在大陆尺度上，树冠反射率作为预测土壤微生物群落组成和多样性的指标

《New Phytologist》：Canopy reflectance as a predictor of soil microbial community composition and diversity at a continental scale

冠层反射率通过植物性状间接关联土壤微生物群落组成与多样性，研究基于14个NEON生态区数据，利用PLSR模型发现全谱数据比植被指数预测更准，验证了植物经济谱与土壤微生物功能组（如PLFA指标）及细菌16S测序数据的关联性，提出大尺度土壤微生物预测需结合多源数据与光谱特征。

　　土壤微生物群落是生态系统中不可或缺的组成部分，它们在维持生物多样性、促进养分循环、有机质分解以及土壤健康等方面发挥着关键作用。然而，传统上，对这些微生物群落的了解主要依赖于地面采样，这在大范围的生态研究中存在显著的挑战。由于地理范围广、数据采集成本高以及生态系统的复杂性，使用遥感技术来预测土壤微生物群落的组成和多样性成为一种新的研究方向。本文探讨了利用空中高光谱成像技术，结合地面观测数据，如何通过植被冠层反射率来推断土壤微生物群落的特征。

植被冠层反射率是植物特性的重要反映，这些特性包括叶片化学成分、结构和生理特征，它们在资源获取和胁迫耐受性方面具有重要作用。然而，植被与土壤微生物之间的关联性尚未完全明确，尤其是在不同生态系统和土地覆盖类型中。本文利用美国国家生态观测网络（NEON）提供的数据，对14个生态区域的植被和土壤微生物数据进行了整合分析。通过构建部分最小二乘回归模型（PLSR），研究者尝试从空中高光谱数据中预测土壤微生物群落的组成和多样性。这种研究方法不仅提供了新的视角，还揭示了植被与土壤微生物之间的潜在联系。

研究结果表明，高光谱数据在预测土壤微生物群落方面表现出色，其模型验证的准确性在不同分类层次上有所差异。例如，对于广义的土壤微生物群组，模型的预测准确率较高，而对细菌群落的预测则相对较低。这一发现可能与微生物群落的多样性及其对环境变化的响应有关。此外，研究还发现，使用完整的光谱数据的模型表现优于仅依赖简单的植被指数（如NDVI和NDWI）的模型，这突显了高光谱成像技术在生态研究中的价值。高光谱数据不仅能够捕捉植被的结构特征，还能反映其化学特性，从而更全面地揭示植被与土壤微生物之间的复杂关系。

研究还指出，植被的某些关键特性，如特定叶面积（SLA）、叶片氮含量等，与土壤微生物群落的组成和多样性存在显著关联。这些特性不仅影响植物的生长和养分循环，还通过土壤和气候梯度的共同响应间接影响微生物群落。因此，理解这些植被特性与土壤微生物之间的联系对于预测和管理土壤微生物群落具有重要意义。此外，研究还发现，某些植物特征如叶碳含量和木质素含量与微生物群落的组成存在复杂的相互作用，这表明植被特性对土壤微生物的影响并非单一的，而是多方面的。

研究中使用了多种统计方法，包括主成分分析（PCA）、非度量多维尺度分析（NMDS）和变量子集分析（variation partitioning），以评估植被特征、土壤属性、气候条件和土地覆盖类型对土壤微生物群落变化的贡献。这些方法帮助研究人员识别出哪些植被特性在解释微生物群落组成和多样性方面具有更强的关联性。同时，研究还发现，某些光谱波段，尤其是近红外（NIR）和短波红外（SWIR）区域，对预测土壤微生物群落具有重要作用。这些波段反映了植被的结构、生理和化学特性，如水分含量和叶片成分，从而为土壤微生物群落的预测提供了重要线索。

然而，研究也指出，使用植被指数进行预测的模型表现不佳，这表明简单的植被指数无法充分捕捉植被与土壤微生物之间的复杂关系。因此，利用完整的光谱数据进行建模显得尤为重要。此外，研究还探讨了不同分类尺度对模型预测能力的影响，发现对广义微生物群组的预测更为准确，这可能是因为这些群组在生态功能上具有更高的稳定性，而对更细粒度的分类（如基于16S rRNA测序的细菌分类）则存在较大的不确定性。

研究结果还强调了遥感技术在生态学中的广泛应用前景。随着未来多个卫星高光谱成像任务的部署，如欧洲空间局（ESA）的Copernicus高光谱环境成像任务（CHIME）和美国国家航空航天局（NASA）的Surface Biology and Geology任务，结合更广泛的地面采样，将为土壤微生物的生物地理分布提供前所未有的机会。这将有助于建立快速、准确且经济高效的生态系统监测框架，从而更好地理解和管理土壤微生物群落的变化。

综上所述，本文通过分析植被冠层反射率与土壤微生物群落之间的关系，揭示了高光谱成像技术在预测土壤微生物组成和多样性方面的潜力。研究结果不仅为生态学提供了新的研究工具，也为未来的生态系统管理和保护策略提供了科学依据。然而，进一步的研究仍需关注不同生态系统和空间尺度下的预测能力差异，以及如何提高模型的可迁移性和适用性。此外，建立更加全面的训练数据集，以确保模型在广阔的空间范围内的可靠性，也是未来研究的重要方向。