融合rEW-2DCOS与机制引导自适应集成学习提升喀斯特湿地植被叶片氮磷钾含量遥感反演精度

本研究针对喀斯特湿地植被叶片氮（LNC）、磷（LPC）、钾（LKC）含量光谱特征复杂、传统反演精度低的问题，开发了r-增强小波二维相关光谱（rEW-2DCOS）方法，结合机制引导的自适应集成学习（M-AEL）模型，实现了多物种养分的高精度估算（平均R2达0.71–0.73），揭示了水文-植被因子的物种特异性驱动机制，为脆弱湿地生态系统监测提供了新方法。

　　

在独特的喀斯特湿地生态系统中，植被生长与养分循环受到钙质碱性土壤和特殊水文地质过程的深刻影响。这类湿地不仅是重要的碳汇，其薄层土壤和快速的地表水-地下水交换特性，更使得植被根系对水文波动异常敏感，加剧了水文-植被间的相互作用。叶片氮（LNC）、磷（LPC）、钾（LKC）含量作为植被生理生长的核心营养元素，是评估湿地植被状态和生态系统动态的精确指标。然而，传统测定方法依赖破坏性采样和实验室分析，耗时耗力且难以反映景观尺度的养分分布。遥感技术虽提供了大范围、无损监测的可能，但卫星影像易受空间分辨率和大气条件限制，无人机传感器则存在光谱范围窄、成本高的瓶颈。更为关键的是，这些元素的光谱特性尚未被清晰认知，其光谱响应易受基线漂移、谱峰重叠和噪声干扰，使得从复杂的光谱信息中精确提取特征、识别诊断性敏感波段成为定量遥感反演面临的重大挑战。

为应对这些挑战，一项发表于《Plant Phenomics》的研究应运而生。该研究以中国西南桂林会仙喀斯特湿地（国际重要岩溶湿地）为研究区，采集了7种典型植被（包括狗牙根、华克拉莎、芦苇、浆果苔草等）的303个叶片样本，获取了21,210条350–2500 nm的高光谱曲线，并同步测定了叶片养分含量、植被功能性状（叶面积指数LAI、比叶面积SLA等）及水环境参数（总氮TN、总磷TP、氨氮NH₃_N、pH等）。

研究团队为攻克技术难点，综合运用了几项关键技术：1) 利用连续小波分解（Continuous Wavelet Transform）在多尺度上解析叶片高光谱曲线，以提取不同频率的 spectral morphological features；2) 提出了增强光谱信息散度（Enhanced Spectral Information Divergence, ESID）方法，量化了物种间的光谱差异；3) 创新性地开发了r-增强小波二维相关光谱（r-enhanced Wavelet Two-Dimensional Correlation Spectroscopy, rEW-2DCOS）方法，通过结合光谱反射强度和小波分解衍生的形态特征，并显式模拟与 confounding variables 的相关性，来精确识别对LNC、LPC、LKC具有协同响应的敏感波段；4) 构建了机制引导的自适应集成学习回归模型（Mechanism-guided Adaptive Ensemble Learning, M-AEL），自适应地融合多种基学习器（PLS, RF, XGBoost, CatBoost, SVM）的预测结果，以实现稳健的养分反演；5) 采用地幔检验（Mantel test）量化了养分元素与水文-植被因子间的响应关系。

研究结果丰富而系统，主要发现如下：

4.1. 不同植被物种的叶片光谱特性

通过ESID分析发现，7种植被物种间存在显著的光谱异质性。其光谱反射强度和形态特征的主要差异范围位于500 nm、700 nm、1000 nm、1140 nm、1400 nm、1670 nm和1890 nm附近。连续小波分解进一步揭示，尺度1至尺度7最适于分析喀斯特湿地植被的光谱特性。

4.2. 植被物种LNC、LPC和LKC的敏感波段

rEW-2DCOS与CSPA两种方法确定的敏感波段密度峰存在大量重叠，并显示出显著的种间差异。LNC的敏感子域主要分布在600–860 nm、1230 nm和2080–2250 nm；LPC的敏感子域位于600–750 nm和1930–2380 nm；LKC的敏感子域则集中在580–830 nm和1680–2350 nm。这些差异反映了物种对喀斯特湿地环境的特定适应策略。

4.3. 基于M-AEL模型的LNC、LPC和LKC反演

M-AEL模型实现了养分元素的高精度反演。总体而言，基于rEW-2DCOS的反演效果显著优于基于CSPA和全光谱数据的结果。对于LNC、LPC和LKC，基于rEW-2DCOS的平均反演精度（R2）分别达到0.71、0.73和0.71，相较于CSPA方法提高了14.6%、14.9%和3.1%，相较于全光谱数据更是提高了83.3%、83.8%和88.7%。同时，rEW-2DCOS-based模型的AIC值显著降低，表明在提高精度的同时模型复杂度得到优化。反演精度存在明显的种间差异，例如狗牙根（CDP）在LNC和LPC反演中表现最佳（R2 > 0.90），而 Triadica sebifera (TS) 的各方面反演精度均较差。

4.4. 水文-植被因子与LNC、LPC和LKC的响应关系

方差分析表明，不同物种间的LNC、LPC和LKC存在极显著差异（P < 0.001）。Mantel test揭示了养分元素与水文-植被因子间存在物种特异性的响应关系。整体上，LKC和LNC与水体pH值呈显著正相关，LPC与叶片叶绿素含量(Chl)显著正相关。在物种水平上，驱动因子各异：华克拉莎(CCN)的LKC与叶片碳含量(LCC)显著相关，LNC与水体叶绿素(Chl_w)显著相关；浆果苔草(CBN)的LNC与Chl_w、LPC与水体总磷(TP)显著相关；狗牙根(CDP)的LKC与水体氨氮(NH₃_N)显著相关；芦苇(PS)的LNC与TP显著相关。这些差异源于各物种不同的根系结构及其与水体、土壤的接触方式，反映了物种对喀斯特湿地环境的独特生态适应策略。

本研究得出结论，rEW-2DCOS方法能有效识别喀斯特湿地植被养分元素的敏感光谱波段，其与M-AEL模型的结合显著提升了LNC、LPC和LKC的反演精度与模型简洁性。研究首次系统地量化了多种喀斯特湿地植被的养分光谱响应机制，并揭示了水文-植被因子对叶片养分的物种特异性驱动作用。这不仅深化了对喀斯特湿地植被养分循环机制的理解，也为利用高光谱遥感技术精准监测脆弱生态系统中的植被健康状况、维持水文-植被平衡提供了重要的科学依据和技术支持。未来研究可致力于将所识别的敏感波段迁移至无人机或高分卫星影像，实现大尺度、时序动态的养分监测，并进一步纳入土壤参数，全面揭示喀斯特湿地水-土-植被系统的交互机制。