Estimation of Soil Total Nitrogen in Hemerocallis citrina Across Multiple Phenological Stages Using Partitioned Feature Bands

土壤全氮（STN）的快速无损监测对于生态脆弱农业系统中的精准养分管理至关重要。本研究设计了一项受控光谱重采样实验，以黄花菜田的实验室ASD高光谱测量为基础，模拟Sentinel-2、WorldView-3、GF-6和Landsat-9的多光谱响应。构建了二维（DI、RI和NDI）和三维（TBI1–TBI5）光谱指数，并在五个物候期采用八种机器学习算法进行评估。结果表明：（1）三维光谱指数对STN的敏感性显著高于传统二维指数，其中TBI3整体相关性最强；在模拟传感器配置中，GF-6因其双红边波段而表现出最佳平均性能。（2）遗传算法优化的反向传播神经网络（GA-BPNN）有效解决了标准反向传播神经网络（BPNN）的局部极小值局限，并在多传感器和多物候场景下展现出稳健的泛化能力。（3）基于物候期的建模降低了跨生长阶段数据合并引起的光谱异质性，使R²提高了20.28%，RMSE降低了18.35%，其中叶片扩展期和抽薹期被确定为最佳估算窗口。这些发现阐明了不同物候期STN光谱响应的潜在解释，并为多源模拟遥感数据在特色农业系统养分监测中的应用提供了参考。