SIF衍生参数与三波段植被指数融合：田间条件下玉米叶斑病严重度量化新方法

中国科学院空天信息创新研究院黄文江研究员团队最新 Artificial Intelligence in Agriculture 研究成果

· 同样是SIF下降，究竟是光照和冠层结构发生了变化，还是叶斑病真正扰动了玉米的光合生理？

近日，中国科学院空天信息创新研究院黄文江研究员团队联合北京大学、华中农业大学等单位，在国际期刊《Artificial Intelligence in Agriculture》发表研究成果。团队利用双利合谱GaiaSky-SP-SIF无人机载日光诱导叶绿素荧光系统获取田间玉米冠层SIF数据，并结合无人机高光谱影像与SCOPE模型，分析叶斑病影响下SIF变化的生理与非生理来源。

研究进一步从高光谱数据中筛选病害敏感的三波段植被指数，并与SIF衍生参数组合。结果表明，随病情加重，荧光发射效率相关的生理调控逐渐成为SIF变化的主要来源；融合两类信息后，对玉米叶斑病严重度的量化更加稳定。

· 四个关键结果

1. 随着病害加重，荧光发射效率相关生理项的贡献由51.501%升至89.444%。

2. 四个优选三波段植被指数与病情指数的相关系数绝对值达到0.8393-0.8678。

3. 三个优选复合指标在四次数据划分中的训练集R²稳定在0.800-0.841。

4. 200次分层重复划分显示，优选三波段指数在训练集和验证集中的表现保持稳定。

01 原始SIF为什么不能直接代表病害生理变化

日光诱导叶绿素荧光（SIF）与光合作用密切相关，对植物胁迫十分敏感。但冠层顶部观测到的SIF，并不只由植物的生理状态决定，还会同时受到入射光强、叶绿素吸收比例、冠层结构和荧光逃逸过程影响。

叶斑病发生后，色素含量、叶片内部结构和冠层光学特性可能同步变化。若只比较原始SIF高低，就容易把光照与结构造成的差异误认为光合生理变化。

因此，这项研究首先将SIF拆分为生理与非生理信息，再引入对病害光谱特征更敏感的三波段植被指数。核心问题不是简单判断SIF是否下降，而是进一步回答：病害改变了SIF中的哪一部分，以及这种变化能否用于量化严重度。

02 无人机系统如何获取田间SIF数据

试验于2024年9月在中国农业科学院新乡综合试验站开展。不同品种、接种处理和抗性水平形成连续的叶斑病梯度。研究人员依据国家和行业标准调查叶片病级并计算病情指数，最终获得107个有效样本。

图1  试验区位置与样方分布

图2  GaiaSky-SP-SIF无人机系统及田间SIF采集流程

图3  SIF衍生参数与三波段植被指数融合的整体技术路线

03 两条路径验证SIF生理信息

研究首先利用3FLD方法，从氧气吸收带附近的高分辨率光谱中提取远红SIF；随后采用NIRvP、FCVI×PAR和NIRvR三种反射率校正方法，分别削弱入射光、光能吸收和冠层散射等非生理因素的影响。

与此同时，研究使用SCOPE辐射传输模型从另一条物理路径估计荧光发射效率。反射率法得到的生理参数ΦF-p与模型参数ΦFmod之间达到R²=0.7402，高于直接观测SIF与模拟SIF之间的R²=0.4175。这说明去除部分光照和结构影响后，两种方法提取的生理信息具有更好的一致性。

图4  基于SCOPE模型的SIF解耦及一致性验证

04 病害加重后生理调控逐渐占主导

不同病级的冠层光谱显示，随着病情加重，玉米在近红外区域的反射率持续降低。叶绿素和类胡萝卜素含量也总体下降，而叶面积指数在相邻病级之间的区分较弱，说明近红外变化并非简单来自冠层覆盖度减少，还与叶片内部结构和色素变化有关。

图5  不同病害等级下的玉米冠层反射率光谱

病情指数DI与ΦF-p、SIFyield、SIFtotal和SIFmea均呈明显负相关，决定系数分别为0.500、0.550、0.532和0.589。这些指标都能响应叶斑病，但由于保留的光照、吸收和结构信息不同，对病害的解释能力并不完*一致。

图6  不同病级下叶面积指数、叶绿素和类胡萝卜素变化

图7  病情指数与SIF及其衍生参数的相关关系

图8  不同病害等级下各因素对SIF变化的贡献

05 三波段指数补充病害特异性光谱信息

研究计算了28个常规植被指数，但只有7个与病情指数达到显著相关，整体仍不足以高保真刻画叶斑病严重度。为此，团队在406-930 nm的132个波段中遍历三波段组合，共比较2,299,836种指数实现。

图9  四组优选三波段植被指数的相关系数切片

最终筛选出的TBI-3、TBI-7、TBI-11和TBI-16覆盖绿光、红边和近红外区域，与病情指数的相关系数分别达到0.8678、0.8674、-0.8423和-0.8393。这些波段组合能够同时反映色素变化、红边位移和叶片结构受损。

图10  三个优选复合指标在四次训练划分中的拟合结果

图11  四次重复试验中实测病情指数与估算结果对比

研究进一步将4类SIF相关参数与4个优选TBI通过相加、相乘和幂运算组合，形成48个复合指标。表现*稳定的三个组合均由二次多项式描述，在四次数据划分中的训练集R²分别保持在0.800-0.832、0.815-0.836和0.831-0.841；验证结果未出现系统性下降。

06 重复抽样检验指数稳定性

三波段指数来自大规模组合筛选，可能受到样本划分影响。为检验这一问题，研究固定优选波段组合，开展200次分层3:1训练-验证划分，分别比较16种候选指数在训练集和验证集中的R²与RMSE。

结果显示，TBI-3与TBI-7在重复抽样中最常成为验证集表现*好的指数，平均验证R²分别达到0.7352和0.7376，训练与验证结果之间的差距整体较小。这表明优选指数并非主要由某一次偶然的数据划分产生。

图12  16种候选三波段指数在200次重复划分中的稳定性

07 研究边界与后续方向

这项研究在田间条件下验证了SIF生理信息与病害特异性反射率特征的互补潜力，但目前仍属于玉米叶斑病案例。不同作物、病原类型和非生物胁迫是否具有相同规律，还需要更多独立试验。

论文同时指出，无人机姿态、轨迹振动和定位误差可能影响SIF足迹与高光谱像元的配准；两类数据相隔5天获取，也可能引入额外不确定性。后续研究需进一步加强多传感器同步观测，并在更大样本和更多环境条件下检验模型的泛化能力。

· 论文信息

Ren, K., Qian, B., Guo, A., Luo, Y., Zhang, J., Ma, H., Yang, Y., Zhuang, S., Wang, K., & Huang, W. Integrating SIF-derived parameters with three-band vegetation indices for quantifying maize leaf spot severity: a case study under field conditions. Artificial Intelligence in Agriculture (2026).