VI+SVR-RBF（R²_LOPO=0.67, 95%CI[0.52,0.78]，全研究最高）；N₂O为VI+SVR-Linear（R²_LOPO=0.21, 95%CI跨零，视为无技能）；CO₂为VI+PLSR（R²_LOPO=0.58, 95%CI[0.42,0.71]）。GLCM单独预测力弱于VI但在UAV CO₂中与VI联合有边际增益；热红外仅对N₂O有决定性增量贡献（ΔR²≈+0.29加上VI）。未筛选阶段LOPO及完全嵌套逐折分期敏感性分析均保留上述组合排序，仅去除适度乐观偏差。

3.4. Robustness Analyses

取消Top-3筛选（8阶段全训）使领先组合R²_LOPO降0.02–0.07（PlanetScope-CH₄最大降幅0.07，UAV-N₂O降0.05），气体–平台排序不变。完全嵌套分期（每外折用训练子小区再选Top-3）保留强组合（PlanetScope-CH₄R²_LOPO=0.64，UAV-CO₂R²_LOPO=0.67等）与原窗口75–100%折重合，仅弱UAV-N₂O降幅略大（≈0.13）。子小区面域向内缓冲及剔除边缘像元对UAV特征提取影响极小（Pearson r＞0.98 vs原值，模型R²_LOPO波动＜0.03），验证RTK+4个GCP几何配准质量；人为平移＞1 m使性能下降证实信号具空间真实性。加入农艺协变量（累计灌水量、累计氮量、距末次施肥/灌溉日数）不提升预测；VI高共线聚类中冗余滤波或PCA替换不改模型表现，佐证抗共线算法选型合理。

讨论与结论总结

讨论指出最大分蘖期（79 DAS）为UAV三气共有候选窗口因该期冠层结构异质性最适于cm级GLCM纹理表征，而PlanetScope因3 m GSD无法计算可靠GLCM故依赖光谱VI并在孕穗中/后期及活跃分蘖期表现较优；Mid-boot（103 DAS）跨平台出现于CH₄Top-3，对应AWD干湿转换及产甲烷菌活动窗口。UAV与PlanetScope具互补性而非替代关系。研究局限含单点单季、n=12子小区致Bootstrap R²乐观、Top-3筛选在LOPO外引轻微信息泄露（已量化）、15 d采样间隔可能低估N₂O短脉冲、单晨过境未捕获日变化，需多站点多季节验证及关键农事事件加密箱测。

结论翻译：研究人员将8次UAV飞行与8景PlanetScope SuperDove 8波段影像（配对Δ≤2 d）及四种水分管理下箱测CH₄、N₂O、CO₂通量（96子小区×日期观测值）进行匹配，经分生育期多变量R²筛选发现——最大分蘖期（79 DAS）为UAV三气候选最优窗口（VI+GLCM Bootstrap中位数R²分别为0.65、0.34、0.71），PlanetScope信号集中于孕穗中期与孕穗后期（103–107 DAS）。嵌套LOPO验证显示六组平台×气体组合中四组达R²_LOPO0.57–0.69（PlanetScope-CH₄SVR-RBF R²_LOPO=0.67；UAV-CO₂PLSR R²_LOPO=0.69；UAV-N₂O XGBoost VI+T_meanR²_LOPO=0.61；PlanetScope-CO₂PLSR R²_LOPO=0.58），UAV-CH₄与PlanetScope-N₂O保持弱势。多光谱UAV通过原生GLCM纹理与热红外信息在最大分蘖期具附加价值，PlanetScope SuperDove仅凭冠层闭合时VI具区域尺度监测潜力，上述候选窗口须经多站点多季节确认。建模流程随文发布开源Python代码。