利用来自太空的PRISMA和NEON AOP仪器，追踪不同森林类型和生态区域中植物特征的季节性变化

《Remote Sensing of Environment》：Tracking seasonal variability in plant traits from spaceborne PRISMA and NEON AOP across forest types and ecoregions

本研究利用PRISMA卫星和NEON AOP的高光谱数据，分析美国11个森林类型站点中叶绿素、类胡萝卜素、等效水分厚度和氮含量的季节动态，揭示环境因子（如太阳辐射、温度）对性状空间和季节变异的驱动作用，验证了PRISMA在大型尺度植物性状监测中的应用潜力。

　　植物特征是衡量植物如何适应环境变化以及对生态系统功能产生影响的关键指标。近年来，随着遥感技术的不断发展，利用高光谱数据进行植物特征监测已成为研究生态系统变化的重要手段。然而，尽管空中高光谱遥感技术能够通过详细的反射特性来绘制植物特征，但其成本和覆盖范围的限制使得大规模和时间序列的研究变得困难。为此，意大利航天局（ESA）最近发射的PRISMA卫星提供了一种新的解决方案。PRISMA具备30米的空间分辨率和约29天的重访周期，能够进行高频、大规模的高保真观测，从而为研究植物特征的季节性变化提供了重要机会。

本研究旨在利用PRISMA卫星数据和国家生态观测网络（NEON）的空中观测平台（AOP）高光谱数据，构建一个多层次的框架，以分析美国大陆地区11个代表性NEON站点的四种关键植物特征的季节性变化。这些站点涵盖了多种森林类型和生态区域，包括落叶阔叶林、落叶针叶林、常绿阔叶林、常绿针叶林、草地、农田、灌木丛和混合林等。通过该研究，我们希望揭示不同森林类型和生态区域中植物特征的变化模式，并探讨影响这些变化的环境因素。

研究结果表明，PRISMA卫星数据在跟踪植物特征的季节性变化方面表现出较高的可靠性。对于四种关键植物特征——叶绿素含量、类胡萝卜素含量、等效水厚度和氮含量，整体R2值范围在0.78至0.88之间，归一化均方根误差（NRMSE）值在5.4%至8.4%之间。这些结果验证了PRISMA数据在大规模、时间序列植物特征监测中的应用潜力。在季节性变化模式方面，叶绿素和类胡萝卜素呈现出钟形曲线，表明它们在生长季节中的变化具有明显的高峰期和低谷期。等效水厚度则在大多数站点中呈现持续下降的趋势，这一变化主要由叶片成熟和衰老过程中的结构变化所驱动。相比之下，氮含量的季节性变化较为平缓，但仍遵循预期的养分再吸收模式。

在环境驱动因素方面，研究发现季节性变化主要受到太阳辐射和日照时间的影响，尤其是在北方的站点中。而在半干旱地区，湿度则是影响植物特征变化的重要因素，而在中东南部的站点中，温度则起到主导作用。此外，空间变化主要由土壤特性所驱动，特别是在生长季的高峰期。然而，随着季节的推进，土壤变量的影响在某些站点中逐渐减弱，取而代之的是气候因素的主导地位。这一发现表明，植物特征的变化不仅受到时间因素的调控，还受到空间异质性的显著影响。

本研究进一步探讨了如何利用数据驱动的方法，如偏最小二乘回归（PLSR），来构建高精度的植物特征地图。PLSR模型能够有效地处理高维数据，并且在数据样本充足的情况下，能够准确地将空中高光谱数据与实地测量的植物特征进行匹配。通过将PLSR模型生成的高分辨率特征地图与PRISMA的30米空间分辨率进行整合，我们能够克服实地数据有限和空间分辨率不匹配的挑战。这种多阶段的框架不仅提高了对植物特征季节性变化的监测能力，还为理解植物特征与环境因素之间的相互作用提供了新的视角。

此外，研究还利用随机森林模型，将气候、地形和土壤变量纳入分析，以探讨这些因素如何影响植物特征的空间和季节性变化。通过这一方法，我们能够识别出不同环境条件下植物特征变化的主要驱动因素，并为未来的大规模、长期植物特征监测提供理论支持。研究结果表明，PRISMA卫星数据不仅能够准确地捕捉植物特征的季节性变化，还能够在不同森林类型和生态区域中实现有效的空间扩展，从而为生态系统功能研究提供更全面的数据基础。

本研究的意义在于，它不仅展示了PRISMA卫星数据在植物特征监测中的应用潜力，还为其他类似的空间高光谱数据的利用提供了参考。通过结合空间和时间尺度的观测数据，我们能够更深入地理解植物特征如何响应环境变化，进而为预测生态系统对气候变化的反应提供科学依据。此外，研究还强调了在实际应用中，如何通过合理的数据处理和模型构建，克服空间异质性和数据分辨率不匹配的问题，从而提高植物特征监测的准确性和可靠性。

在应用层面，本研究为未来的生态监测和管理提供了重要的技术支持。通过利用PRISMA卫星数据和NEON的高光谱数据，我们能够实现对大规模森林生态系统中植物特征的长期跟踪，这对于评估生态系统服务、预测气候变化影响以及制定相应的保护策略具有重要意义。此外，研究还为科学家和政策制定者提供了关于植物特征与环境因素之间关系的深入理解，有助于优化生态系统的管理和保护措施。

研究还揭示了植物特征在不同生态区域中的变化规律，这为跨区域的生态比较研究提供了基础。例如，在北方的站点中，太阳辐射和日照时间对植物特征的季节性变化起到了主导作用，而在半干旱地区，湿度则是主要影响因素，而在中东南部的站点中，温度则是关键驱动因素。这种区域差异表明，植物特征的变化模式与当地的气候条件密切相关，因此在进行生态研究时，需要考虑区域特异性。

在空间变化方面，土壤特性被证明是影响植物特征分布的主要因素，特别是在生长季的高峰期。然而，随着季节的推进，土壤变量的影响逐渐减弱，取而代之的是气候因素的作用。这一发现表明，植物特征的变化不仅受到时间因素的调控，还受到空间异质性的显著影响，因此在进行生态研究时，需要综合考虑时间和空间尺度的变量。

研究还强调了多源数据融合的重要性。通过将PRISMA卫星数据与NEON的高光谱数据相结合，我们能够克服单一数据源的局限性，从而提高植物特征监测的准确性和全面性。这种多阶段的框架不仅适用于当前的研究，还为未来的大规模、长期植物特征监测提供了可行的解决方案。此外，研究还展示了如何利用先进的数据处理方法，如随机森林模型，来识别和量化影响植物特征变化的环境因素，从而为生态系统的动态变化提供更精确的预测。

最后，本研究的成果为推动植物功能生态学的发展提供了重要的数据支持。通过揭示植物特征如何响应环境变化，我们能够更好地理解生态系统功能的动态变化，进而为预测生态系统对气候变化的反应提供科学依据。此外，研究还强调了在实际应用中，如何通过合理的数据处理和模型构建，克服空间异质性和数据分辨率不匹配的问题，从而提高植物特征监测的准确性和可靠性。

总体而言，本研究通过多阶段框架的构建，展示了PRISMA卫星数据在大规模、时间序列植物特征监测中的应用潜力，并为理解植物特征与环境因素之间的相互作用提供了新的视角。这些发现不仅有助于提高对生态系统功能的认识，还为未来的生态研究和管理提供了重要的技术支持。随着遥感技术的不断发展，空间高光谱数据将在生态研究中发挥越来越重要的作用，为科学家和政策制定者提供更全面、更精确的生态信息。