Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

在耕作的宁静节奏中，收获后的处理往往与收获本身一样重要。当一片麦田被收割后，留下的秸秆和叶片并不会凭空消失；它们会留在土壤表面，形成一层被称为作物残茬的有机质层。将这些物质留在原地是保护土地的一种强大手段。它就像一条保护性的毯子，在干旱时期锁住地下的水分，减缓可能冲走肥沃表土的风力和水流，并在分解过程中缓慢地将养分还给大地。那些留下这些残茬的农民正在实践一种被称为“保护性耕作”的方法，这种方法优先考虑土壤的长期健康，而非快速翻耕。然而，为了判断这种方法是否使用得当，科学家需要一种精确测量地面被这些秸秆覆盖程度的方法。如果覆盖率过低，土壤就会变得脆弱；如果覆盖率足够高，土地就能得到保护。

几十年来，测量这种覆盖率意味着要派人带着相机和记录板进入田间，在地面的一小块区域内清点每一根能看到的稻草。虽然这种方法很准确，但过程缓慢、耗费人力，且难以扩展到整个区域。近年来，研究重点已转向利用光来进行计数。每种物体反射光的方式都是独特的，而干燥的植物材料具有一种不同于裸露土壤的独特特征。通过分析从田间反射回来的特定光色，研究人员希望能够计算出秸秆覆盖地面的百分比，而无需亲脚踏入田间。然而，这项任务之所以复杂，是因为秸秆并不像地毯那样平铺在地上。根据农民管理田间的方式——无论是让秸秆直立、将其切碎，还是将其深翻入土——光线反射回来的方式都会发生变化。理解这些细微的差异，是将简单的光测量转化为可靠的土壤健康图谱的关键。

研究员杨浩林（音译）来自北京八一学校，他致力于通过创建一个详细的地图，来展示小麦秸秆在不同条件下如何与光进行交互，从而解决这一难题。他们首先在位于北京北部沙丘镇的研究中心建立了一个受控实验。在这里，他们种植了冬小麦，并在收获后对田间的不同区域应用了四种不同的管理技术：一些地块保留了直立的茬口，另一些则将秸秆切碎并撒开，还有一些使用了旋耕机将其混入表层土壤，另一些则进行了深耕。这种多样性使他们能够观察到，不仅是秸秆的数量，其物理排列方式也会改变田间在传感器眼中的样子。

为了捕捉这些变化，他们手持光谱仪在田间行走，这种设备就像一只精密的眼睛，能够看到远超人类大脑处理能力的色彩。他们测量了从肉眼可见的光谱到肉眼不可见的红外波段中数百个不同波长的土壤和秸秆混合物反射的光。与此同时，他们从正上方拍摄地面照片，并使用网格法精确统计地面的秸秆覆盖量，从而创建一个精确的“地面实况”来与光测量值进行对比。他们还在河南省采集了类似的田间数据，以确保研究结果在研究站的受控环境之外依然有效。

研究人员发现，随着秸秆覆盖量的增加，田间反射的光线会以可预测的方式发生变化。他们发现，探测这种覆盖最敏感的区域位于短波红外光谱部分，这一区域的光线与植物细胞壁中的纤维素和木质素相互作用强烈。通过分析数据，他们确定了一个位于1320纳米处的特定光波段，该波段在信号指示秸秆存在方面表现尤为出色。他们还测试了几种被称为“光谱指数”的数学公式，这些公式通过结合不同的光波长来突出显示作物残茬。结果表明，旨在寻找纤维素和木质素的指数在检测秸秆方面，比用于测量绿色活体植物的标准公式要有效得多。

掌握了这些光特征后，研究人员转向计算机模型，试图构建一个仅凭光数据即可预测秸秆覆盖量的系统。他们测试了五种不同类型的机器学习算法，即旨在寻找数据模式的程序。其中一些模型较为简单且呈线性关系，而另一些则更为复杂，能够学习复杂的关联。结果非常明确：最成功的模型是一种被称为“随机森林”的方法。这种方法通过构建许多小的决策树并结合它们的答案来工作，其预测结果与实际测量值的匹配度达到了95%。相比之下，一种通常用于高级任务的深度学习模型表现并不理想。研究人员指出，这种深度学习模型需要比他们现有的数据量大得多的数据才能进行有效学习，从而导致预测效果不佳。这一发现表明，对于这项特定任务，在处理有限的田间数据时，一个稳健的简单模型比复杂的模型更可靠。

这项研究中最具意义的部分，是测试一个基于受控实验建立的模型是否能在现实世界中发挥作用。研究人员将他们表现最好的模型应用于来自河南省实际麦田的数据。在对设置进行微调后，该模型成功估算了这些现实场景中的秸秆覆盖量。这证明了光与秸秆覆盖之间的关系足够强大，可以跨越不同的地点和条件。研究证实，通过理解田间的物理结构如何影响光，科学家可以创造出能够在大范围内精确监测保护性耕作实践的工具。虽然这项工作是使用地面传感器完成的，但研究人员看到了清晰的前景：这些原理同样可以应用于无人机和卫星拍摄的图像，最终实现对土壤健康的动态、大规模监测，从而帮助农民和政策制定者保护未来的土地。