Crop biophysical parameter estimation via AI-enhanced hyperspectral remote sensing

方法

综述光谱响应机理、星机地协同观测、AI反演与机理-数据融合。

发现

未来需发展融合作物生长知识与深度学习的机理引导智能反演。

机会点

可探索机理约束的时空谱表征与不确定性量化，提升跨生育期跨尺度可迁移性。

高光谱遥感已成为反演作物冠层结构、生理状态、生化组分和生产力相关参数的关键手段。然而，当前许多方法仍以面向特定任务的光谱特征与目标参数之间的经验拟合为核心，当作物生长在物候阶段、观测尺度、传感器条件和种植制度之间发生变化时，其可迁移性受到限制。高光谱作物参数反演正朝着智能反演范式发展，该范式由时空谱表征、机理约束和可信决策共同支撑。据此，本文综述了作物光谱响应机理、星—机—地协同观测、时空一致性处理、人工智能（AI）驱动的反演模型以及机理—数据融合等方面的最新进展，重点关注高光谱特征与作物生长过程及冠层辐射传输的融合，并探讨了可迁移的时空谱表征、适用域评估和不确定性量化。未来研究应超越提升多时空观测精度的层面，转向融合作物生长知识与深度学习的机理引导智能反演，显式表征作物生长过程、空间异质性和适用性约束，从而支撑复杂农业系统中更可靠的作物监测、生长诊断、产量预测与决策。